ИИ для поиска потенциальных клиентов: практическое руководство для B2B

Поиск клиентов с помощью искусственного интеллекта перестал быть экспериментом, но до сих пор остаётся одной из самых неправильно внедряемых вещей в продажах. Чаще всего компания покупает подписку на языковую модель, просит её найти клиентов, получает список из пятнадцати компаний с выдуманными телефонами и делает вывод, что технология не работает. Проблема почти никогда не в модели. Проблема в том, что ИИ встроили в середину процесса, у которого нет ни входа в виде нормальных данных, ни выхода в виде понятной квалификации.

Что ИИ меняет в поиске клиентов и чего он не делает

Поиск потенциальных клиентов в B2B состоит из шести операций, и они довольно механические. Нужно определить, кто вообще похож на вашего покупателя. Нужно найти такие компании. Нужно понять, есть ли у них прямо сейчас причина что-то покупать. Нужно выйти на человека, который принимает решение. Нужно до него дотянуться. Нужно отличить интерес от вежливого отказа. Искусственный интеллект ускоряет каждую из этих операций, но ни одну из них не выполняет за вас полностью.

Сильная сторона моделей в работе с неструктурированным текстом. Там, где раньше менеджер читал сайт компании, годовой отчёт, вакансии и профиль в соцсетях, чтобы понять, стоит ли писать, теперь это делает модель за несколько секунд на тысячу компаний. Это не магия и не замена человека. Это снятие рутинного чтения, которое съедало до семидесяти процентов времени на подготовку к касанию.

Где прирост реальный

• Разметка и обогащение базы. Модель читает описание компании и присваивает ей отрасль, размер, тип бизнеса, стек технологий, модель продаж. Вручную такая работа стоит минуту на компанию, у модели это доли секунды.
• Чтение сигналов. Вакансии, новости, закупки, изменения в реквизитах дают понять, что у компании появилась задача. Человек физически не отслеживает это по трёхтысячной базе.
• Персонализация обращений. Модель формулирует первое касание под конкретный контекст компании, а не подставляет название в шаблон.
• Разбор входящих ответов. Классификация ответа по степени готовности, вытаскивание возражений, определение, нужен ли человек в переписке.
• Аналитика кампаний. Группировка причин отказа по смыслу, а не по формальному признаку.

Чего ИИ не делает

Модель не знает, кто ваш клиент. Она знает, как обычно выглядят ответы на такой вопрос, и выдаст вам среднестатистическую гипотезу, похожую на правду. Если вы попросите её придумать целевую аудиторию, получите описание, которое подойдёт любой компании вашей отрасли и поэтому не подойдёт вам.

Модель не является источником данных. У языковых моделей нет актуального реестра юридических лиц, нет верных телефонов и нет проверенных адресов электронной почты. Когда вы просите выдать список компаний с контактами, вы получаете правдоподобную генерацию. Половина адресов будет нерабочей, часть компаний окажется закрытой, а некоторых не существовало никогда. Это не ошибка настройки, а свойство технологии.

Языковая модель — это не база данных и не поисковик. Это механизм обработки текста. Данные вы приносите сами, модель помогает их понять.

Из этого следует практический вывод, который экономит месяцы. Архитектура работающего процесса всегда двухслойная. Снизу находится источник фактических данных, то есть реестры, государственные системы, сервисы проверки контрагентов, профессиональные платформы, ваша собственная CRM. Сверху работает модель, которая эти данные читает, сопоставляет, размечает и превращает в решение о касании. Попытка схлопнуть два слоя в один и спросить всё у модели заканчивается работой по выдуманной базе.

Профиль клиента и сигналы потребности

Точность всего дальнейшего процесса определяется на этом шаге, и именно его обычно пропускают. Профиль идеального клиента в большинстве компаний существует в виде фразы про средний и крупный бизнес в производстве и торговле. Для человека это ещё как-то работает, потому что менеджер достраивает смысл опытом. Для модели такое описание бесполезно, она не умеет достраивать то, чего вы не сказали.

Как описать профиль клиента, чтобы ИИ искал точно

Профиль нужно собирать не из представлений о том, кого вы хотели бы видеть клиентом, а из фактов о тех, кто уже купил. Выгрузите из CRM закрытые сделки за последние год-полтора, отделите успешные от проигранных и посмотрите, чем они отличаются объективно. Дальше опишите наблюдения в виде проверяемых признаков.

1. Формальные параметры. Отрасль по основному виду деятельности, выручка, численность сотрудников, география, количество юридических лиц в группе, возраст компании.
2. Структурные признаки. Наличие собственного отдела продаж, число филиалов или точек, собственное производство против перепродажи, работа с государственными контрактами, доля экспорта.
3. Технологические признаки. Какая учётная система стоит, есть ли CRM, какой движок на сайте, пользуются ли системами складского учёта, подключены ли к электронному документообороту.
4. Признаки зрелости процесса. Есть ли выделенный маркетолог, ведут ли соцсети регулярно, нанимают ли людей на профильные роли, выступают ли на отраслевых конференциях.
5. Отрицательные признаки. То, при наличии чего сделка не случается почти никогда. Это самая ценная часть профиля и самая редко формализуемая.

Отрицательные признаки стоит разобрать отдельно. Если вы продаёте систему управления складом и знаете, что компании с одним складом площадью до пятисот метров всегда отваливаются на этапе бюджета, это надо записать. Если производственные компании с собственным отделом разработки в девяти случаях из десяти выбирают внутреннюю разработку, это тоже факт профиля. Такие ограничения срезают базу на треть, иногда наполовину, и экономят самый дорогой ресурс в продажах, то есть время менеджера на разговоры, которые не могли закончиться сделкой.

Когда профиль зафиксирован, он превращается в рабочую инструкцию для модели. Выглядит это примерно так.

