Як я пробував зібрати AI sales loop для малого бізнесу

💡 Усі статті, обговорення, новини про AI — в одному місці. Приєднуйтесь до AI спільноти!

Програмісти страх не люблять рутинної роботи. Аж на стільки що готові днями працювати аби її автоматизувати :)

Це кейс почався з того, що є холодні клієнти, котрі колись щось хотіли і писали, проте це було давно. І підігрівати давніх клієнтів — це марудна справа у продажах. Отже ідея була у тому, щоб реалізувати маркетингову кампанію, розворушити трохи холодних клієнтів і подивитись, що з того вийде.

Результати насправді мене вразили. За кілька днів автоматично вдалось догріти до перших продажів. Я нічого не робив, лише автоматизував 3 дні :)

У статті також другий кейс для більшого бізнесу, де знадобився той же підхід, проте там робота лише почалась. І бонусом — репозиторій, щоб повторити та продовжити ці експерименти із АІ чатом для автоматичних продажів.

Спершу була інвентаризація хаосу

Отже все почалось із того, що я пишу codex CLI: «твоє завдання для початку: автоматизуючи хром — дістати всі мої чати із покупцями із сайту Olx.ua», і далі «Наша глобальна ціль буде — здійснювати їх допродажі із поточними клієнтами. Для початку ти збираєш всю історію чатів для того, щоб глянути, як вдавалось робити ці допродажі із тими кількома клієнтами. Знайди ці чати. Ось приклад такого чату, де є допродажі: ...»

Звісно, може, я очікував, що все піде з одного промпту :)

Інфографіка 1. Зріз даних перед автоматизацією.

Далі ми крутили ці чати зліва направо і справа наліво

Словом, ми зібрали всі дані. Далі перекладали їх зліва направо і справа наліво, щоб зрозуміти, з якого боку до них підійти. Знаєте — CLI агент — саме той, хто вам потрібен, щоб крутити такі об’єми даних «у руках», звісно, якщо ви йому достатньо довіряєте.

Ліричний відступ: моя довіра грунтується на тому, що я певен не так у ньому, як у нас. Я знаю, чого від нього очікувати, бо знаю, що йому сказати і як, щоб він мене зрозумів сам так, як мені потрібно. З іншої сторони, мабуть, відчуваю його ліміти і не ставлю захмарних задач, відповідно, не маю захмарних очікувань. Дивись попередні статті, чому так.

Отже, ми разом за годину, мабуть, вирішили, що слід повести А/В тестування двох гіпотез для холодної розсилки найдавнішим та найменш перспективним клієнтам. Формулювали ці гіпотези із ним «слово за словом» — разом. Далі надіслали 5+5 повідомлень у двох групах. Він підібрав по можливості дві репрезентативні вибірки.

Уявіть собі моє здивування, коли за дві години на одну із гіпотез було 4 відповіді. А на іншу 0 :) А за добу — ми додали ще гіпотез і загалом отримали близько 80% відповідей на ці ретельно підготовані питання.

Gate1 — був просто отримати відповідь від клієнта — почати діалог. Вона була чудово досягнута.

Хто любить ASCII графіки інлайн? ;)

Інфографіка 2. AI прискорює цикл навчання, відповідальність лишається у людини.

Gate1 був просто відкрити двері

Ми з агентом спробували маленький A/B-тест для старих холодних чатів. Брали не найгарячіші контакти. Якщо гіпотеза слабка, шкода менша. Якщо є сигнал, можна копати далі.

Формулювали гіпотези слово за словом. Це було схоже на парне програмування, тільки замість коду були фрази для старих клієнтів. Після цього відправили дві невеликі групи повідомлень і дивились на відповіді.

Здивувало, що різниця між гіпотезами проявилася дуже швидко. На одну гіпотезу відповіді були, на іншу — майже тиша. На малих числах це не доказ. Але це вже сигнал: стара база може бути живою, якщо питати людину з урахуванням її стану.

Тут легко збрехати самому собі. Я не можу чесно сказати, що AI збільшив продажі. Це маленький тест і маленька вибірка. Він показав інше: однаковий текст усім — майже нічого не пояснює. Сегмент і gate дають більше сенсу.

Gate1 вийшов дуже простим: отримати відповідь і почати діалог. Щоб зрозуміти, чи потреба ще жива.

Інфографіка 3. Gate1-Gate4: різні етапи, різні метрики, різний ризик автоматизації.

