Тендеры и лиды
Информация
Стоимость целевого действия в российской рекламе за год выросла на 26%, тогда как клик подорожал всего на 3%. Сам трафик остался почти в прежней цене, а вот превращение его в заявку и сделку стало заметно дороже: покупатель дольше сравнивает предложения, реже решается сразу, и схема «залить бюджет и получить пропорциональный рост выручки» перестала окупаться. Оценка построена на анализе более 104 тыс. рекламных кампаний с совокупным бюджетом свыше 8 млрд рублей.
Одновременно замедлился рынок, который последние годы вытягивал выручку почти без усилий продавца.
Количество интернет-заказов в России выросло в 2025 году на 24%, и это минимальный темп за восемь лет, притом что в 2023 году рынок прибавил 69%, а в 2024-м 43%. Средний чек при этом опустился примерно до 1,6 тыс. рублей, на 5% меньше прошлогоднего (Data Insight, 2025).
Если трафик дорожает, а чек падает, выигрывает компания, которая знает, какой сегмент клиентов приносит маржу, какой канал приводит сделки помимо обращений и какая скидка возвращается ростом повторных покупок. Управление коммерцией через такие ответы и называют продажами на основе данных.
Разберем, из чего складывается подход, как выглядит его механика от отчета до решения, с какого уровня зрелости компании начинают внедрение и почему 84% руководителей продаж признают: аналитика повлияла на результат меньше, чем ожидало руководство.
Продажами на основе данных называют модель управления коммерческой функцией, в которой решения о сегментах, каналах, приоритетах менеджеров и цене опираются на измеримые показатели, а не на авторитет участника совещания. Термин data driven закрепился в девяностые как ответ практике HiPPO (highest paid person's opinion), когда спор решало мнение самого высокооплачиваемого сотрудника. Интуицию и опыт подход при этом не отменяет: цифры фиксируют, что происходит с воронкой, но не объясняют причину и не подсказывают решение. Интерпретирует их руководитель или аналитик, который знает контекст сделок, а данные лишь сужают пространство догадок до проверяемых вариантов.
Глубина работы с цифрами различается сильнее, чем кажется по слову «аналитика». Классификация Gartner разводит четыре вида, и каждый следующий отвечает на более сложный вопрос:
Описательная аналитика показывает, что произошло. Отчет из CRM о выручке по каналам за квартал, конверсия этапов воронки, доля повторных покупок.
Диагностическая объясняет, почему так вышло. Сравнение сегментов клиентов показывает, что падение среднего чека дала не вся база, а один канал привлечения.
Предиктивная оценивает, что произойдет. Скоринг заявок по единому профилю клиента ранжирует их по вероятности сделки до первого звонка менеджера.
Прескриптивная предлагает действие. Система сама рекомендует размер скидки для конкретного сегмента или следующий шаг по сделке.
Первые две ступени в компаниях встречаются почти всегда, третья и четвертая заметно реже, и разрыв между ними определяет, работает ли отдел продаж по данным или просто регулярно смотрит дашборд. Тот же разрыв лежит в основе модели зрелости аналитики Davenport и Harris, которая описывает путь от «аналитически беспомощной» организации до компании, где аналитика стала источником конкурентного преимущества. Движение по этой шкале окупается измеримо: у компаний, перешедших к решениям на основе данных, выпуск и производительность оказываются на 5–6% выше ожидаемых при сопоставимых вложениях в ИТ и прочие ресурсы (Brynjolfsson, Hitt, Kim, 2011).
Хотя подход обычно продают под лозунгом роста выручки, отдача распределяется неравномерно: заметнее всего она в работе с существующей базой, а в закупке трафика проявляется как экономия. Пять эффектов подтверждены исследованиями и кейсами, и у каждого своя метрика:
Точное попадание в сегмент. Персонализация предложений на данных о поведении дает, по расчетам McKinsey, типичный прирост выручки 10–15%, а разброс по отраслям составляет от 5 до 25% в зависимости от качества исполнения.
Экономия рекламного бюджета. Отсечение нецелевой аудитории по истории обращений высвобождает 7–15% performance-бюджета. В кейсе Группы «Эталон» минусация аудитории в Яндекс Директ снизила стоимость обращения на 20%, а стоимость первичного целевого обращения на 40% (Smartis).