Ты аналитик по квалификации компаний. Ниже описание компании с её сайта и данные из реестра. Оцени соответствие профилю по пяти критериям, которые я привожу, по шкале от нуля до двух баллов за каждый. Если данных для оценки критерия недостаточно, поставь прочерк и не угадывай. Верни результат таблицей с короткой ссылкой на фрагмент текста, на основании которого ты сделал вывод.

Требование ссылаться на источник вывода критично. Оно резко снижает долю выдуманных суждений и даёт возможность проверить работу модели выборочно, а не перечитывать всё. Запрет угадывать работает в ту же сторону. Модель по умолчанию стремится дать ответ на любой вопрос, и если вы не разрешили ей отвечать, что данных нет, она их придумает.

Какие сигналы говорят о готовности к покупке

Соответствие профилю отвечает на вопрос, подходит ли вам компания в принципе. Сигнал потребности отвечает на вопрос, есть ли у неё причина разговаривать с вами именно сейчас. Разница между этими двумя вещами определяет конверсию первого касания в разы, и работа с сигналами — главное, что искусственный интеллект реально изменил в поиске клиентов.

Сигналы делятся на несколько типов по источнику и по силе.

• Кадровые. Открытые вакансии показывают, куда компания вкладывает ресурс. Поиск руководителя отдела продаж означает перестройку коммерческого блока. Набор операторов на склад говорит о росте объёмов. Вакансия специалиста по тендерам означает выход в закупки.
• Закупочные. Публикации в единой информационной системе закупок показывают, что компания уже тратит деньги на близкие к вашему предмету задачи. Это один из самых сильных сигналов в B2B, потому что он подтверждён документом, а не словами.
• Корпоративные. Смена генерального директора, появление нового юридического лица в группе, изменение основного вида деятельности, открытие филиала в новом регионе. Новый руководитель в первые три месяца меняет поставщиков чаще, чем в последующие три года.
• Рыночные. Запуск нового направления, новости о производственной линии, участие в отраслевой выставке, получение лицензии или сертификата.
• Технологические. Появление или исчезновение определённых сервисов на сайте, смена платформы интернет-магазина, подключение онлайн-оплаты, отказ от зарубежного решения.
• Негативные для клиента, но полезные для вас. Волна жалоб на сроки доставки в отзывах, падение скорости обработки заявок, публичная критика сервиса. Это неприятная зона, и работать с ней надо аккуратно, но потребность там настоящая.

Задача модели не в том, чтобы найти сигнал, а в том, чтобы отличить сигнал от шума. Вакансия бухгалтера на замену декрета не говорит ни о чём. Вакансия финансового директора в компании, которая за год открыла два новых юридических лица, говорит о подготовке к структурным изменениям. Человек такую разницу видит, но не успевает просмотреть тысячу вакансий. Модель просматривает, если ей объяснили правила интерпретации.

Правила удобно оформлять парами, где указано наблюдение и то, какой вывод из него следует делать, с обязательным указанием, когда вывод делать нельзя. Чем больше таких примеров вы дадите в инструкции, тем точнее будет разметка. Десять-пятнадцать разобранных случаев дают заметно лучший результат, чем абстрактное требование искать признаки потребности.

Сколько сигналов нужно для касания

Один сигнал обычно слаб. Два независимых сигнала разной природы дают основание для обращения, которое не выглядит навязчивым. Если компания открыла вакансию логиста и одновременно разместила закупку на складское оборудование, у вас есть не повод написать, а понимание ситуации. Это разные вещи, и она читается в тексте письма.

Практический ориентир по приоритизации выглядит так. Компании, соответствующие профилю и имеющие два или более свежих сигнала, идут в работу в первую очередь и достойны ручной подготовки касания. Компании с профилем и одним сигналом идут в автоматизированную цепочку. Компании с профилем без сигналов остаются в наблюдении, и их надо периодически перепроверять, а не выбрасывать. Компании без соответствия профилю не идут в работу вообще, даже если у них есть сигналы.

Сбор, сегментация и приоритизация базы компаний

Здесь начинается техническая часть, и здесь важно не перепутать порядок действий. Сначала собирается широкий срез по формальным признакам из надёжного источника. Потом он сужается фильтрами. Только после этого подключается модель для содержательной разметки. Обратный порядок, когда модель сразу просят собрать базу, даёт результат, который нельзя использовать.

Источники данных на российском рынке

• Государственные реестры. Единый государственный реестр юридических лиц даёт полный перечень компаний с видами деятельности, адресами, руководителями и датами изменений. Это основа, и она бесплатна в базовом виде.
• Сервисы проверки контрагентов. Контур.Фокус, СБИС, Rusprofile и подобные системы дают те же данные в удобном виде, с финансовой отчётностью, связями между компаниями и возможностью выгрузки по фильтрам. Отдельные инструменты, например Контур.Поиск клиентов, изначально созданы под задачу формирования базы по параметрам.
• Единая информационная система закупок. Открытые данные о закупках и контрактах, по которым видно, что компания покупает, у кого и за сколько.
• Платформы с вакансиями. Открытые вакансии как источник кадровых сигналов и попутно как источник информации о структуре компании.
• Сайты компаний и отраслевые каталоги. Основной источник неструктурированного текста для разметки.
• Собственная CRM. Самый недооценённый источник. В базе уже есть компании, которые когда-то не купили, и часть из них изменилась.

О последнем пункте стоит сказать подробнее. Сделки, проигранные год и больше назад, обычно лежат мёртвым грузом. Между тем причины отказа устаревают. Компания, которая отказалась из-за отсутствия бюджета, через полтора года могла вырасти. Компания, где решение принимал человек, настроенный против изменений, могла его потерять. Прогон архива проигранных сделок через проверку сигналов даёт в среднем лучшую конверсию, чем холодная база, потому что история контакта уже есть.

Как сегментировать базу

Сегментация нужна не для красоты отчёта, а потому что сообщение, одинаковое для всех, работает плохо, а сообщение, уникальное для каждого, невозможно подготовить в объёме. Сегмент — это группа компаний, которым подходит одно и то же сообщение. Из этого определения следует критерий качества сегментации. Если внутри сегмента вы не можете написать один осмысленный текст первого касания, сегмент собран неправильно.