Перші відповіді і далі до продажу

У маркетингу легко поїхати у самонавіювання. Маленька вибірка не витримує серйозної статистики. Вона тільки каже: копай тут, можливо, є жила.

Перший тест має навчити нас краще ставити другий тест. Якщо після першого тесту ми не знаємо, який сегмент відповідає, чому відповідає, і на якому gate зупиняється, то ми просто спалили контакти.

Це трохи схоже на трейдинг. Один прибутковий трейд нічого не доводить. Потрібна система, журнал, ризик-менеджмент і розуміння, де просто пощастило. У продажах схоже, тільки ринок тут — живі люди.

Суперагент може помилятися?

Хай тепер агент відповідає сам! І тут вилізли реальні ризики.

Модель може пообіцяти наявність товару, яку треба перевірити. Може криво пояснити оплату чи доставку. Може занадто впевнено відповісти на чутливе технічне питання, запропонувати умову, яку бізнес у цей момент взагалі не планував або написати після того, як людина вже отримала ручну відповідь.

Останнє в нас реально сталося під час тестів — корисна помилка. Після цього додали просте правило: перед відправкою ще раз стягнути свіжий контекст чату. Якщо там уже є нове повідомлення або ручна відповідь, AI зупиняється.

Отож повний автопілот у ролі AI-продавця мені поки не підходить. AI допомагає бачити статус, писати чернетку, класифікувати ризик і вчитися на результаті. Ключі від каси він поки не отримає :)

Інфографіка 4. Межа автоматизації

Портрет ідеального клієнта

Згадав одну стару історію.

У «Повісті про Ходжу Насреддіна» є епізод, де він ще малим пробує зрозуміти, як вплинути на цілий натовп бухарців. Він робить сильний хід: стискає натовп в один збірний образ, у свого умовного «Великого бухарця». Далі вже легше думати. Треба зрозуміти, чого цей Великий Бухарець боїться, чого хоче, чим пишається, і як із ним порозумітися.

І виявилось, — щоб спілкуватись із AI, корисно мати запас метафор. Можливо, варто знову почати читати книжки? Щоб мати, чим пояснювати складні речі машинам.

Sky is a limit

Якщо цього не логувати. Ось ми пішли далі і одним промптом додали можливість через телеграм бот генерувати актуальні фоловапи і виконувати їх надсилання. Також планувати фоловапи у календар, по клієнтських часових обіцянках. Словом, результат обмежений лише твоєю фантазією. Наскільки вона у тебе розвинута? ;)

Другий кейс: додаток інтернет-магазину і зовсім інша воронка

Потім ця логіка несподівано добре лягла на інший кейс — мобільний додаток для інтернет-магазину. Там є продуктова воронка.

У робочій оцінці було приблизно 3000 лідів або користувачів, приблизно 2000 встановлень чи реєстрацій і близько 20 оплат. Тобто близько 1% install-to-paid. Завдання: зрозуміти, де людина зупинилась у продукті.

Можливо, частина людей встановила додаток і забула. Частина відкрила, але нічого не створила. Частина створила магазин без товарів. Частина додала товари без налаштованої оплати. Для інших різниця між окремим додатком інтернет-магазину, соцмережами і маркетплейсом лишилась туманною. Декотрі не зрозуміли, навіщо платити зараз.

Знову головне — не текст сам по собі. Головне — стан людини. Комусь треба коротке питання: «це ще актуально?», довести магазин до першого робочого стану, а комусь треба next step на 20 хвилин, і комусь знижка нічого не дасть, бо він не зрозумів цінність. А іншому знижка доречна після того, як зрозумілий барʼєр.

Інфографіка 6. Funnel додатка інтернет-магазину: база -> інстали/реєстрації -> оплати; approximate working estimate.

Текст повідомлення

Так само як з OLX: маленькі партії, сегменти, одна гіпотеза, фіксоване вікно спостереження, ручний перегляд відповідей.

Інфографіка 7. OLX і додаток інтернет-магазину: різні канали, одна логіка loop/gates.

Що далі

Можливо, я занадто обережний. Можливо, хтось би вже давно пустив бота в чат і рахував конверсію. Але у цьому кейсі товар технічний, довіра крихка, а одна автоматична відповідь може зіпсувати більше, ніж зекономить автоматизація.

AI у продажах корисний спочатку як спосіб навчити бізнес краще бачити власні продажі. Уже після цього можна дуже обережно давати йому частину дій. А ти як гадаєш?

Ага, і ось репозиторій