Как кратно повысить конверсию из лидов в покупателей: реальные кейсы с нейросетями в маркетинге и продажах

В этой статье мы не будем в очередной раз говорить про генеративный AI, создание картинок и текстов. Вместо этого расскажем, как на самом деле бизнес использует нейросети, чтобы изучить аудиторию, получить качественные лиды и сделать продажи.

Привет! Меня зовут Саша Аксёнов, я — директор питерской студии разработки Unistory, которая входит в топ-10 рейтинга агентств по созданию софта под ключ, разрабатывает SaaS решения с интеграциями web3 и AI для 20+ стран.

Я люблю крутые кейсы о том, как нейросети делают бизнес лучше, и

меня жутко раздражают бестолковые статьи о том, как ChatGPT и MidJourney помогают постить постики в соцсетях.

Поэтому сегодня я написал статью о реальных кейсах, в которых AI помог маркетологам работать с аудиторией, общаться с комьюнити и продавать на большие чеки.

Это кейс компании, которая занимается интеграцией Битрикс24. За 10+ лет у ребят накопилась база 100k контактов. С кем-то коммуникация велась по емейлу, с кем-то по телефону.

Каждому владельцу бизнеса понятно: надо постоянно работать с этой базой, надо делать допродажи. Но стоит сейлзам взяться за контакты клиентов, получается, как говорит наш BDM, жижа.

Когда начинаешь работать с лидами из базы, оказывается, что с некоторыми коммуникация закончилась на негативной или даже конфликтной ноте. Значительный процент лидов — неплатежеспособные. Время от времени будут появляться отличные лиды, будут допродажи. Но сколько времени потратят продажники, чтобы отсеять нерелевантные контакты?

Компания нашла способ поднять эффективность: проанализировала всю историю общения со всеми лидами через нейросети. Причем пользовались только отечественными цифровыми продуктами.

Записи звонков транскрибировали через Yandex SpeechKit. Потом добавили тексты переписок и скормили все Yandex GPT. Были написаны промпты, чтобы выбрать заказчиков, обороты которых составляют больше миллиарда.

Учли и другие параметры. Yandex GPT квалифицировал лиды на предмет технологий и интеграций, о которых велось общение. Допустим, если есть необходимость продать часы фронтенд разработчиков, можно искать в общении слова React, JavaScript, верстка.

Также нейросеть проверяла, насколько лояльный был клиент, или, наоборот, «сложный». Это получилось определить благодаря поиску слов, говорящих об уровне удовлетворенности, к примеру «мне нравится» или «я не согласен».

После этого Yandex GPT автоматически формировал аудитории в Unisender с максимально релевантными контактами. Заполняй шаблон и делай рассылку! Или поднимай трубку телефона и звони.

Какой итог: Ребята отфильтровали свою базу и нашли самые лакомые контакты, которым РЕАЛЬНО можно что-то допродать. После чистки в базе остались представители крупных корпораций, лояльно настроенные к компании.

Авторы кейса утверждают, что с каждой рассылки после этого стали получать по 20-30 заполненных форм, а новые сейлзы сразу после онбординга начали продавать на 500k рублей в месяц. Вот что бывает, когда находишь те самые 20% эффективности.

Представьте, вы маркетолог и продаете корма для животных. Ваш бренд запускает новую линейку кормов для собак с проблемами пищеварения. Вы знаете, что переход питомца на новый корм — больной вопрос для владельца, вашего покупателя. Тем более, если у животного есть проблемы со здоровьем.

В период перехода питомца на новый продукт пользователя нужно буквально держать за руку, всячески его поддерживать. Оказывать быструю помощь и давать мгновенные рекомендации, если у него будут сомнения в хорошем самочувствии собаки.

А как это сделать, если у вас огромная компания и сотни тысяч покупателей? Десяток инхаус-маркетологов не смогут обеспечивать чуткую поддержку пользователей 24/7. Вам придется выстраивать отдел заботы о клиентах, тратить огромные бюджеты на зарплаты и онбординг сотрудников. Или же справиться с помощью нейросетей.

Компания Purina в 2021 году решила вопрос, интегрировав в ВКонтакте два продукта от OpenAI: Chat GPT 3 и DALL-E.

Пользователь переходил в диалог с ботом, бот просил скинуть фото своего домашнего животного. После этого компьютерное зрение определяло, что это за животное, какая у него порода, размер, возраст — и предлагала подходящие варианты корма.

Бот продолжал заботиться о клиенте после этого разговора. Примерно раз в три дня спрашивал, как самочувствие любимца, и как проходит замена корма.

Опросы шли в течение 2-3 недель. Если пользователь проходил все этапы опроса и не забывал про диалог — в конце этого периода бота присылал промокод на корм.

Компания Felix также внедряла бота в ВКонтакте. Цель внедрения — помощь пользователю с участием в обычных акциях типа «Собери 10 чеков, получи приз». В качестве приза также выступали промокоды.