Рабочая схема сегментации опирается на три оси одновременно.

1. Тип задачи, которую вы решаете для этой группы. Одно и то же решение разным компаниям закрывает разные боли, и это главная ось.
2. Масштаб и зрелость. Один и тот же текст не подходит компании на тридцать человек и холдингу на три тысячи, потому что у них разная цена ошибки и разная скорость решения.
3. Текущий сигнал. Группа с кадровыми сигналами и группа с закупочными сигналами получают разные первые фразы.

Оптимальное число сегментов для средней компании находится между четырьмя и восемью. Меньше трёх означает, что вы не сегментировали, а разделили базу пополам. Больше десяти означает, что вы не сможете поддерживать качество текстов и аналитику по каждому сегменту, и через месяц половина перестанет обновляться.

Приоритизация и скоринг

Скоринг превращает размеченную базу в очередь. Главное требование к нему на старте — простота. Модель с двадцатью весами, построенная до первых запусков, оптимизирует то, чего вы ещё не измерили.

Начните с суммы по четырём группам баллов. Соответствие профилю даёт до пяти баллов. Наличие и свежесть сигналов даёт до пяти баллов, причём свежесть важна не меньше самого факта, и сигнал старше трёх месяцев надо считать ослабленным. Доступность точки входа, то есть наличие проверенного контакта нужной роли, даёт до трёх баллов. История взаимодействия, если она есть, даёт до двух баллов. Сумма определяет очередь и способ касания.

Дальше скоринг нужно пересобирать на фактических данных. После первых двух-трёх сотен касаний появляется статистика, по которой видно, какие признаки действительно коррелируют с ответом, а какие вы считали важными по привычке. На этом шаге модель полезна как инструмент анализа, потому что умеет находить закономерности в текстовых причинах отказа, которые не попадают в структурированные поля CRM.

Поиск ЛПР и проверка контактов

База размечена, очередь выстроена, и дальше возникает вопрос, в который упирается большинство процессов. Компания — это не адресат. Письмо читает человек, и от того, кто именно его читает, зависит всё остальное. Ошибка на этом шаге обесценивает качественную базу полностью, потому что идеально подобранная компания с письмом в общий адрес приёмной даёт ровно ноль.

Задача распадается на две независимые. Сначала надо понять, какая роль в компании отвечает за вашу проблему. Потом надо найти конкретного человека в этой роли и его работающий контакт. Это разные операции, разные инструменты и разные источники ошибок, и смешивать их не стоит.

Определение роли, а не должности

Должности в российском B2B устроены хаотично. Один и тот же человек может называться коммерческим директором, директором по развитию или заместителем генерального по продажам, и по названию вы не поймёте ничего. Поэтому работать надо с ролью в решении, а не с записью в штатном расписании.

В сделке обычно участвуют четыре роли, и они редко совпадают в одном человеке.

• Тот, кто чувствует проблему. Он страдает от текущего положения вещей, но не распоряжается бюджетом. Руководитель склада, начальник смены, старший менеджер, маркетолог.
• Тот, кто принимает решение. У него есть право сказать да и подписать. В компании до сотни человек это почти всегда генеральный директор или собственник, в компании от трёхсот человек — профильный директор.
• Тот, кто оценивает. Финансовая служба, служба безопасности, технический специалист. Он не инициирует покупку, но способен её остановить.
• Тот, кто ведёт процесс. Закупщик, тендерный специалист, помощник руководителя. Он не влияет на выбор, но определяет, дойдёт ли ваше предложение до стола.

Выбор точки входа зависит от размера компании и от того, насколько очевидна проблема. В небольшой компании имеет смысл писать сразу принимающему решение, потому что цепочка согласований короткая. В крупной компании письмо генеральному директору чаще всего не читается, и правильный вход — через того, кто чувствует проблему, с расчётом, что он поднимет вопрос внутри. Это медленнее, но результативнее.

Письмо человеку, который не страдает от описанной проблемы, не вызывает ни интереса, ни раздражения. Оно просто не вызывает ничего, и это худший из возможных исходов.

Модель здесь полезна в прикладной задаче сопоставления. Вы даёте ей описание компании, список найденных сотрудников с их должностями и описание проблемы, которую решаете. Просите определить, кто из перечисленных наиболее вероятно отвечает за эту область, и обязательно требуете указать, насколько уверен вывод. Там, где уверенность низкая, лучше потратить две минуты человеческого времени, чем отправить письмо не по адресу.

Где искать конкретных людей

Источники для российского рынка довольно ограничены, и это надо принять как факт. Зато те, что есть, дают проверяемые данные.

• Реестр юридических лиц даёт руководителя с подтверждённым именем. Это единственный полностью достоверный источник по одной роли, и он бесплатный.
• Сервисы проверки контрагентов добавляют связанных лиц, участников, историю смены руководства и иногда контактные данные из открытых источников.
• Сайт компании, разделы о команде и контактах, пресс-релизы. Пресс-релизы особенно полезны, потому что в них указывают профильных руководителей с должностями.
• Текст вакансий. Там часто написано, кому подчиняется позиция, и это раскрывает структуру управления лучше любого другого источника.
• Отраслевые конференции и вебинары. Программы мероприятий — открытый список людей с должностями и темами, за которые они отвечают.
• Профессиональные соцсети и профильные сообщества, где люди сами указывают место работы и зону ответственности.

Отдельно о корпоративной почте. Большинство российских компаний использует предсказуемые схемы построения адресов, и их не больше десятка. Имя точка фамилия, первая буква имени и фамилия, только фамилия, только имя. Если вы знаете одну действующую почту в компании, вы знаете схему и можете построить адрес для любого сотрудника, чьё имя у вас есть. Это не угадывание, а воспроизведение правила, и точность такого подхода на порядок выше, чем у перебора.