Рост конверсии на существующем трафике. Сервис Jivo разобрал поведение новых пользователей, перестроил приветственную цепочку и поднял конверсию в покупку платной версии на 35% (Mindbox, 2025).
Приоритизация работы менеджеров. Скоринг заявок распределяет время команды по вероятности сделки. В российских компаниях такие модели применяют уже 69% респондентов из продаж и клиентского сервиса, а вклад рекомендательных систем в прибыль «Яков и Партнеры» оценивают примерно в 1% EBITDA.
Управляемость прогноза. Общая витрина метрик заменяет спор о том, чей отчет правильный, проверкой одной цифры, и план продаж перестает быть предметом переговоров между директором и руководителем отдела.
Складываются эти эффекты только на общей базе клиентских данных. Отдельный дашборд для маркетинга и отдельная выгрузка для отдела продаж дают локальные улучшения, которые не доходят до выручки, и здесь лежит главная причина разочарования в data-driven sales.
Продажи, управляемые данными, держатся на повторяющемся цикле: компания фиксирует отклонение, ищет его причину, формулирует гипотезу, проверяет ее на ограниченной выборке и масштабирует удачный вариант. Результат изменения возвращается в ту же систему метрик, из которой пришла гипотеза. На разных участках этого цикла используются разные уровни аналитики.
На практике четыре ступени аналитики включаются в цикл последовательно:
Описательная аналитика фиксирует отклонение. CRM, касса, веб-аналитика и BI-отчеты показывают, например, что выручка из конкретного канала снижается второй месяц подряд.
Диагностическая находит причину. Сквозная аналитика и разбор воронки по сегментам помогают увидеть источник, который приводит обращения, но не дает сделок.
Предиктивная оценивает дальнейший результат. Скоринговая модель ранжирует заявки по вероятности сделки, чтобы горячие передать менеджерам, а холодные направить в автоворонку.
Прескриптивная рекомендует действие. Ценовые и рекомендательные модели подбирают размер скидки, следующий товар или оптимальный шаг по сделке.
После внедрения решения его результат возвращается в ту же систему метрик. Если изменение подтвердило гипотезу, его масштабируют; если нет — пересматривают или отклоняют.
Скоринг, построенный на базе, где половина карточек без источника обращения, ранжирует заявки хуже, чем опытный руководитель отдела вручную. Поэтому переход к предиктивной и прескриптивной аналитике начинается с уборки в источниках, а не с выбора алгоритма: зрелость данных определяется их доступностью, качеством, интеграцией систем и тем, применяется ли аналитика в решениях на всех уровнях управления (Arenadata, 2025).
Отдельной дисциплины требует диагностическая ступень, потому что совпадение метрик легко принять за причину. Проверка причинности опирается на три условия: причина предшествует следствию по времени, связь устойчива при изменении условий, альтернативные объяснения отброшены. Средний чек и расходы на рекламу могут расти синхронно просто потому, что оба выросли к декабрю.
Разница между двумя вариантами письма или скрипта звонка считается результатом только после проверки статистической значимости. Если доверительные интервалы двух значений сильно пересекаются, варианты работают одинаково, а видимая разница попала в отчет случайно. Продление теста до момента, когда цифра «стала красивой», превращает data driven продажи в подгонку под ожидание. И без заранее названного показателя, который подтвердит или опровергнет гипотезу, и срока, к которому его снимут, отдел продолжает собирать отчеты, но решения принимает по-прежнему на совещании.
Набор источников задает длина сделки, а не размер компании. Рознице и небольшому интернет-магазину хватает кассовых чеков, программы лояльности и веб-аналитики: путь клиента укладывается в один визит, и данных о самом визите достаточно для решения. Застройщику, поставщику оборудования или медицинскому центру этого мало, потому что сделка живет месяцами и проходит через десяток касаний. К базовому набору добавляются записи звонков, история переписок и перечень материалов, которые клиент изучал перед решением.
Минимальный контур, на котором работают data driven продажи, собирается из шести источников:
CRM. Обязательные поля: источник обращения, этап, причина отказа, сумма, дата.
Учетная система. Платежи, возвраты, себестоимость, отсрочки, то есть все, что превращает выручку в маржу.
Рекламные кабинеты и коллтрекинг, привязанные к идентификатору сделки в CRM.
Поведение на сайте и в приложении. Просмотры карточек, корзина, поисковые запросы, брошенные шаги.
