Как нейросеть за 3 недели пересобрала email-воронку: разбор кейса на реальных этапах

Email-маркетинг считается «скучным» каналом — до тех пор, пока нейросеть не начинает работать с ним как аналитик, копирайтер и A/B-тестировщик одновременно. Этот разбор — о том, как команда из трёх человек с помощью ИИ-инструментов для маркетинга за три недели подняла open rate с 14% до 31%, а конверсию в демо-запрос — вдвое…

Исходная ситуация: почему классический подход перестал работать

Компания — B2B SaaS, автоматизация документооборота, средний чек около 180 000 рублей в год. База — 11 000 контактов, собранных за несколько лет: лиды с вебинаров, загрузки white paper, триальные пользователи. На первый взгляд — хорошая база. На деле — каша из сегментов с разной степенью прогрева, которую никто не трогал больше года.

Три штатных маркетолога вручную писали письма под общие сегменты: «новые лиды», «триал», «неактивные». Тематика — одинаковая, тон — корпоративный, персонализация — только подстановка имени. Open rate держался на 14%, click rate — 1,8%, конверсия в демо — около 0,4%. Все понимали, что база деградирует, но ресурсов на глубокую пересегментацию и написание десятков вариантов писем не было.

Этап 1. Пересегментация базы с помощью ИИ — три дня вместо трёх недель

Первое, что сделала команда — выгрузила поведенческие данные из CRM и email-платформы: история открытий, клики по конкретным ссылкам, страницы сайта, которые посещал контакт, стадия в воронке. Всё это скормили языковой модели с чётким промптом: разбить базу на смысловые кластеры по реальному интересу, а не по формальным полям.

Результат — семь кластеров вместо трёх. Например, отдельно выделились контакты, которые несколько раз читали материалы про интеграцию с 1С, но никогда не открывали письма про общий функционал. Или лиды, пришедшие с вебинара про юридически значимый ЭДО — у них был свой болевой профиль. Классическая ручная сегментация это бы не поймала: слишком много переменных. ИИ справился за три часа машинного времени и один день проверки со стороны аналитика.

Важный момент: нейросеть не сегментировала «сама по себе» — она работала по задаче, которую сформулировал маркетолог. Качество промпта и понимание бизнес-логики здесь критично. Без этого на выходе будет красивая, но бесполезная кластеризация.

Этап 2. Генерация и тестирование контента — от брифа к письму за 40 минут

Под каждый из семи кластеров написали отдельную цепочку из трёх писем. Раньше это заняло бы две-три недели с учётом правок и согласований. С AI-ассистентом в роли копирайтера — четыре рабочих дня. Схема работы: маркетолог описывает кластер, его боль, желаемое следующее действие и тон коммуникации. Нейросеть генерирует три варианта темы письма и два варианта тела. Маркетолог выбирает, редактирует, согласует.

Отдельно тестировали тему письма — это давало самый быстрый сигнал. На каждый кластер запускали две темы с разбивкой 20/20% базы, через 4 часа победитель уходил на оставшиеся 60%. Нейросеть помогала не только генерировать варианты, но и объяснять, почему одна формулировка работает лучше — с точки зрения психологии принятия решений и специфики аудитории. Это неожиданно оказалось ценнее самих текстов: команда начала думать о заголовках иначе.

Средний open rate по семи цепочкам после первой волны — 27–31% против исходных 14%. Кластер «интеграция с 1С» показал 38% — очевидно, люди давно ждали релевантного письма именно по своей теме.

Этап 3. Динамическая персонализация — когда ИИ работает не разово, а постоянно

После первых результатов команда пошла дальше: подключила нейросеть к потоковой обработке новых лидов. Каждый новый контакт при попадании в базу автоматически получает «поведенческую метку» по первым действиям — какую страницу изучил, какой лид-магнит скачал, с какого источника пришёл. На основе метки система определяет стартовую цепочку без ручного вмешательства.

Это не фантастика и не требует сложной инфраструктуры — достаточно связки из email-платформы с API, простого скрипта-обработчика и языковой модели, которая классифицирует входящие данные. Техническая реализация заняла около пяти дней силами одного разработчика. Стоимость инференса на один контакт — копейки, окупается с первого же письма с повышенной конверсией.

Конверсия в демо-запрос по итогам трёх недель выросла с 0,4% до 0,85% — то есть примерно вдвое. При базе в 11 000 контактов и среднем чеке 180 000 рублей это ощутимо влияет на план продаж даже без роста базы.

Что здесь сделал ИИ, а что — люди: честное разграничение

Нейросети для маркетинга часто продают как замену команде. Этот кейс показывает другое: ИИ взял на себя объём и скорость — задачи, где человек физически не успевает. Пересегментировать 11 000 контактов по восьми переменным, сгенерировать 42 варианта тем писем, объяснить логику каждого выбора — всё это заняло бы месяц ручной работы. Машина сделала это за три дня.

Но стратегию, понимание продукта, редактуру и финальное решение — всё это оставалось за людьми. Маркетолог, который не понимает свою аудиторию, не получит хорошего результата от ИИ: модель усилит его понимание, а не заменит его. Это ключевой вывод, который стоит держать в голове при внедрении любых AI-инструментов в маркетинговые процессы.

Ещё один честный момент: первые итерации текстов от модели были хорошими, но не отличными. Редактура занимала 20–30 минут на письмо. Со временем, когда маркетолог научился точнее формулировать промпты под конкретный кластер, время редактуры сократилось до 10 минут. Навык работы с ИИ — это навык, который нужно нарабатывать.

Вывод: с чего начать, если вы хотите повторить этот путь

Не нужно сразу перестраивать всю маркетинговую систему. Оптимальная точка входа — один канал с измеримыми метриками (email, как в этом кейсе, или контентная цепочка в мессенджере) и конкретная гипотеза: что именно должно улучшиться и почему ИИ должен помочь. Дальше — быстрый пилот на части базы, замер, масштабирование.

Если у вас уже есть данные о поведении аудитории, но нет ресурсов на их глубокую обработку — это именно та ситуация, где нейросети для маркетинга дают наибольшую отдачу. Не там, где данных нет, и не там, где команда и так справляется вручную. Там, где объём превышает человеческие возможности, а цена ошибки — упущенные лиды.

В Tech Wave мы занимаемся именно такими задачами: помогаем компаниям встроить ИИ-инструменты в реальные маркетинговые процессы — от пересегментации до динамической персонализации. Если вы хотите разобрать свою ситуацию и понять, где AI даст быстрый и измеримый эффект — напишите нам, обсудим конкретику.