Автономный CRM-маркетинг: когда офферы клиентам генерирует не маркетолог, а нейросеть

Как работает классический CRM-маркетинг с ручной сегментацией: маркетолог делит базу на группы и пишет для каждой свою цепочку писем. Пока продукт простой, а поведение клиентов предсказуемо, схема работает. Когда ассортимент и сценарии усложняются, сегментов становится слишком много, и часть клиентов получают предложения, которые им не подходят. Увы, вручную выстроить и поддерживать сотни персональных сценариев невозможно. В агентстве Kinetica передали управление CRM-коммуникациями нейросети: она анализирует поведение каждого пользователя и сама решает, что и когда ему отправить. Об этом опыте порталу Biz360.ru рассказал продакшн-директор агентства Kinetica Артём Первухин. Думаем, что эта статья будет интересна не только маркетологам, но и предпринимателям, которые хотят глубже понимать digital-маркетинг.

Универсальная рассылка по всей базе почти всегда не работает. Бесплатная доставка бесполезна тем, кто забирает заказ самовывозом. Акция на один продукт не нужна тем, кто его не покупает. 

Сложность растёт вместе с ассортиментом. Пока компания продаёт монопродукт с понятным циклом потребления, ручные сегменты ещё справляются. Возьмём магазин строительных материалов и двух покупателей: один заливает фундамент и берёт цемент и арматуру, второй на этапе отделки и выбирает краску. Стандартная система, увидев, что первый клиент три недели ничего не покупает, решит, что он уходит, и отправит ему скидку. На деле человек ждёт, пока высохнет основание, и вернётся за следующей категорией товара в свой срок. 

Для того, чтобы делать уместные предложения, маркетологу пришлось бы держать в голове тысячи микросценариев: через сколько дней после покупки одного товара понадобится второй, а затем третий. Прописать это вручную для каждого клиента невозможно. Рутину логично передать алгоритмам, тем более новые модели подешевели: анализ поведения одного пользователя обходится дешевле, чем расширение штата под ту же задачу. 

Система работает автономно на собственных серверах и интегрируется по API с CRM-платформой (Mindbox, Bitrix, DashaMail или кастомной CDP), без участия человека в моменте. Устройство держится на трёх элементах: 

• Контекст и жёсткие рамки. Модели задают вводные о бизнесе, как при онбординге сотрудника: что продаём, режим работы, доступные каналы. Одновременно прописывают технические ограничения, например, лимит символов для SMS и правила вёрстки для email. 
  
  

• Доступ к каталогу через Function Calling. Загружать весь ассортимент в каждый запрос нельзя: дорого по токенам. Модель получает доступ к поиску по складу и запрашивает карточку нужного товара по ID, чтобы подставить в письмо актуальную цену и изображение. 
  
  

• Цикл одного решения. Система берёт профиль конкретного пользователя (историю покупок, открытые письма, баланс бонусов) и решает: отправить предложение сейчас или промолчать. Если отправляет, генерирует персональный текст, подбирает товар и сама назначает дату следующего касания, к которой вернётся, чтобы оценить результат и спланировать следующий шаг. 

Каждое сообщение – результат отдельного решения по конкретному человеку в конкретный момент. 

В первые недели эксперимента результаты выглядели хорошо. Мы разрешили системе предлагать бонусы и промокоды, и конверсия в покупку выросла: пользователи активно реагировали на персональные предложения. Затем когортный анализ показал, что средний чек снижается. 

Причина в постановке задачи. Модель оптимизировала заданную метрику, конверсию, и пошла по кратчайшему пути: начала раздавать скидки почти всем. Конверсия росла, но ARPU снижался, а с ним и рентабельность. 

Урок автономного маркетинга: алгоритм максимизирует ровно ту метрику, которую назначили целевой. Если цель сформулирована узко, он выполнит её в ущерб экономике. 

Механика при этом оказалась рабочей, поэтому вопрос сводился к переопределению цели. 

Стоит развеять частый миф. В публичных пересказах такие истории подают в ключе: «как мы напугали нейросеть отключением, и она испугалась». Это некорректно: языковая модель ничего не осознаёт. Поведение системы задается тем, что заложено в контекст и в целевую функцию. Мы изменили их. 

Сначала разделили базу на две группы: одна под управлением ИИ, вторая на классических ручных рассылках как контрольная. Затем переписали цель в системном промпте. Вместо «повышай конверсию» – «обойди контрольную группу по выручке и марже, не допуская снижения среднего чека» – и стали динамически подставлять в контекст реальные метрики обеих групп. Модель начала опираться в решениях на эти показатели. 