Коммуникации. Звонки, чаты, письма, мессенджеры, собранные в одну ленту по клиенту.
Внешний контекст. Цены конкурентов, сезонность, статистика маркетплейсов.
Ценность возникает в момент связывания, и это главная техническая работа этапа. Пока рекламный лид и сделка в CRM живут под разными идентификаторами, компания знает стоимость лида, но не стоимость клиента, и любые расчеты окупаемости канала остаются приблизительными.
Второй барьер тише и потому опаснее: по данным Gartner, 59% организаций вообще не измеряют, во что им обходится плохое качество данных.
Контролировать его помогают четыре простые метрики, которые снимаются из тех же систем: доля сделок без заполненного источника, количество дублей в базе, задержка между событием и его появлением в отчете, расхождение сумм между CRM и учетной системой. Владельцем этих метрик должен быть коммерческий руководитель, а не ИТ-служба: ИТ отвечает за хранение, доступы и регламенты, но заполняет поля и пользуется результатом отдел продаж.
Выбор инструментов подчиняется правилу одной ступени. Если сейчас отчеты собираются вручную по подразделениям, следующий шаг это порядок в CRM и общий дашборд в BI, а не покупка платформы предиктивной аналитики. Если единая витрина уже есть, наступает время ETL и хранилища. Если данные стабильны и связаны, можно строить единый профиль клиента, на котором живут скоринг и рекомендации. Попытка перескочить через ступень заканчивается дорогой системой, в которую загружают те же неполные выгрузки.
Рынок инструментов при этом перестал быть узким: объем рынка больших данных и ИИ в России достиг 433 млрд рублей, а сегмент BI и EPM-систем прибавлял больше 20% в год в 2023 и 2024 годах, в основном за счет замены ушедших зарубежных решений (Б1, Ассоциация больших данных, TAdviser, 2025). Выбор из десятков предложений упирается в три вопроса: подключается ли система к вашим источникам без ручных выгрузок, сможет ли ее администрировать собственная команда, выдержит ли она десятикратный рост базы.
Наша система сама подберет вам исполнителей на услуги, связанные с разработкой сайта или приложения, поисковой оптимизацией, контекстной рекламой, маркетингом, SMM и PR.
Заполнить заявку
13744 тендера
проведено за восемь лет работы нашего сайта.
Стоимость клика в интернет-торговле за год выросла на 19,1%, а стоимость конверсии на 39,8% (E-Promo Group, 2026). Разрыв в двадцать пунктов между этими двумя цифрами и есть главная новость отрасли: трафик подорожал умеренно, а доводить его до оплаченного заказа стало заметно дороже. Объяснение лежит в поведении покупателя, который перед решением обходит несколько площадок, сверяет цену и сроки доставки, читает отзывы, уходит думать и возвращается через день или через неделю. Каждый круг сравнения кто-то оплачивает. В e-commerce это продавец.
Из 13,4 трлн рублей, собранных российской онлайн-торговлей в 2025 году, 62% продаж и 81% заказов прошли через маркетплейсы (Data Insight, 2025).
Альтернативные оценки объема рынка дают около 11,5 трлн рублей, расхождение связано с методиками подсчета. Соотношение каналов при любой методике остается тем же, и следствие для продавца неприятное: основная часть сведений о его покупателях остается у площадки и возвращается в агрегированном виде, поэтому собственная клиентская база становится дефицитным ресурсом, который приходится собирать целенаправленно, через выкуп, вложенные в заказ карточки и собственный сайт как второй канал.
Наблюдение ResosearchПоисковая строка - это единственное место, где покупатель формулирует потребность своими словами, а не выбирает из предложенных категорий. Поэтому запросы с нулевой выдачей читаются как готовый список гипотез: часть указывает на опечатки, транслит и синонимы, которых не знает поиск, часть на позиции, которые ищут регулярно, а в каталоге их нет. Такая аналитика обходится дешевле любого исследования спроса, потому что данные уже собраны вашим же сайтом, и в большинстве магазинов их просто никто не открывает.
Resosearch - российская SaaS-платформа умного поиска для интернет-магазинов, резидент «Сколково» и победитель конкурса «Старт-1» Фонда содействия инновациям.
