Мессенджеры и чат-боты | Townsend

Реклама дорожает, конкуренция усиливается, а привычные механики запусков перестают давать прежний ROI 👀
Что работает в e-commerce прямо сейчас, лучше всего показывают реальные цифры, а не теория.

10 сентября пройдёт онлайн-мероприятие «Живой разбор кейсов. Маркетинг и продажи в e-commerce».
Формат максимально прикладной: у каждого спикера 15 минут, чтобы показать задачу, выбранные инструменты и полученный результат.

От нашей команды выступит Ольга Дерышева, COO Townsend. Она расскажет, как чат-бот для интернет-магазина корейской косметики стал консультантом, помогал клиенту с выбором и доводил его до покупки.

Также своими кейсами поделятся эксперты Demis Group, Vitamin. Tools и TargetHunter.

📅 10 сентября
🕐 12:00 Мск
💻 Онлайн

Если хотите посмотреть, какие механики сегодня реально работают в e-commerce и что можно применить в своих проектах, присоединяйтесь.

👉 Зарегистрироваться 👈

Обычный (алгоритмический) чат-бот работает по заранее спроектированной логике.

Например:

«Выберите услугу» → «Укажите город» → «Оставьте телефон» → заявка передаётся менеджеру.

Мы заранее знаем возможные действия пользователя и определяем, что бот должен сделать на каждом шаге. Это хорошо работает там, где задача понятная и путь можно разложить на конкретные сценарии.

С ИИ-ассистентом логика другая. Пользователю не обязательно выбирать нужную кнопку или формулировать вопрос так, как предусмотрено сценарием. Он может написать:
«Я хочу подключить ваш сервис, но пока не понимаю, какой тариф мне нужен. У нас пять менеджеров и около 300 обращений в месяц».

ИИ-ассистент может понять такой запрос, выделить важный контекст, обратиться к базе знаний, задать уточняющий вопрос и сформировать ответ под конкретную ситуацию.

Обычный бот ведёт человека по предусмотренным веткам. ИИ-ассистент может работать там, где заранее невозможно прописать все варианты вопросов и ответов.

То есть главное отличие — в степени вариативности диалога.

Например, в онлайн-школе он может помочь подобрать программу под запрос ученика, в клинике — сориентировать по услуге и подготовке к приёму, а в B2B — разобраться в задаче клиента и предложить подходящий вариант решения.

При этом хороший ИИ-ассистент тоже не работает «как захочет». Для него нужно определить источники знаний, правила, ограничения, допустимые действия и ситуации, в которых диалог необходимо передать человеку. Об этом мы подробно говорили в одном из августовских постов.

Поэтому ещё на этапе проектирования важно понять, насколько вариативными будут запросы пользователей и какой уровень гибкости должен быть заложен в диалог. От этого и зависит, какой инструмент лучше подойдёт под конкретную задачу.

➡️ Читать нас в ВК и MAX

В августе на канале говорили о том, как проектировать сценарии вокруг задачи бизнеса и поведения клиента: что смотреть в аналитике, какие действия считать триггерами, какие данные передавать менеджеру и почему запуск бота — это только часть работы.

→ Как аналитика помогает найти разрывы в воронке

Разобрали, что должна показывать аналитика в мессенджер-маркетинге: не только запуски бота, клики и заявки, но и качество обращений, скорость ответа, передачу данных менеджеру, продажи и выручку.

А ещё поговорили о точках выхода из сценария: если пользователи массово останавливаются на одном шаге, это не готовый диагноз, а повод проверить гипотезы и найти, где реальный путь клиента расходится с запланированным.

→ Какие вопросы задавать перед запуском чат-бота

Хорошая автоматизация начинается не с выбора платформы, а с вопроса: какую именно проблему мы хотим решить?
Если задача звучит слишком широко — «увеличить конверсию» или «разгрузить менеджеров» — сначала нужно понять, где именно возникает разрыв: на входе, после заявки, при передаче данных или на этапе повторного касания.

→ Как действия клиента должны запускать разные сценарии

Поведение пользователя уже может быть триггером для автоматизации: посмотрел стоимость, начал заявку и остановился, несколько раз вернулся к услуге, задал вопрос специалисту или совершил покупку.
Главное — не реагировать на все действия одинаково, а понимать, что изменилось в контексте клиента и какой следующий шаг будет уместен.

→ Что должен получить менеджер после диалога клиента с ботом

На примере онлайн-школы показали, почему имя и телефон — это ещё не полноценная заявка. Менеджеру нужен контекст: запрос клиента, причина интереса, сроки, выбранный сценарий, источник обращения и следующий шаг.
Если эти данные сохраняются в CRM, разговор можно продолжить без повторного опроса, а контекст не теряется после передачи заявки.

→ Почему ИИ-ассистенту нужна спроектированная база знаний

Больше информации не значит лучше. Чтобы ИИ-ассистент отвечал точнее, важно заранее определить его роль, реальные сценарии, источники знаний, границы ответственности и правила обновления базы.
Хороший ассистент не обязан знать всё — он должен понимать, где может ответить сам, а когда нужно уточнить информацию или передать диалог человеку.

→ Как игровой квест помогает вовлекать аудиторию

В кейсе бренда верхней одежды показали, как Телеграм-бот превратил знакомство с ассортиментом в игру: пользователь выбирал героя, проходил холодное путешествие и подбирал одежду под дождь, ветер и мороз.
Игровая механика помогла вовлечь аудиторию, объяснить разницу между моделями и привести пользователя к программе лояльности.

➡️ Читать нас в ВК и MAX

Если пользователи массово прекращают сценарий на одном и том же шаге, это повод присмотреться к нему внимательнее.
Например, человек изучает условия, выбирает подходящий вариант, переходит дальше — а после просьбы оставить номер телефона закрывает бот 👻

Можно решить, что пользователи просто не хотят делиться контактами. Но точка выхода показывает только место, где прервался путь, а не причину.
Возможно, номер запрашивают слишком рано. Пользователь не понимает, зачем его оставлять и что произойдёт дальше. Предыдущие шаги не сформировали достаточной ценности. Или на этом этапе возникла техническая проблема.

При этом не каждый выход нужно считать проблемным 💯 Если человек пришёл узнать стоимость, получил ответ и закрыл бот, сценарий мог выполнить свою задачу.

Поэтому важно сравнивать фактическое поведение с запланированным: какое действие пользователь должен был совершить на этом этапе и почему он его не совершил.
А затем проверять гипотезы с помощью других данных — источника трафика, сегмента пользователя, действий перед выходом, вопросов в диалоге и изменений конверсии после обновления сценария.

В карточках показываем, как анализировать точки выхода и находить элементы сценария, которые действительно стоит доработать.

➡️ Читать нас в ВК и MAX

Кажется логичным: чем больше материалов дать ИИ-ассистенту, тем лучше он будет отвечать. Загрузить сайт, презентации, инструкции, регламенты, переписку, FAQ — и пусть использует всё, что знает компания.

На практике объём базы сам по себе ничего не гарантирует. Если в ней смешаны устаревшие документы, противоречащие друг другу правила и информация, которая вообще не относится к задаче ассистента, ответы лучше не станут.

Поэтому базу знаний стоит проектировать определенным образом. Как? Отвечаем в карточках ⤴️

➡️ Читать нас в ВК и MAX