Разобрали базу пациентов нейросетью и поняли, что половину базы обзванивать вообще не надо
У нас 45 клиник и десятки тысяч контактов в CRM. Рассказываю, что нашла нейросеть в этих данных и почему стандартный обзвон «всех, кто давно не приходил» — это слив бюджета.
Меня зовут Алексей Малинов, я CEO Demokrat — управляющей компании сети стоматологических клиник. У нас 45 клиник в России и Казахстане, и в каждой в CRM лежит от нескольких тысяч до нескольких десятков тысяч контактов.
Это огромный актив, которым почти никто не пользуется. Не потому что не хотят, а потому что физически невозможно: администратор не прозвонит 8000 человек, а если и прозвонит — сделает это одинаково для всех.
В 2025 году мы начали разбирать базы нейросетью. Часть выводов оказалась контринтуитивной, и я думаю, они применимы далеко за пределами стоматологии — в любом бизнесе с повторными продажами.
Почему обзвон «по списку» не работает
Стандартная механика: выгружаем всех, кто не приходил полгода, обзваниваем с акцией. Конверсия низкая — и дело не в скрипте.
В одном списке лежат совершенно разные люди:
- пролечил один зуб и в целом здоров — ему нужен профосмотр, а не акция;
- согласовал план лечения на 300 тысяч и не пришёл — с ним надо говорить про рассрочку, а не про скидку;
- лечился три года и пропал после смены врача — ему важно, что о нём помнят;
- пришёл один раз по глубокой скидке — он, скорее всего, не вернётся вообще.
Всем четверым звонят одинаково. Трое раздражаются, четвёртый не покупает.
Разделить базу на такие сегменты руками — работа аналитика на несколько недель. Нейросеть делает это за вечер.
Как мы это устроили
Работаем с amoCRM, но принцип не зависит от системы.
Выгружаем обезличенные данные. Дата последнего визита, сумма всех покупок, количество визитов, какие услуги оказывались, был ли согласованный план и на какую сумму, источник обращения, комментарии администратора. Без имён и телефонов — вместо клиента идентификатор. Про 152-ФЗ скажу отдельно ниже.
Просим найти закономерности, а не заранее заданные сегменты. Это принципиально. Если сказать «раздели на 5 групп», получишь то, что и так думал. Задача формулируется иначе: найди в данных то, что отличает вернувшихся от невернувшихся.
Получаем сценарий под каждую группу. Повод для звонка, аргумент, ожидаемое возражение и ответ. Дальше редактирует живой руководитель, но десять черновиков готовы сразу, а не через неделю.
Прогоняем через модель записи разговоров. Раньше руководитель слушал десять звонков из тысячи. Сейчас разбирается весь массив, а человек смотрит только то, что помечено как проблемное.
Что нашлось в данных
Самый доходный сегмент — не тот, кому звонят первым. Обычно начинают с тех, кто давно пропал. А лучшую отдачу даёт группа, ушедшая недавно и на середине пути: человек начал лечение, прервался и ещё помнит зачем. Через год он решит вопрос в другом месте.
Причина ухода почти никогда не в цене. В комментариях и расшифровках всплывает другое: не перезвонили, не напомнили, сменился врач, неудобно было записаться. Всё это управляемо, в отличие от цены.
Половину базы не стоит трогать вообще. Те, кто пришёл один раз по глубокой скидке, почти не возвращаются по полной цене. Исключаешь их из обзвона — конверсия оставшегося списка растёт, а время сотрудников не тратится впустую. Для меня это был самый неожиданный вывод: мы годами считали, что чем больше обзвон, тем лучше.
Скрипт устаревает быстрее, чем его переписывают. Когда анализируется каждый разговор, видно, какие формулировки перестали работать. Раньше это выяснялось через квартал по падению конверсии.
Что важно, если будете повторять
Персональные данные — первое, а не последнее. Передача персданных в стороннюю систему это 152-ФЗ. Мы работаем только с обезличенными выгрузками: ни ФИО, ни телефонов, ни медицинских сведений. Модель видит поведение, а не человека. Если у вас чувствительные данные — проговорите с юристом до, а не после.
Мусор в CRM никуда не денется. Нейросеть не спасёт базу, где половина полей пустая, а комментарии выглядят как «звонила, думает». У нас на приведение данных в порядок ушло больше времени, чем на сам анализ.
Модель не звонит вместо человека. Мы пробовали автоматизировать сам контакт — на текущем этапе это ухудшает конверсию в нашей нише. Она готовит структуру и черновики, звонит по-прежнему человек.
Выводы надо проверять. Нейросеть уверенно формулирует и ошибочные заключения тоже. Каждую закономерность мы проверяли на исторических данных: правда ли те, кого модель сочла перспективными, чаще возвращались.
Если хотите попробовать сами
Минимум, который не требует бюджета:
- Выгрузите обезличенную таблицу по клиентам за два-три года.
- Попросите модель найти отличия между вернувшимися и невернувшимися.
- Возьмите один сегмент — самый перспективный по её оценке — и обзвоните сотню контактов руками.
- Сравните конверсию с обычным обзвоном.
Если разница есть — стройте регулярный процесс. Если нет — вы потеряли вечер и сотню звонков.
Промпты и пошаговый разбор того, как мы работаем с CRM через нейросеть, выложили в открытый доступ: https://demokrat-fr.com/a3OO
Если у вас другой опыт с разбором базы через ИИ — интересно почитать в комментариях. Особенно про попытки автоматизировать сам звонок: у нас не получилось, но возможно, дело в нише.