Проверка контактов до отправки

Это тот шаг, который пропускают чаще всего, и он стоит дороже всех остальных. Отправка на несуществующие адреса рушит репутацию домена быстрее, чем любое содержание письма. Технически это выглядит так. Почтовые системы считают долю отказов одним из главных сигналов недобросовестной рассылки. При доле отказов выше пяти процентов письма начинают попадать в спам даже у тех получателей, чьи адреса корректны. При доле выше десяти процентов домен фактически выгорает, и восстановление занимает месяцы.

Порядок проверки простой и выполняется до запуска, а не после.

1. Синтаксическая проверка. Убрать всё, что не является корректным адресом по формату. Отсекает опечатки и мусор из выгрузок.
2. Проверка домена. Существует ли домен, настроены ли у него почтовые записи, принимает ли он почту вообще. Домены брошенных компаний отсекаются здесь.
3. Проверка существования адреса на сервере без отправки письма. Сервисы валидации делают это штатно, и стоимость проверки несопоставима со стоимостью испорченной репутации.
4. Отсев заведомо бесполезных адресов. Общие ящики вида info, sales, office имеет смысл держать отдельным списком и не смешивать с персональными, потому что метрики по ним принципиально другие.
5. Исключение адресов, которые уже отказались от получения писем или ранее давали отказ по существу. Это не только вопрос вежливости, но и требование законодательства о персональных данных и рекламе.

Про юридическую сторону стоит сказать прямо. Рассылка коммерческих предложений по корпоративным адресам юридических лиц находится в менее уязвимом положении, чем обращение к физическим лицам, но полностью безопасной зоной не является. Разумный минимум состоит в том, чтобы писать на корпоративные адреса, не использовать данные, полученные из закрытых источников, указывать в письме, кто вы и как вас найти, и исполнять отказ от получения писем с первого раза и без переписки.

Холодные письма и цепочки касаний

Текст первого касания — место, где искусственный интеллект приносит и наибольшую пользу, и наибольший вред. Польза в том, что модель способна подготовить осмысленное обращение под контекст конкретной компании за секунды. Вред в том, что при неправильной постановке задачи она производит узнаваемый поток бессмысленных вежливых текстов, которые получатели научились определять с первой строки.

Персонализация без ручной работы по каждой компании

Нужно развести два похожих, но принципиально разных подхода. Подстановка переменных в шаблон — это не персонализация. Фраза о том, что вы изучили сайт компании и восхищены её подходом, работает хуже, чем честное отсутствие такой фразы, потому что получатель видит её десять раз в неделю.

Настоящая персонализация строится на наблюдении, которое получатель узнаёт как относящееся к нему. Схема рабочего письма состоит из четырёх смысловых частей, и первая из них самая важная.

1. Конкретное наблюдение о ситуации компании. Не комплимент, а факт, замеченный во внешних источниках. Вы открыли вакансию на определённую роль, вы разместили закупку по такому-то направлению, вы вышли в новый регион.
2. Связь наблюдения с типичной задачей. Что обычно происходит у компаний в такой ситуации и почему это создаёт сложность. Здесь важно говорить не о себе, а о практике, которую вы видели у похожих компаний.
3. Короткое указание на то, чем вы можете быть полезны, с опорой на результат, а не на описание функций.
4. Минимальный следующий шаг. Не предложение созвониться на час, а вопрос, на который можно ответить одной строкой.

Техническая организация выглядит так. На вход модели идёт структурированный блок данных о компании, собранный на предыдущих шагах, и инструкция с жёсткими рамками. В инструкции задаются длина, запрещённые формулировки, обязательное требование опираться только на переданные факты и прямой запрет что-либо добавлять от себя. Отдельно стоит перечислить фразы, которые модель использовать не должна, потому что без такого списка она тянется к штампам по умолчанию.

Если из письма можно убрать название компании и оно останется осмысленным, персонализации в нём нет.

Про объём. Первое касание длиной более ста двадцати слов читается существенно хуже. Это не стилистическое предпочтение, а следствие того, что письмо открывают между делами и решение о дальнейшем чтении принимается по первым двум строкам. Длинное письмо уместно только там, где получатель уже проявил интерес.

Отдельная практика, которая почти всегда улучшает результат, — проверка письма второй моделью с инструкцией оценить его как получатель. Вы просите оценить, выглядит ли текст автоматически сгенерированным, есть ли в нём конкретика, понятно ли, чего от получателя хотят, и какие возражения возникают при чтении. Это дешёвая процедура, которая отсекает заметную долю слабых текстов до отправки.

Почему нужна цепочка, а не одно письмо

Статистика здесь устойчива и не зависит от отрасли. Первое письмо приносит меньшую часть всех ответов по кампании, обычно от трети до половины. Остальное приходит со второго, третьего и четвёртого касания. Причины вполне бытовые. Письмо пришло в неудачный день, человек был в отпуске, задача была неактуальна три недели назад и стала актуальна сейчас.

Правильная цепочка не повторяет первое письмо другими словами. Каждое касание несёт новую мысль или новый угол зрения.

1. Первое касание. Наблюдение о ситуации и вопрос.
2. Второе касание через три-четыре дня. Короткое дополнение по существу. Например, конкретный пример того, как похожая компания решила такую задачу, в двух-трёх предложениях без красивых формулировок.
3. Третье касание через неделю. Смена угла. Если первые два письма говорили об одной задаче, здесь уместно упомянуть другую, которая часто идёт рядом. Иногда оказывается, что болит именно она.
4. Четвёртое касание через неделю-полторы. Полезный материал без запроса на действие. Отраслевой расчёт, короткий разбор, сравнение подходов.
5. Финальное касание. Прямое и короткое сообщение о том, что вы закрываете тему и перестаёте писать. Такое письмо даёт неожиданно высокую долю ответов, потому что снимает с получателя обязательство.