Покупатель, заказавший последний раз полгода назад, и тот, кто берет что-нибудь ежемесячно, не могут получать одинаковое письмо. Сегментация по давности, частоте и сумме покупок разводит их на разные цепочки, и разница в отклике видна уже на первой рассылке. Рядом с сегментацией работают товарные рекомендации на истории заказов, где связи бывают двух типов. Мгновенная комбинаторика собирается внутри одного чека: что люди берут вместе за один визит. Отложенная тянется во времени, когда следующая покупка случается через две-три недели после первой, и именно она дает самый неочевидный прирост, потому что подсказывает не аксессуар к товару, а следующий товар. Устойчивые сочетания позиций в чеках превращаются в готовые сегменты для ретаргетинга.
Тех, кто добрался до корзины и остановился, возвращает поведенческая аналитика. Она указывает конкретный шаг, на котором человек ушел, и предложение адресуется этому шагу, а не абстрактному факту брошенной корзины.
Отдельная история с медийной рекламой, которую в интернет-торговле долго считали неизмеримой. Postview-аналитика связывает контакт с баннером и сделку, случившуюся позже, и переводит охватные размещения в управляемую стоимость обращения.
Технологически все четыре механики доступны магазину любого размера. Отдача при этом различается в разы, и объясняется разница исполнением, а не набором инструментов.
McKinsey описывает пять признаков компаний, которые получают от персонализации максимум:
карта ценности сегментов, построенная на LTV;
короткий срок от идеи кампании до запуска;
специализированный набор инструментов вместо универсальной платформы;
небольшие кросс-функциональные команды с правом решения;
постоянные вложения в компетенции сотрудников.
Ни один из пяти пунктов не требует бюджета уровня федерального ритейлера, все пять требуют дисциплины.
4,0% ИТ-бюджета уходит в российском e-commerce на рекомендательные системы против 1,7% в среднем по экономике (Яков и Партнеры, 2025). Для отрасли такие модели давно стоят в одном ряду с платежным шлюзом и складским учетом. Магазину, который только подступается к data-driven e-commerce, стоит начать с одной цифры: доля выручки от повторных покупок за последний год покажет, есть ли база, на которой персонализация вообще способна сработать.
Пять стадий аналитической зрелости, которые Davenport и Harris описали еще до появления облачных витрин, до сих пор точно расставляют компании по местам. На первой данных либо нет, либо им не верят, и решение принимается голосом. На второй появляется локальная аналитика: у маркетинга свой отчет, у продаж свой, цифры в них не сходятся, и совещание превращается в сверку выгрузок. Третья стадия это аналитические устремления, когда руководство уже поставило цель считать бизнес честно, но данные все еще лежат по разным системам. На четвертой компания работает на общей витрине с контролируемым качеством, и аналитика встроена в регулярные решения. На пятой она становится источником конкурентного преимущества, потому что предсказание и автоматизация дают то, чего у соседей по рынку просто нет.
Российские компании распределены по этой шкале предсказуемо: 29% участников отраслевого опроса признают, что процессы работы с данными базовые, а качество записей слабое, 28% уже приняли политики управления данными и частично автоматизировали процессы, и только 20% измеряют качество данных метриками (ArenaDAY, 2025).
Из чего следует главное правило маршрута: шаги проходятся по порядку. Компания со второй стадии не покупает предиктивную аналитику, она сначала добивается того, чтобы два отчета об одной выручке совпадали. Ниже семь шагов, каждый со своим условием завершения.
Найти дорогое слепое решение. Отправная точка это не аудит данных, а жалоба руководителя: «не понимаю, почему план не выполняется». Шаг закончен, когда вопрос сформулирован одной фразой и рядом стоит оценка ошибки в рублях. Без цены вопроса проект не получит приоритета.
Описать путь клиента. Воронка выписывается целиком, от первого обращения до повторной покупки. Готово, когда найдены два или три этапа, где теряется больше всего конверсии.
Навести порядок в источниках. Самый скучный и самый результативный шаг. Ориентир: свыше 90% сделок с заполненным источником обращения, дубли в базе устранены, поля обязательны на уровне системы, а не договоренности.
Связать данные в профиль клиента. Обращение, сделка и оплата должны сходиться по одному идентификатору. Критерий простой: отчет собирается без ручных выгрузок и сведения таблиц.
