Антон Костриченко

Кейс: как мы заставили GPT писать клиентам по базе первым и квалифицировать с конверсией 4,95%

2025-09-22T08:53:15.427Z

Клиент: агентство курортной недвижимости

📌 Задача:

Обработать неактуальную базу в 10 000 контактов, накопившуюся в CRM.
Ранее сотрудники вручную писали 10–200 сообщений в день в ручную
Цель — вернуть старых клиентов в активную воронку и получить лиды.

Кейс: как ИИ контент завод сделал 8,8 млн охвата и 2 208 заявок в недвижимости

2025-07-17T12:11:58.562Z

Клиент: Агентство курортной недвижимости

Начнем с того, что ниша продажи недвижимости - это алый океан. Сотни тысяч агентств и частных брокеров в России пробуют все возможные каналы рекламы.

Поступил следующий запрос:

«Нужен постоянный поток тёплых заявок без огромных вложений в продакшн. Бюджета на дорогую рекламу нет, но нужен стабильный приток обращений».

Шаг 1: Предварительный анализ каналов

В ходе анализа рынка и конкурентов были выявлены базовые каналы:

Яндекс Директ: вход от 500 000 ₽/мес, средняя стоимость целевого звонка — 3 000–6 000 ₽.

Авито: около 2 800 ₽ за заявку по региону, до 20 000 ₽ по Москве.

Instagram*/YouTube Shorts: перспективно, но трудозатратно — нужно снимать, монтировать, запускать.

Вывод: классические каналы — дорого и не масштабируется без больших бюджетов.

*соцсеть принадлежит компании Meta, признанной экстремистской в РФ.

Шаг 2: Выбрали стратегию ИИ-контент-завод

Протестировали различные ИИ инструменты и выбрали оптимальную связку из 8 сервисов:

TrendHero - анализ аккаунтов конкурентов

Cockatoo - транскрибация видео в текст

ChatGPT - генерация уникальных сценариев по референсам конкурентов

Elevenlabs - создание цифрового голоса эксперта

HeyGen - создание ИИ аватара

SaleBot - воронка продаж (выдача лид-магнита и получение заявки)

CapCut/SubMagic - ручной и автоматический монтаж роликов

SMM планер - публикация Reels в сетку аккаунтов

Алгоритм работы был следующий:

Поиск референсов (залетевших видео конкурентов)
Транскрибация их и уникализация сценария
Создание по этому сценарию видео с аватаром
Монтаж (производился человеком)
Автоматическая публикация в аккаунты
Аналитика

На выходе получаем сотни уникальных роликов. Каждый из которых содержал продающую механику: вызов интереса + призыв к действию.

Шаг 3: Аналитика и выводы

Важным шагом в реализации стратегии был сбор аналитики и выявление самых конверсионных роликов, которые в будущем мы использовали для рекламных интеграций.

Например, некоторые ролики получали 1 млн охвата, но давали мало заявок. Но были и бриллиантовые ролики, которые давали от 0,5 до 1% конверсии в заявку.

Вот некоторые из популярных рилс:

Шаг 4: Результаты и цифры

📊 Результаты за 9 месяцев:

Охваты: 8 822 080

Заявки 2 208

Подписчики 25 216

Выложено рилс: 7 704

Стоимость подписчика ₽62

Стоимость заявки ₽706 в среднем

Общий рекламный расход ₽1 561 105

🔥 Что особенно ценно:

Без студий, съёмок и актёров. Всё — на ИИ.
Цена за заявку в 3–4 раза ниже, чем в Авито и Я.Директ.
Сильный бренд-эффект: аккаунт вырос органически на 25 000+ подписчиков.
Поток входящих стал постоянным: клиентская база увеличивается ежемесячно.

📌Вывод

ИИ позволяет запускать массовый, недорогой и повторяемый канал генерации заявок в сложной нише. Этот кейс — подтверждение того, как правильно выстроенная система контента способна заменить десятки рекламных кабинетов и продюсеров.

Хотите также?

Если у Вас есть запрос на внедрение ИИ ассистента в компанию, который будет самостоятельно продавать, квалифицировать, осуществлять тех. поддержку, обучение и тд. - оставляйте заявку на сайте: https://sheer.ru/vnedrenie-ai/

Кейс: как ИИ-продавец нашел 18 млн в необработанных заявках на Авито

2024-07-10T07:28:00.058Z

Клиент: крупный поставщик металлопроката на юге России

Шаг 1: искать алмазы среди мусора?

Как и у многих производственных компаний, у нашего клиента была проблема, что менеджеры перегружены расчетами смет для текущих оптовых клиентов и заявки по рознице просто никто не обрабатывает. Так например, только на Авито лежало 400 необработанных заявок, среди которых были потенциальные клиенты с суммами от 377 тыс рублей до 1,2 млн рублей. Суммарно мы насчитали заказов на 18 млн рублей (со средним чеком 45 тыс рублей)

Также зайдя на Авито мы увидели сотни диалогов, которые не проходят по минимальному бюджету, соответственно менеджеры тратили много времени на квалификацию клиента и поиск адекватных заказов.