Интервалы важнее количества. Пять писем за две недели воспринимаются как давление, пять писем за пять недель — как последовательность. Общая длительность цепочки от четырёх до шести недель — разумный ориентир для B2B с длинным циклом.

Модель в этой части отвечает за вариативность. Одна и та же цепочка, написанная для шести сегментов, требует шести наборов текстов, и каждый набор надо адаптировать под контекст компании. Это та работа, которую вручную не делают физически, из-за чего компании и отправляют одно письмо всем.

Доставляемость: что настроить до запуска

Хороший текст не компенсирует технические проблемы. Если письмо не попало во входящие, его содержание не имеет значения. Базовая настройка выполняется один раз и занимает несколько часов.

• Отдельный домен для холодных рассылок. Основной рабочий домен для этого не используется никогда, потому что его репутация нужна для переписки с действующими клиентами.
• Настроенные записи аутентификации почты. Проверка отправителя по SPF, подпись писем через DKIM и политика DMARC. Без этих трёх вещей письма с нового домена уходят в спам почти гарантированно.
• Прогрев домена и ящиков. Первая неделя — единицы писем в день, дальше постепенное наращивание в течение трёх-четырёх недель. Резкий старт с сотен писем с нового домена даёт блокировку, а не рассылку.
• Разумный предел на ящик. Для холодных писем ориентир составляет несколько десятков писем в день с одного адреса, не больше. Объём набирается количеством ящиков, а не нагрузкой на один.
• Текст без признаков массовой рассылки. Отсутствие картинок в первом письме, минимум ссылок, обычное форматирование, нет кнопок и баннеров. Письмо должно выглядеть как письмо от человека, потому что оно таким и является по смыслу.
• Контроль метрик отправки в первые дни. Доля отказов, доля попаданий в спам, доля открытий по дням. Отклонение видно сразу, и кампанию лучше остановить на двадцатом письме, чем на пятисотом.

Одно замечание о тестировании. Проверять попадание во входящие нужно по разным почтовым системам отдельно, потому что правила фильтрации у них различаются существенно. Письмо, которое спокойно доходит до одной службы, может системно уходить в спам у другой, и без проверки вы об этом не узнаете, поскольку отчёт об отправке будет выглядеть благополучно.

Обработка ответов и квалификация лидов

Кампания запущена, ответы пошли, и дальше происходит вещь, которую мало кто предвидит. Узким местом становится не привлечение внимания, а разбор входящего потока. Когда цепочка идёт по трём тысячам компаний, ответов приходит несколько сотен, и большая часть не является ни интересом, ни отказом. Это запросы на уточнение, перенаправления к коллегам, автоответы, просьбы написать позже, вопросы по существу и односложные сообщения, смысл которых неочевиден.

Ручной разбор такого потока занимает у менеджера несколько часов в день и делается по остаточному принципу, из-за чего теряются именно сложные ответы, которые и содержат настоящие возможности.

Как отличить лид от вежливого отказа

Классификация ответов — задача, в которой языковые модели работают заметно лучше правил по ключевым словам, потому что смысл ответа часто противоположен его буквальному содержанию. Фраза об интересном предложении и просьба прислать презентацию в большинстве случаев означает завершение разговора. Фраза о том, что сейчас не до этого, но весной будем смотреть, означает реальную возможность с конкретным сроком.

Рабочая схема разметки опирается на шесть категорий.

Категория	Признаки в ответе	Действие
Готов обсуждать	Вопрос о сроках, цене, условиях, предложение времени для разговора, конкретный вопрос по продукту	Передать человеку в течение часа
Интерес без готовности	Запрос общих материалов без вопросов по существу, просьба рассказать подробнее без указания задачи	Задать один уточняющий вопрос, не отправлять презентацию
Отложенная потребность	Указание на конкретный период, упоминание текущего контракта со сроком, ссылка на будущие планы	Поставить напоминание на названный срок, записать контекст
Не та роль	Перенаправление к коллеге, указание чужой зоны ответственности	Написать названному человеку со ссылкой на рекомендацию
Отказ по существу	Есть действующий поставщик без срока, решают внутренними силами, задача закрыта	Зафиксировать причину, вернуться через длительный интервал
Отказ от переписки	Прямая просьба не писать, раздражение	Исключить из всех списков без ответного письма

Инструкция для модели должна содержать разобранные примеры по каждой категории, причём именно сложные случаи. Однозначные ответы она классифицирует и без примеров. Ценность даёт разметка пограничных формулировок, и здесь полезно взять две-три сотни реальных ответов из прошлых кампаний, разметить их руками и использовать как основу инструкции.

Отдельное требование состоит в том, чтобы модель не только присваивала категорию, но и извлекала из текста конкретику. Названный срок, упомянутый действующий поставщик, озвученное возражение, названное имя коллеги. Эта информация должна попадать в карточку сделки отдельными полями, а не оставаться в тексте письма, потому что иначе через месяц её никто не найдёт.

Любой ответ, в котором нет ни вопроса, ни конкретного срока, ни упоминания задачи, лидом не является, каким бы вежливым он ни выглядел.

Что делать после первого ответа

Здесь находится граница, за которую искусственный интеллект пускать не стоит. Автоматический разбор и классификация ответов — нормальная практика. Автоматическое ведение дальнейшей переписки за человека — способ потерять те возможности, которые вы с таким трудом создали.

Причина не в качестве текстов. Модель напишет грамотный ответ. Причина в том, что со второго сообщения разговор перестаёт быть обменом формулировками и становится выяснением ситуации. Нужно понять, какая задача стоит на самом деле, кто ещё вовлечён, какие ограничения по срокам и бюджету, что уже пробовали. Это требует удержания контекста, который не записан в переписке, и способности отступить от сценария.

Разумное распределение выглядит так.