Договориться о метриках и владельцах. У каждой метрики письменное определение, частота измерения и один ответственный. Пока определения расходятся, витрина будет плодить те же споры, что и разрозненные отчеты, только дороже.
Запустить цикл проверки гипотез. Минимум три теста за квартал с расчетом значимости и зафиксированным решением по итогам, включая решения «не масштабируем».
Перейти к предсказанию и автоматизации. Шаг считается пройденным не в момент запуска модели, а когда ее подсказки реально меняют распределение заявок между менеджерами и эффект этого измерен.
Отдельно про деньги. По оценкам McKinsey, на каждый рубль вложений в технологию приходится около трех рублей в управление изменениями: обучение, регламенты, перестройку мотивации, работу с сопротивлением. Соотношение выглядит контринтуитивно ровно до первого внедрения, после которого выясняется, что лицензии куплены, дашборды настроены, а менеджеры продолжают вести сделки в личных таблицах.
Раз в полгода имеет смысл переснимать позицию по четырем осям: доступность данных, качество записей, связность систем и фактическое применение аналитики в решениях на всех уровнях управления. Оси дают честную картину быстрее, чем годовой отчет о цифровой трансформации.
Опросы руководителей продаж последних лет дают один и тот же результат: подавляющее большинство считает, что аналитика повлияла на результат слабее, чем ожидало руководство при запуске проекта. Причины повторяются от компании к компании, и их удобно разложить на три группы.
Первая группа это ошибки старта. Проект нередко начинается с выбора платформы, а бизнес-вопрос формулируется потом, под уже купленную лицензию; в итоге данные собираются исправно и никем не запрашиваются. Рядом стоит ловушка точечных внедрений: коллтрекинг живет отдельно, дашборд отдельно, скоринг отдельно, и каждый инструмент дает локальное улучшение, которое не доходит до выручки. McKinsey описывает выход через сквозные маршруты влияния, когда перестраивается вся цепочка от поиска возможностей до ценообразования, потому что выигрыш на одном шаге усиливает следующий.
Вторая группа связана с методом. Корреляция принимается за причину: рассылка ушла, чек вырос, вывод сделан, а вырос он из-за декабря. Тест продлевается до момента, когда цифра станет убедительной, и превращается из проверки гипотезы в поиск подтверждения; статистическая значимость при этом либо не считается, либо считается после того, как результат понравился (Mindbox, 2025). Метрика превращается в цель: за заполнение полей в CRM вводят премию, поля заполняются на сто процентов, и достоверность данных падает ниже прежней, потому что менеджеру важен факт заполнения, а не точность.
Третья группа про людей и организацию. Система внедрена, регламенты и мотивация остались прежними, руководитель отдела продолжает вести собственную таблицу параллельно витрине.
Сюда же относится рассогласование данных между маркетингом, продажами и финансами, самый дорогой из перечисленных дефектов. Проверяется он за один разговор: спросите трех руководителей, сколько сделок пришло из конкретного канала в прошлом месяце. Расхождение больше десяти процентов означает, что продажи, управляемые данными, в компании пока не работают, какими бы ни были бюджеты на аналитику, потому что каждая функция оптимизирует свою версию реальности.
Стоит держать в голове и границу применимости. В редких, нестандартных ситуациях решение принимает человек с опытом: при утечке данных, репутационном инциденте, выходе на незнакомый рынок статистики прошлых периодов попросту нет. Данные хорошо работают на повторяющихся задачах, и требование «обосновать цифрами» там, где выборка состоит из одного случая, приводит к параличу решений.
Только 45% руководителей продаж и менеджеров уверены в точности собственных прогнозов (Gartner, 2021).
Цифра объясняет, почему разговор об эффекте внедрения так часто заходит в тупик: выручка и маржа реагируют с задержкой в квартал, к моменту их появления в отчете причины уже забыты, а промежуточных ориентиров нет. Поэтому измерение раскладывается на три слоя, у каждого своя частота съема и свой адресат.
Нижний слой отвечает на вопрос, пользуется ли команда данными вообще. Здесь считают долю сделок с заполненным источником, число открытий дашборда за неделю, количество принятых подсказок системы. Снимает эти показатели руководитель отдела продаж, снимает каждую неделю, и именно этот слой чаще всего выбрасывают из проекта как несерьезный. Между тем он единственный показывает провал внедрения в первый месяц, а не в конце квартала: если менеджеры не заходят в витрину, никакие модели дальше не сработают, и обсуждать прирост выручки бессмысленно.