Выравнивание экономики за несколько дней мы связываем со сменой целевой функции – после этого метрики пошли в рост. 

Так выглядел ультиматум: 

Что изменилось в поведении системы: 

• Она перестала выдавать подарки при первой возможности и без условий.

• Она начала поднимать порог входа индивидуально: не «бонус за заказ от 1000 рублей», а «скидка при заказе от 2500 рублей» для конкретного пользователя.

• Она стала смешивать дешёвые офферы с высокомаржинальными позициями, опираясь на переданную ей формулу расчёта себестоимости. 

Инкрементальный ROMI в этом эксперименте вышел на 500-600% с учётом стоимости токенов, отправки сообщений и себестоимости всех выданных бонусов. Это показатель одного проекта, переносить его как гарантию на другие нельзя. Он подтверждает главное: результат определяется постановкой цели, а сам инструмент вторичен. 

За пределами экономики у автономной системы есть преимущество, которое маркетолог обычно не использует из-за собственных стереотипов. Человек мыслит рамками своего распорядка и общих правил, алгоритм – только данными. Примеры, где это даёт результат: 

• Нестандартное время. Гайды запрещают отправлять сообщения ночью. Если пользователь регулярно оформляет заказы в два часа ночи, система напишет ему в это время и попадёт в его ритм.
  
  Так выглядит пуш, который система сама поставила на 21:30 под ночной паттерн заказов: 
  
  
   

• Смена тактики после отказа. Обычная CRM через несколько дней напомнит проигнорировавшему предложение клиенту о том же товаре. Алгоритм трактует отказ как сигнал: меняет и сам товар, и тональность следующего сообщения. 
  
  

• Контекстные триггеры. Систему можно связать с внешними данными, например с архивами погоды, чтобы она откладывала коммуникацию до момента, когда предложение станет уместным для конкретного человека. 

Каждый из этих сценариев вручную либо не масштабируется, либо противоречит общим правилам, которые для отдельного клиента оказываются ложными. 

Без ограничений алгоритм ошибётся, получив доступ к базе и бюджету. Модель выполняет задачу буквально: если поручить ей поднять конверсию, в какой-то момент она может выдать скидку 90% на весь ассортимент. Инструкций в промпте для этого мало. 

Ограничения должны стоять на уровне кода, который модель не обойдёт. Мы используем четыре предохранителя: 

• Финансовый. Даже если система предлагает аномальную скидку, сервер бракует запрос: жёстко задан либо максимальный процент, либо минимальная маржа с корзины после бонуса.
  
  

• Против зацикливания. Модель сама назначает даты касаний, но над ней стоит лимит частоты: не больше заданного числа сообщений за период. Если она просит отправить раньше, скрипт сдвигает срок.
  
  

• Против выдуманных товаров. Нейросети склонны придумывать несуществующие позиции. Поэтому модель обязана указать ID товара из каталога, а сервер сверяет его с реальным фидом; нет совпадения – рассылка блокируется.
  
  

• Против перерасхода на SMS. Слишком длинный текст оператор разобьёт на несколько сообщений и удвоит-утроит стоимость. Длина для SMS-канала контролируется на уровне сервера, при превышении модель получает ошибку и переписывает текст. 

Только сочетание гибкости модели с жёсткими рамками кода делает такой инструмент одновременно прибыльным и безопасным. 

Отсюда закономерный вопрос: что остаётся человеку? Роль не исчезает, а смещается. Специалист перестаёт собирать письма в конструкторе и рисовать бесконечные схемы триггеров. Вместо этого он проектирует целевые функции и ограничения, тестирует модели, ищет новые источники данных и следит за экономикой – то есть управляет системой, а не выполняет её работу руками. 

Главный стратегический риск – зависимость от внешних моделей: возможная монополизация рынка и рост цен на API. Пока генерация одного персонального сообщения стоит порядка полутора-двух рублей, экономика сходится с запасом. Но закладывать эту зависимость в архитектуру стоит осознанно. 

Автономный CRM – это система, качество которой определяется тремя вещами: 

• корректно поставленной целевой функцией;

• доступом к актуальным данным о каталоге и поведении;

• жёсткими техническими ограничениями. 

Ошибка в любой из трёх точек уводит экономику проекта в минус. При соблюдении всех трёх условий инструмент делает персонализацию рентабельной там, где ручная сегментация уже не справляется.

Чтобы не пропустить интересную для вас статью о малом бизнесе, подпишитесь на наш Telegram-канал и страницу в «ВКонтакте».
biz360