• Модель классифицирует ответ, извлекает факты и готовит черновик ответного сообщения с предложенными уточняющими вопросами.
• Человек читает черновик, правит и отправляет. На это уходит минута вместо десяти.
• Модель следит за сроками. Не ответили три дня, обещали вернуться в марте, просили напомнить после отчётного периода. Потеря таких договорённостей — самая частая причина утечки лидов.
• Модель ведёт сводку по диалогу. Краткая история из пяти строк вместо перечитывания двадцати писем перед звонком.
• Человек принимает все решения о дальнейших шагах и ведёт разговор по существу.

Скорость реакции на первый ответ влияет на итог сильнее, чем качество текстов цепочки. Ответ в течение часа и ответ на следующий день — это разная вероятность продолжения разговора, потому что в первом случае вы попадаете в момент, когда человек думает о вопросе, а во втором возвращаете его к теме, от которой он уже отвлёкся. Поэтому уведомление о горячем ответе должно приходить менеджеру немедленно и отдельно от общего потока, а не ждать в общем ящике.

Инструменты: что выбрать под свою задачу

Набор инструментов собирается не по принципу выбора лучшего, а по принципу закрытия конкретных участков процесса. Участков четыре, и универсального решения, которое хорошо закрывает все сразу, на российском рынке нет. Попытка найти такое решение обычно заканчивается тем, что компания берёт одну платформу и мирится с тем, что две трети её работы делаются плохо.

Сервисы сбора базы и обогащения данных

Это фундамент, и экономить здесь бессмысленно, потому что все дальнейшие расходы работают с тем качеством данных, которое дал этот слой.

• Контур.Фокус и Контур.Поиск клиентов. Фильтрация по виду деятельности, выручке, численности, региону, связям между компаниями. Выгрузка списков под параметры профиля и отслеживание изменений в реквизитах.
• СБИС. Сопоставимый набор данных с акцентом на финансовую отчётность и контрактную историю, удобен тем, кому важна платёжеспособность.
• Rusprofile. Быстрый доступ к базовым сведениям по компании, подходит для точечной проверки и для небольших объёмов.
• Единая информационная система закупок. Открытый источник закупочных сигналов, из которого видно, что компания покупает и с какой периодичностью.
• Открытые данные налоговой службы. Бесплатная основа для широкого первичного среза, если бюджет на старте ограничен.

Выбор между ними определяется одним вопросом. Нужны вам разовые выгрузки или постоянное отслеживание изменений. Для разовой задачи достаточно базового доступа. Для работы с сигналами нужна подписка с мониторингом, потому что ценность сигнала падает в разы через месяц после события.

Платформы холодных рассылок с персонализацией

Здесь нужны два разных умения одновременно. Технически корректная отправка с прогревом, ротацией ящиков и контролем доставляемости. И подстановка сгенерированного текста в каждое письмо, а не один шаблон на всех.

• Coldy. Российская платформа холодных писем с персонализацией на основе данных о компании, рассчитана как раз на описанный выше сценарий с цепочками.
• Респондо. Сервис рассылок с валидацией базы и работой по сегментам, подходит там, где важна чистота списка перед отправкой.
• Leadl.ai. Решение под сбор тёплых обращений из Телеграма, то есть не замена письмам, а отдельный канал со своей логикой.
• Nebo.me. Автоматизация диалогов в мессенджерах с квалификацией на входе.
• Связки через n8n или Make. Вариант для тех, у кого уже есть почтовая инфраструктура и нужна только логика цепочек с обращением к языковой модели.

При выборе смотрите не на обещанную персонализацию, а на три технические вещи. Возможность подключить несколько доменов и десятки ящиков с ротацией. Автоматический прогрев с управляемым графиком. Разделение метрик по доменам и сегментам, потому что без этого вы не поймёте, где именно просела доставляемость.

Голосовые роботы и квалификация по звонкам

Отдельный канал со своей экономикой. Работает заметно лучше писем там, где решение принимается быстро и аудитория широкая, и существенно хуже там, где цикл сделки длинный и решение коллективное.

• Voicia. Управление кампаниями обзвона с квалификацией и передачей готовых обращений в отдел продаж.
• SalesAI. Разбор уже состоявшихся звонков, квалификация по записям и контроль того, как менеджеры ведут разговор.
• Голосовые решения на базе российских облачных платформ. Вариант для компаний с собственной разработкой и большим объёмом звонков.

Юридическая рамка здесь строже, чем в почте. Обзвон без согласия на обработку персональных данных и на получение рекламы в адрес физических лиц создаёт реальные риски, и этот вопрос нужно закрывать до запуска, а не после первой жалобы. Для корпоративных номеров ситуация мягче, но и там стоит держать актуальный список отказов и исполнять его немедленно.

Языковые модели для анализа и разметки

Это рабочий инструмент для всей содержательной части, то есть для разметки компаний, интерпретации сигналов, подготовки текстов и классификации ответов.

• YandexGPT и GigaChat. Доступны напрямую, работают с российскими юридическими лицами, данные остаются внутри страны. Для задач разметки и классификации на русском языке их качества достаточно.
• Зарубежные модели через российские шлюзы вроде GenAPI. Выше качество в сложных рассуждениях, но стоит заранее оценить, какие данные вы готовы через них передавать.
• Собственное развёртывание открытых моделей. Имеет смысл при больших объёмах разметки, когда плата за обращения к сервису становится ощутимой, и там, где требования к обработке данных жёсткие.

Практическое замечание о распределении задач. Разметку базы и классификацию ответов выгоднее отдавать более простым и дешёвым моделям, потому что это однотипные операции с ясными правилами. Подготовку текстов и анализ сложных ответов имеет смысл поручать сильной модели. Разница в расходах на объёме в несколько тысяч компаний получается кратной.

Критерии выбора

Сравнивать инструменты между собой удобно по короткому списку вопросов, ответы на которые видны до покупки.