По мимо заказов с низким бюджетом попадаются "особо интересные" клиенты, после диалога с которыми менеджеры и вовсе разочаровываются в данном канале продаж

Ну и конечно скорость обработки заявки желала лучшего, ответить на запрос клиента через 3 д (пусть даже заявка прилетела в пятницу) в B2C сегменте недопустимая роскошь.

Хотя и "адекватные заявки" с чеком тоже были, как например эта заявка на 377 тыс рублей.

Проблема:

1. МОП перегружены текущей работой и не обрабатывают заявки;
2. Много заявок ниже бюджета и менеджеры не хотят сортировать;
3. Низкая скорость обработки при работе с B2C сегментом

Шаг 2: ИИ ассистент решает проблему

Было принято решение внедрить ИИ сотрудника “Менеджер продаж”, который отвечает клиентам на Авито и сайте, квалифицирует клиента, если объем заказа низкий - направляет клиента на металлобазу, если заказ подходящий - делает сам расчет по прайс листу, дает информацию о наличии и формирует заказ на менеджера.

Алгоритм действий:

Сперва мы проанализировали около 400 действующих запросов клиентов и составили логику, объединив запросы в 7 категорий

*скриншот из таблицы с описанием логики работы ассистента

На основе этой логики собрали ИИ ассистента и обучили его на прайс-листах компании, чтобы ассистент знал актуальные цены, наличие и описание товаров.
Также в промт зашиты функции проведения квалификации клиента, расчета стоимости по прайсу и даже расчета скидки в зависимости от способа оплаты и стоимости заказа.

*часть промта для работы ассистента

Шаг 3: результат превзошел ожидания

Результат:

400 заявок с Авито обрабатываются корректно и быстро;
В 2 раза снизили нагрузку с менеджера;
Повысили конверсию в продажу на 20%

По итогам данной работы ИИ ассистент не просто отвечает на запрос клиента, а выполняет целый ряд задач, которые требовали времени от МОП:

Проведение квалификации клиента;
Расчет стоимости;
Расчет веса заказа (калькуляция из тонн в кг);
Актуализация наличия;
Расчет скидки по критериям;
При КВАЛ заказе - передает заявку на МОП.

Хотите также?

Кейс: Как ИИ ассистент заработал 2,8 млн в год на сокращении 8 менеджеров тех. поддержки

2024-06-18T12:40:31.612Z

Клиент: Продажа стикеров для iPhone

Шаг 1: ИИ продал ИИ

Начнем с того, что клиент обратился к нам в компанию SHEER после того, как увидел REELS сгенерированный ИИ, написал в директ и с ним пообщался наш собственный ИИ ассистент

Шаг 2: запрос клиента

Клиент занимается продажей стикеров для iPhone. Все продажи происходят автоматически через telegram bot, но вот вопросы от клиентов, которые ждут свой заказ поступают в личные сообщения 8 менеджерам тех. поддержки. Таких вопросов в день бывает от 100 до 1000 шт.

В итоге 8 менеджеров, каждый день отвечают на вопрос клиента о статусе заказа, заходят в CRM систему, смотрят трек номер заказа и объясняют клиенту, что его заказ еще в пути.

Проблема:

1. Высокий % негатива от клиентов за счет медленной реакции на запрос;
2. Высокий расход ФОТ на 8 менеджеров + текучка кадров

Шаг 3: проектирование решения

Для начала мы запросили текущие диалоги менеджеров для анализа. Нам предоставили выгрузку из TG, в которой было 52 000 диалогов.

Разобраться с этими данными вручную было бы бесконечно долго.

Поэтому мы разбили файл на части, сохранили в нужном формате и "скормили" его чату GPT для структурирования данных.

Получили такой результат:

Шаг 4: разработка ИИ ассистента

Для разработки ассистента мы выбрали последнюю модель Chat GPT-4o от компании

В качестве площадки для реализации ассистента мы воспользовались платформой наших партнеров от команды Nextbote

По мимо обучения самого ассистента отвечать на вопросы необходимо было брать из CRM системы статус заказа и трек номер доставки. И на запрос клиента о сроках доставки выдавать готовую ссылку на отслеживание доставки на сайте Почты России.

Пример: https://www.pochta.ru/tracking?barcode=80083797146393

Для этого мы выполнили интеграцию по API с CRM системой клиента.

А так выглядит Backend сторона рабочего процесса.

Шаг 5: результат

В итоге у нас получилось сделать ИИ ассистента, который полностью закрывает вопрос тех. поддержки для клиента. Как результат:

Экономия 2,8 млн рублей на ФОТ 8 менеджеров;
Мгновенный ответ тех. поддержки и решение запроса клиента;
Увеличение уровня сервиса, уровня доверия и следственно LTV клиента;
Увеличение количества повторных продаж и рекламаций.

P.S. про часы непрерывного тестирования ответов ассистента пожалуй промолчим 🎈