Средний слой это опережающие индикаторы: скорость прохождения этапов воронки, конверсия сделок после скоринга, доля повторных обращений. Их смотрит коммерческий директор раз в месяц, и они позволяют проверить механику до того, как она дойдет до отчета о прибыли. Одно условие обязательно. Сравнивать нужно сопоставимые группы, то есть сделки, прошедшие через скоринг, против сделок обычного потока за тот же период, иначе прирост окажется сезонным.
Верхний слой знаком всем: выручка на менеджера, маржинальность, стоимость привлечения клиента, доля выигранных сделок. Квартал, совет директоров или собственник.
Собственную динамику полезно сверять с рынком. Mindbox публикует медианные и максимальные доли выручки от email, SMS и мобильных пушей по 23 индустриям, и такое сравнение сразу показывает масштаб незанятого резерва: компания, сидящая ниже медианы своей отрасли, теряет не абстрактную возможность, а конкретные проценты выручки, которые ее конкуренты уже собирают теми же инструментами.
Есть и метрика, которую стоит вести отдельно от всех трех слоев, потому что она отвечает на вопрос собственника напрямую. Это точность прогноза: расхождение плана и факта по месяцам, выписанное в один ряд за год или дольше. Если после перехода на общие данные коридор расхождения сузился, скажем, с 25 до 8%, эффект доказан без дополнительных расчетов. Если не сузился, то дашборды в компании появились, а управляемости нет.
Точечные решения перестают быть точкой роста, и следующие два-три года крупные компании тратят на перестройку коммерческих цепочек целиком: поиск возможностей, покрытие клиентской базы, развитие существующих аккаунтов, ценообразование, подготовка продавцов. Логика в накоплении: лучше отобранная возможность повышает отдачу от покрытия, качественное покрытие улучшает работу с аккаунтом, и выигрыш каждого шага достается следующему (McKinsey, 2026). Собранные в маршрут, эти шаги дают эффект, недостижимый для отдельного дашборда или отдельной скоринговой модели.
Вторая линия это автономные системы, которые выполняют задачу без человека на каждом шаге. В России 46% компаний внедрили или тестируют ИИ-агентов, а генеративный ИИ хотя бы в одной функции применяют 71%, что на 17 процентных пунктов больше прошлогоднего (Яков и Партнеры, 2025). В продажах агенты уже собирают справку о клиенте перед звонком, готовят черновик коммерческого предложения, заполняют CRM по итогам разговора и напоминают о зависших сделках. Переговоры, работа с возражениями и сложное согласование остаются за менеджером.
Дистанция между экспериментом и работающим процессом при этом велика. Меньше 10% организаций масштабировали ИИ хотя бы в одной функции, хотя пробуют почти все, и разрыв держится не первый год (McKinsey, 2026).
Планы говорят о другом темпе: от 65 до 85% руководителей, отвечающих за B2B-ценообразование, собираются внедрить генеративный или агентный ИИ в течение одного-трех лет. Сойдутся ли планы с реальностью, зависит от того же, с чего начинается вся статья. Автоматизация на разрозненных данных не устраняет проблему, а тиражирует ее: агент, обученный на базе с половиной незаполненных полей, будет ошибаться быстрее и в большем количестве сделок, чем менеджер. Окупаемость появляется там, где профиль клиента собран в одном месте, а качество записей кто-то измеряет метриками.
Рынок инструментов к этому готовится заранее. Сегмент данных и ИИ растет в России на 15 до 17% в год с прогнозом до 2028 года и остается самой быстрорастущей частью ИТ-рынка, причем внутри него быстрее всего прибавляют ИИ-платформы (Б1, Ассоциация больших данных, TAdviser, 2025). Доступность технологий перестает быть ограничением.
Ограничением становится скорость прохождения одного цикла: от коммерческого вопроса до проверенного ответа, на который меняется решение. Компании, которым на это нужна неделя, будут выигрывать у тех, кому нужен квартал, при равных бюджетах на платформы. Если сокращать это время в вашей компании пока не с чего начать, возьмите последнее решение, принятое на совещании без цифр, и посчитайте, каких данных не хватило для ответа. Список из трех позиций обычно и оказывается планом на первый квартал.