Критерий	Что проверить до оплаты
Источник данных	Откуда берутся сведения о компаниях и как часто обновляются. Если ответ неясен, данные скорее всего устаревшие или собраны перебором
Выгрузка	Можно ли забрать свою базу в обычном файле. Платформы без выгрузки запирают ваш актив у себя
Интеграция с CRM	Есть ли готовая связка с amoCRM, Битрикс24 или программный доступ. Ручной перенос обращений означает, что половина потеряется
Прозрачность метрик	Видны ли доставляемость, отказы и попадания в спам по каждому домену отдельно
Модель оплаты	Платите вы за объём отправок, за найденные контакты или за результат. Оплата за объём подталкивает раздувать базу
Обработка данных	Где хранятся данные и есть ли документы, которые можно показать своей службе безопасности

Разумный порядок закупки выглядит так. Сначала доступ к данным о компаниях, потому что без него нечего размечать. Потом языковая модель, потому что она дешёвая и даёт результат сразу. Потом платформа рассылок. Голосовые решения подключаются последними, когда по письмам уже понятно, какие сегменты отвечают.

Внедрение по шагам

Порядок действий имеет значение, поскольку каждый следующий шаг опирается на результат предыдущего. Весь цикл до первых отправок занимает две-три недели при нормальной загрузке, из которых большая часть уходит не на технику, а на описание профиля и сигналов.

Шаг 1. Опишите профиль клиента

Выгрузите закрытые сделки за последние полтора года, разделите на успешные и проигранные, выпишите различия по формальным, структурным и технологическим признакам. Отдельно сформулируйте отрицательные признаки. Результат шага представляет собой документ на одну-две страницы с проверяемыми параметрами, а не описание мечты о хорошем клиенте.

Шаг 2. Сформулируйте сигналы потребности

Для каждого сегмента опишите, какие внешние события означают появление задачи. Укажите источник, где такое событие видно, срок его актуальности и правило интерпретации, включая случаи, когда вывод делать нельзя. Соберите десять-пятнадцать разобранных примеров, они станут основой инструкции для модели.

Шаг 3. Соберите и сегментируйте компании

Сделайте широкий срез по формальным фильтрам в сервисе данных. Прогоните его через модель для содержательной разметки по сайтам и открытым источникам. Отсеките компании с отрицательными признаками. Разложите остаток на четыре-восемь сегментов по типу задачи, масштабу и текущему сигналу. Проверьте каждый сегмент тестом на осмысленность единого сообщения.

Шаг 4. Определите роли

Для каждого сегмента зафиксируйте, кто чувствует проблему, кто принимает решение и через кого вы входите. Разделение зависит от размера компании, поэтому у крупного и мелкого сегмента точки входа будут разными даже при одном продукте.

Шаг 5. Найдите и проверьте контакты

Соберите имена из реестров, сайтов, пресс-релизов и вакансий. Восстановите схему построения адресов по известным почтам в каждой компании. Прогоните весь список через синтаксическую проверку, проверку доменов и валидацию существования адресов. Отделите общие ящики от персональных. Доля отказов на выходе этого шага должна быть ниже трёх процентов.

Шаг 6. Подготовьте цепочку писем

На каждый сегмент соберите пять касаний с разными смысловыми углами и интервалами от трёх дней до полутора недель. Первое письмо строится на конкретном наблюдении, последнее закрывает тему. Пропишите инструкцию генерации с ограничением по длине, запретом добавлять факты от себя и списком недопустимых формулировок.

Шаг 7. Настройте техническую часть

Отдельный домен, настроенные SPF, DKIM и DMARC, прогрев в течение трёх-четырёх недель, предел в несколько десятков писем на ящик в сутки. Проверьте попадание во входящие по каждой крупной почтовой службе отдельно до начала работы по реальной базе.

Шаг 8. Настройте обработку ответов и передачу в CRM

Опишите шесть категорий ответов, разметьте вручную двести-триста реальных писем из прошлых кампаний, соберите на их основе инструкцию классификации. Настройте извлечение конкретики в отдельные поля сделки. Сделайте так, чтобы ответы категории готов обсуждать приходили менеджеру отдельным уведомлением, а не в общем потоке.

Шаг 9. Анализируйте результат, а не объём

Через две недели работы соберите первую сводку по сегментам и по категориям ответов. Пересоберите скоринг на фактических данных. Уберите из базы признаки, которые считались важными, но не коррелируют с ответом, и добавьте те, которые проявились в практике.

Самая частая причина провала внедрения состоит в том, что шаги с первого по пятый пропускают и начинают с шестого. Технически кампания запускается, содержательно она работает по случайной базе.

Метрики, которые стоит контролировать

Отчёт об отправленных письмах не является показателем работы. Он показывает только то, что система включена. Полезные метрики делятся на три группы по уровню, и смотреть их нужно вместе, потому что каждая по отдельности врёт.

Технический уровень

• Доля отказов. Норма ниже трёх процентов, тревога от пяти, остановка кампании от семи. Высокое значение означает проблему с валидацией, а не с текстом.
• Доля попаданий во входящие по каждой почтовой службе. Падение показателя у одной службы при нормальных значениях у остальных указывает на репутацию домена, а не на содержание письма.
• Доля жалоб на спам. Любое значение выше трёх десятых процента требует разбора, потому что восстановление репутации занимает недели.

Содержательный уровень

• Доля ответов по сегментам. Ключевая метрика качества базы и текстов. Для проработанной базы с сигналами ориентир составляет от пяти до двенадцати процентов, для широкой базы без сигналов обычно получается один-два процента.
• Доля содержательных ответов от всех полученных. Показывает, насколько точно вы попадаете в роль и в задачу. Если ответов много, но почти все они представляют собой перенаправления и отказы, проблема в выборе точки входа.
• Распределение ответов по касаниям. Если почти все ответы приходят на первое письмо, цепочка написана плохо и повторяет сама себя.
• Доля отказов от переписки. Прямой индикатор того, что вы пишете не тем людям или слишком настойчиво.

