Персональный оффер собирается в три шага: сегменты по поведению клиентов, боль и выгода для каждого сегмента, затем текст под конкретного человека с его данными. ИИ ускоряет второй и третий шаг: ранжирует боли и мотивы, пишет варианты оффера и подставляет детали из CRM. Илья Бердыш на AI Борще рассказывал, как в mymeet.ai агент собирает персональные офферы по всей базе клиентов, B2C и B2B. А в кейсе из доклада Юлии Воликовой исследование аудитории и восемь гипотез оффера для B2B-производителя дали одну рабочую гипотезу, которая принесла почти 3 млн рублей.
Какие данные нужны
Минимальный набор: история покупок или заказов, источник, из которого пришёл клиент, активность в письмах и на сайте, обращения в поддержку. Для B2B добавь отрасль, размер компании и роль контакта: тот, кто принимает решение, и тот, кто пользуется продуктом, хотят услышать разное.
Персональные данные клиентов попадают под 152-ФЗ. Работай с российскими моделями или моделью в своём контуре, а перед отправкой в модель заменяй имена, телефоны и почту на внутренние номера. Модели для оффера нужны поведение и контекст, паспортные данные ей ни к чему.
Сегменты по поведению
Пол и возраст редко объясняют, почему человек купит. Поведение объясняет больше. Простая схема для B2C: давность последней покупки, частота покупок и сумма. Клиент, который покупал часто и много, но пропал три месяца назад, ждёт другого письма, чем новичок после первого заказа.
Для B2B удобнее делить по стадии отношений: новый клиент, активный, спящий, на продлении. Внутри стадии дели по роли контакта.
Как ИИ собирает оффер под сегмент
- Дай модели описание сегмента и от 10 до 20 реальных отзывов, писем или фрагментов звонков клиентов из этого сегмента.
- Попроси ранжировать боли, мотивы и выгоды по частоте и силе и к каждой дать цитату-подтверждение.
- Собери три варианта оффера на сегмент: продукт один, выгоды разные.
- Для персонального письма подставь поля из CRM: что человек покупал, что смотрел, сколько не заходил. Модель пишет первую строку под человека, остальное берётся из оффера сегмента.
- Проверь выборку руками и запусти тест на части сегмента.
Проверка до отправки
- Модель не выдумывает прошлые покупки и детали. Если поля в CRM нет, строки про него в письме тоже нет.
- В тексте нет чувствительных данных: суммы долга, диагнозов, личных обстоятельств.
- Оффер не обещает того, чего нет в условиях: скидки, сроков, подарков.
- Частота касаний не выросла от того, что писем стало проще делать.
Граница здесь тонкая. По данным Capgemini, 63% потребителей хотят гиперперсонализированный контент для покупок, но 71% беспокоятся о том, как ИИ использует их персональные данные. Персонализация, которая показывает, как много бренд знает о человеке, пугает.
Как мерить
Оставь контрольную группу внутри каждого сегмента, которая получает общий оффер. Сравнивай конверсию в покупку или встречу, открытия писем тут мало что говорят. Через месяц станет видно, какие сегменты отвечают на персонализацию, а где хватает хорошего общего письма.
Что осталось в записи и презентации
В докладе Юлии Воликовой есть кейс B2B-производителя модулей для глэмпинга: исследование аудитории, ранжирование болей, мотивов и выгод, несколько офферов и восемь гипотез. Одна гипотеза принесла почти 3 млн рублей. Как проводили ранжирование и какие офферы тестировали, показано в презентации. Как агент mymeet.ai собирает персональные офферы по всей базе, рассказал Илья Бердыш, кейс есть в записи его доклада.
Получить запись и материалы конференции →
Читайте по теме: ИИ для лендингов и офферов · ИИ в email-маркетинге · ИИ-аналитика аудитории