Сэкономили на поддержке с помощью ИИ и потеряли деньги. Как это посчитать

Поставили бота в поддержку, сократили операторов, маржа с клиента выросла на 10%. В отчёте за месяц всё отлично. А через год выясняется, что клиенты стали уходить чаще. И расчётная ценность клиентской базы оказалась ниже, чем до внедрения бота..

Это не страшилка, а арифметика. Её видно, если считать не выручку за месяц, а ценность клиента за всё время, пока он с вами. Её называют CLV.

CLV часто называют LTV — речь о ценности клиента за всё время отношений. Но считать её можно по-разному. Иногда берут выручку, здесь мы считаем будущую маржу с учётом дисконтирования. Поэтому важно смотреть не только на название метрики, но и на формулу.

Давайте на цифрах

Клиент приносит 10 000 ₽ маржи в год после прямых затрат на продукт и обслуживание. Через год остаются 80% клиентов. Для условного расчёта возьмём ставку дисконтирования 14% — на уровне ключевой ставки ЦБ на 12 октября 2026 года. В реальном бизнесе её нужно определить с учётом стоимости капитала и рисков. Приведённая стоимость будущей маржи такого клиента — около 23 500 ₽.

А теперь три сценария (при прочих равных):

— Выросла маржа (+10%): ценность клиента выросла на 10%, до 25 900 ₽.
— Выросло удержание всего на 5 пунктов (с 80 до 85%): расчётная ценность клиента выросла примерно на 25%, до 29 300 ₽.
— Ловушка с ботом: бот поднял маржу на 10%, но удержание упало с 80 до 75%. Итог — ценность клиента рухнула на 10%, до 21 200 ₽.

Формула и все сценарии — на второй карточке в карусели. 👆

Модель упрощённая: маржа и удержание не меняются, срок не ограничен, затраты на привлечение не учтены.

Почему экономия обманчива

В нашем примере рост удержания на 5 пунктов даёт больший эффект, чем рост маржи на 10%: оставшийся клиент продолжает приносить деньги в следующие годы. Экономия на поддержке видна в отчёте сразу, а отток из-за плохого сервиса — через год.

Но и удержание не стоит поднимать любой ценой: решение зависит от того, сколько это стоит. Поэтому клиентов делят на группы и решают, куда вкладываться, например через RFM-анализ.

Где ИИ растит ценность клиента

Маржа. Ассистенты и боты снимают типовые вопросы, обслуживание дешевеет. Какой уровень автоматизации где нужен, разбирал в посте про ботов, ассистентов и агентов.

Удержание. Модель на истории покупок замечает клиентов, которые затихают, раньше, чем они уйдут.

Рост чека. Персональные допродажи по истории покупок, а не одна рассылка на всех.

Привлечение. Модель показывает, какие каналы приводят тех, кто остаётся надолго, а не просто дешёвые заявки.

ИИ может снизить стоимость обслуживания. Это ещё не значит, что он увеличил ценность клиента. Оценивайте не только экономию на операторах, но и итог: как изменилась ценность клиента с учётом маржи и удержания.

Как посчитать у себя

Сначала решите, что считается удержанием: для подписки — продление, для разовых покупок — повторная покупка за выбранный срок. Подготовьте выгрузку: технические идентификаторы клиентов, даты, суммы покупок и маржа, без ФИО и телефонов. Это снижает риск, но не делает данные полностью анонимными, поэтому работайте в разрешённом компанией сервисе.

Попросите ИИ написать и выполнить код: удержание и ценность клиента по группам, пришедшим в один месяц. Одну группу пересчитайте сами.

Идея не новая: клиентский капитал описали ещё в Harvard Business Review в 1996 году. Промпт для расчёта — в комментариях.

Вы знаете, сколько у вас остаётся клиентов через год?

#система_боярских #ИИ_для_дела