Схема была следующая. Человек фотографирует чеки и отправляет в диалог с ботом. Компьютерное зрение проверяет, чтобы на этих чеках были нужные позиции в нужном количестве. Возможность скинуть разные фотографии одного чека и получить приз — исключается.

Если пользователь купил нужное количество продукции бренда и доказал это чеками, бот скидывал промокоды.

Также бот был подключен к базе знаний со всеми правилами акции и мог дать ответ на любой вопрос по ним. Маркетологи знают, какими запутанными и длинными бывают эти правила — те самые, которые обычно пишут шрифтом, мелким вплоть до полной нечитаемости.

Итог — общение с чат-ботом может превратить человека, который случайно купил товар, в лояльного покупателя. С заоблачным lifetime value.

Как узнать, где сейчас тот самый пользователь, который хочет купить автомобиль, кроссовки или бытовую технику?

Так вот же он, сейчас смотрит на TV фильм, где показывают машину его мечты! Самое время показать ему еще и рекламный ролик, чтобы довести до покупки. Но маркетолог не знает, что именно в этом фильме показывают именно эту машину, и не сможет «добить» потенциального покупателя.

Но что будет, если мы захотим сделать эту настройку глубже? Отслеживать, какие именно товары и бренды видит пользователь, и в течение получаса после этого показывать ему соответствующую рекламу.

Не ориентируясь на очевидные «смотрит автоспорт — рекламируем авто», нет: мы хотим анализировать каждый кадр эфира, каждое слово ведущего.

И сделать это так, чтобы нам самим при этом не пришлось смотреть телевизор 24/7!

В одном из своих проектов мы решили эту проблему. Конечно же, благодаря искусственному интеллекту. На этот раз использовали целых четыре нейросети, а если точнее, даже пять.

Чтобы анализировать картинку и звук с TV, подобрали и обучили такой набор нейросетей:

Возможно, сейчас вам кажется, что это какой-то винегрет из нейросетей. Но посмотрите, какую информацию эта система передает пользователю:

Как все это работает в итоге?

Такая схема дает большие бизнес-возможности. Например, сервисы с нашим API можно будет продавать по подписке. В этой картине мира каждый маркетолог сможет показывать людям таргетированную рекламу на основе тех передач, которые они посмотрели полчаса назад.

У вас интернет-магазин по продаже деталей, болтов, шурупов, гвоздей и гаек. Большинство ваших клиентов оптовики, но от розницы вы тоже не хотите отказываться.

Есть огромная проблема: розничный покупатель вообще не знает, что именно ему нужно купить. Он потерял один саморез из четырех и хочет купить замену, точно такую же. Естественно, на саморезе не написано, какой он модели, какого производителя и размера.

В интернет-магазине проблема попросту говоря не решается. В каталоге тысячи, десятки тысяч разных позиций. В фильтрах десятки настроек, и найти по ним нужный товар сможет только специалист. Конечно, можно сделать чат поддержки через живосайт, где покупателю будет помогать оператор.

Но, во-первых, живой оператор тоже будет путаться и делать ошибки, а значит, покупатель будет недоволен, когда ему придет заказ. Во-вторых, операторам надо будет платить. В-третьих, поддержка должна работать круглосуточно, ведь пользователь может захотеть купить шуруп даже ночью. А значит, затраты на оплату труда операторов будут еще больше.

ML-инженеры смогли решить эту проблему, научили нейросеть искать нужный шуруп по фотографии. Добились такой картины: человек фотографирует деталь и отправляет ее в приложение интернет-магазина. Искусственный интеллект находит нужную позицию, которая полностью соответствует по всем параметрам, и выдает ссылку пользователю.

Дата сайентисты получили от заказчика материалы для обучения нейросети, но все фото были на белом фоне. На таком материале нельзя было обучать модель, ведь в условиях боевого проекта пользователь будет делать снимки на самых разных фонах: пальцы, стол, пол, стена. Свет будет падать по-разному.

Поэтому разработчики достали у заказчика по одной физической копии каждого товара. Сделали с каждым шурупом и болтом несколько фотографий с разными ракурсами, разным освещением, разным фоном.

В результате поиск по фотографии заработал, и теперь покупателю необязательно сидеть и тонуть в фильтрах. Вместо этого он просто делает снимок, отправляет в систему, и остается только нажать «Заказать».

Какой итог: ML-инженеры взяли тысячи покупателей, которые абсолютно не понимали, что им нужно купить, и превратили их в довольных заказчиков.

На своем сайте в разделе с кейсами я часто публикую статьи о том, как корпорации используют нейросети. Здесь самые разные сферы бизнеса — медицина, маркетинг, образование и даже духовные движения. Заходите, чтобы посмотреть, какие проекты уже выполнила команда, которую я собрал.