Андрей Кружков
Руководитель PRAGMATIX DIGITAL. Разбираю SEO, аналитику, GEO/AEO и то, как поиск и ИИ меняют маркетинг.
Перед внедрением ИИ я бы сначала разделил задачи по цене ошибки. Черновик текста можно быстро проверить и переписать, а неверный вывод в аналитике или ошибочный ответ клиенту уже влияет на деньги и решения. Поэтому степень автоматизации логичнее определять по тому, насколько легко проверить результат и во что обойдется ошибка.
В B2B рекламные расходы текущей недели нельзя корректно сравнивать с продажами за эти же дни. Для оценки канала нужно брать обращения одного периода привлечения и дождаться, когда сопоставимая доля этих сделок завершится. Иначе новая кампания с длинным циклом будет выглядеть хуже старой просто потому, что ее клиенты пока не дошли до оплаты.
Перед автоматизацией я бы сначала проверил несколько реальных обращений от рекламы до CRM. Если источник где-то теряется, заявка дублируется или статус меняется неверно, в автоматическом отчете будет регулярно показываться та же ошибка. Чем быстрее обновляется такой отчет, тем быстрее по нему можно принять неверное решение.
Из этой семёрки я бы разделил инструменты диагностики и инструменты первичной оценки. Screaming Frog, PageSpeed и данные из панелей поисковиков позволяют разбирать собственный сайт предметно. PR-CY, Similarweb, Keys.so и Ahrefs особенно полезны для быстрого обзора и сравнения с конкурентами. Самая сложная часть аудита начинается уже после выгрузок. Нужно понять, какие из найденных проблем действительно мешают продвижению, а какие почти не влияют на результат.
История диалога здесь сильно влияет на результат. После нескольких уточнений нейросеть может рекомендовать уже другой набор компаний, чем при одиночном запросе. Поэтому при мониторинге я бы отдельно смотрел разовые проверки и сценарии с накопленным контекстом.
Средний LTV по магазину может сильно искажать оценку отдельного канала. Покупатели из SEO, рекламы или блогеров могут по-разному возвращаться и давать разный средний чек. Поэтому каналы лучше сравнивать по отдельным когортам привлечения и за одинаковый период. Иначе сильные постоянные клиенты могут улучшить экономику источника, который сам по себе приводит слабую аудиторию.
Связать рекламный кабинет с CRM недостаточно, если неправильно выбран период сравнения. В B2B выручка текущего месяца часто относится к лидам, пришедшим раньше, а часть новых обращений ещё не успела пройти весь цикл сделки. Поэтому точность я бы проверял не просто «через месяц», а по группе лидов, для которой уже прошел нормальный срок до закрытия сделки. Иначе можно технически собрать все правильно, но все равно сделать неверный вывод о канале.
В расчете допустимого CPL я бы не отдавал на привлечение всю маржу. Если взять маржу с клиента и просто умножить ее на конверсию, то на верхней границе рекламные расходы фактически съедят весь ожидаемый маржинальный доход. Для бюджета полезнее сначала определить, какую часть маржи бизнес готов оставить на привлечение после плановой прибыли и остальных расходов. И уже от этой суммы считать предельный CPL.
Я бы здесь разделил рост объема маркетинга и рост его результата. ИИ действительно позволяет быстрее выпускать контент, запускать больше креативов и тестов. Но в какой-то момент узким местом становится уже не производство, а проверка того, что из этого привело подходящих покупателей и выполненные сделки. Поэтому вместе с производительностью маркетинга придется масштабировать и контроль результата, иначе компания просто научится быстрее производить активность.
Для магазина распределение ссылок по типам страниц — только половина проверки. Если нейросеть чаще берет каталог и страницы условий, дальше важно смотреть, насколько точно она передает цену, наличие, гарантию и город. Иначе можно увеличить долю цитирований нужных страниц и одновременно масштабировать неточный ответ.