Коммерческий уровень

• Доля переходов от ответа к разговору. Здесь видна работа менеджера и скорость реакции, а не качество базы.
• Доля квалифицированных обращений от общего числа. Отвечает на вопрос, приносит ли канал сделки или только активность.
• Стоимость квалифицированного обращения с учётом всех расходов, включая подписки, обращения к модели и время людей.
• Доля отложенных потребностей, вернувшихся в работу в названный срок. Метрика, которую почти никто не считает, хотя именно там лежит самый дешёвый объём на второй год работы.

Разбор метрик идёт сверху вниз. Если нет ответов, сначала проверяется доставляемость, потом точность базы, и только затем текст. Исправлять текст при испорченной доставляемости бессмысленно, потому что писем никто не видит и эксперимент ничего не измеряет.

Типичные ошибки

Поручить ИИ придумать аудиторию за вас

Модель даст правдоподобное описание целевой аудитории, похожее на то, что пишут в отраслевых обзорах. Оно будет верным в среднем по рынку и неверным для вас, потому что ваша конкурентная ситуация, цена и география в него не входят. Профиль строится на ваших закрытых сделках, и никакой другой источник его не заменяет.

Собрать слишком широкую базу

База на двадцать тысяч компаний выглядит как достижение и работает хуже базы на восемьсот компаний с сигналами. Причина не только в конверсии. Широкая база требует одинакового сообщения, одинаковое сообщение даёт жалобы, жалобы убивают домен, после чего перестают доходить и письма по хорошей части базы. Один плохой сегмент портит результат всей кампании.

Не проверять факты и контакты

Письмо с неверным фактом о компании хуже письма без фактов вообще, потому что оно показывает, что данные взяты не глядя. Если модель упоминает открытие филиала, которого не было, разговор заканчивается на этой строке. Отсюда правило запрещать модели добавлять что-либо к переданным данным и требовать ссылку на источник каждого вывода.

Отправить одно письмо на всех

Самая дорогая ошибка по последствиям, потому что она кажется экономией. Один текст на всю базу даёт низкий отклик, высокую долю жалоб и выгоревший домен за несколько недель. Восстановление обходится дороже, чем подготовка шести вариантов текстов с самого начала.

Считать лидом любой ответ

Запрос презентации без единого вопроса по существу чаще всего означает вежливое завершение разговора. Если такие ответы попадают в воронку как обращения, отчётность выглядит хорошо, прогноз не выполняется, и через квартал канал признают неработающим, хотя он просто неверно измерялся.

Ждать полной автоматизации

Искусственный интеллект закрывает подготовку, разметку, первое касание и разбор входящего потока. Выяснение настоящей задачи, работа с возражениями и ведение сделки остаются за человеком. Компании, которые отдают переписку модели целиком, обычно получают рост числа ответов и падение числа сделок, и это закономерный результат, а не неудачная настройка.

Игнорировать технический слой

Отдельно стоит назвать ошибку, которая не относится к искусственному интеллекту, но обнуляет всю работу с ним. Рассылка с основного рабочего домена без прогрева и без настроенной аутентификации почты уходит в спам целиком. Текст при этом может быть превосходным, данные точными, сегментация безупречной. Проверить это невозможно, потому что писем никто не прочитал.

Частые вопросы

Можно ли попросить языковую модель просто найти клиентов с контактами

Нет. У языковой модели нет доступа к реестрам и проверенным контактам, она генерирует правдоподобный текст. Список компаний с телефонами, полученный таким способом, будет содержать нерабочие адреса, закрытые компании и названия, которых не существовало. Данные берутся из реестров и сервисов проверки контрагентов, модель их обрабатывает.

Подходит ли такой процесс малому бизнесу

Да, и при небольшом объёме он даёт результат быстрее, потому что база меньше и каждое касание можно подготовить тщательнее. Минимальный набор состоит из доступа к данным о компаниях, одной языковой модели и почтовой инфраструктуры с настроенным отдельным доменом. Расходы на старте измеряются десятками тысяч рублей в месяц, а не миллионами.

Сколько времени занимает внедрение

От подготовки профиля до первых отправок проходит две-три недели, из которых прогрев домена занимает три-четыре. Поэтому прогрев запускается параллельно с описанием профиля, а не после. Первая осмысленная статистика появляется через месяц после начала отправок, выводы о канале имеет смысл делать через два-три месяца.

Какая конверсия считается нормальной

Для проработанной базы с сигналами и персонализированными текстами ориентир по ответам составляет от пяти до двенадцати процентов, из которых содержательными оказываются примерно треть. Для широкой базы без сигналов нормой будет один-два процента ответов. Разница в десять раз объясняется работой, сделанной до отправки первого письма.

Насколько это законно

Рассылка коммерческих предложений на корпоративные адреса юридических лиц допустима при соблюдении ряда условий. Данные должны быть получены из открытых источников, отправитель должен быть идентифицируем, отказ от получения писем исполняется с первого обращения и без переписки. Работа с личными контактами физических лиц и с обзвоном требует согласия и регулируется строже, этот вопрос стоит проверить со своим юристом до запуска, а не после жалобы.

Что делать, если ответов нет вообще

Проверяйте сверху вниз. Сначала доставляемость через тестовые ящики в разных почтовых службах. Потом долю отказов и репутацию домена. Потом точность базы на выборке в тридцать компаний вручную. Потом выбор роли получателя. Текст проверяется последним, потому что это единственная часть, которую невозможно оценить, пока письма не доходят.

Нужно ли сообщать, что письмо подготовлено с помощью ИИ

Обязанности такой нет, и практической пользы от подобного уведомления тоже. Важно другое. Факты в письме должны быть верными, а отправитель реальным человеком, который отвечает за переписку и способен её продолжить. Если это условие выполнено, вопрос инструмента подготовки текста не имеет значения для получателя.

Искусственный интеллект не приводит клиентов. Он убирает ту часть работы, из-за которой до клиентов обычно не доходит очередь, и возвращает продажи к тому, чем они всегда были, то есть к разговору с человеком, у которого есть настоящая задача.