OpaGPT Контекст: когда ручные рассылки перестают работать
Онлайн-школа английского языка с базой в 14 800 подписчиков обратилась ко мне с болью: конверсия из письма в покупку курса упала до 0,4%. Средний чек — 9 900 рублей. Открываемость писем — 11%, кликабельность — 0,9%. Кампании запускались вручную через Excel-таблицы и стандартный сервис массовых отправок. Менеджер тратил по 6 часов в неделю на сегментацию, но сегменты были статичными: «открыл/не открыл», «купил/не купил». Как создать ИИ-агента для email-рассылок: кейс с ростом в 2,7 раза
Проблема классическая: отсутствие персонализации в моменте. Письмо приходит через 3 дня после действия пользователя, а не через 15 минут. Интерес остывает, и потенциальный клиент уходит к конкурентам. Задача была поставлена жестко: автоматизировать процесс так, чтобы система сама решала, кому, когда и что отправлять, без участия человека. Как создать AI-агента email-рассылок: пошаговый кейс с цифрами
Проблема: три системные ошибки в email-маркетинге
Прежде чем строить AI-агента, я выделил ключевые узлы, которые тормозили рост. Их три.
- Задержка реакции на поведение. Пользователь бросил корзину с курсом — письмо ушло через 48 часов. За это время он успел купить аналог у другого.
- Однотипные сценарии. Всем новичкам слали одну и ту же цепочку из 5 писем. Не учитывался уровень владения языком и цель (путешествия, работа, экзамены).
- Отсутствие предиктивного скоринга. Система не понимала, кто из подписчиков «горячий», а кто «холодный». Деньги тратились на отправку писем тем, кто никогда не купит.
Решение — построить AI-агента, который анализирует каждое действие пользователя в реальном времени и принимает решение об отправке. Я использовал связку из Python-скриптов, API сервиса рассылок и языковой модели для генерации персонализированных тем и превью текста.
Решение: архитектура AI-агента для рассылок
Я не буду описывать код полностью, но дам схему, которую можно воспроизвести. Основные модули агента:
- Трекер событий. Собирает данные с сайта: просмотр страниц курса, время на странице, клики, добавление в корзину, переходы по ссылкам из прошлых писем.
- Предиктивный скоринг. Модель машинного обучения (градиентный бустинг) оценивает вероятность покупки в течение 7 дней. Оценка от 0 до 100. Порог для «горячего» лида — 65 баллов.
- Генератор контента. На основе профиля пользователя и его текущего действия LLM генерирует тему письма и первый абзац. Остальной текст — из шаблонов с подстановкой переменных.
- Оркестратор сценариев. Определяет, когда отправить письмо: мгновенно (если скор > 65), через 3 часа (если 40-65), через 24 часа (если < 40).
Система работала в связке с существующим сервисом рассылок. AI-агент каждые 5 минут опрашивал базу данных о новых событиях, обрабатывал их и ставил задачи на отправку через API.
Совет: не пытайтесь обучить модель с нуля. Используйте готовые библиотеки (scikit-learn) и языковые API. Главная ценность — не в алгоритме, а в правильной логике сегментации и триггеров.
Ключевая фишка: динамические темы писем
Мы тестировали 4 варианта тем для каждого пользователя в момент отправки. Агент выбирал ту, которая обещала максимальный CTR, на основе истории кликов этого же пользователя. Для этого использовалась простая логика: если человек раньше кликал на письма со словом «бесплатно», агент подставлял его в тему. Если кликал на «скидка 30%» — использовал этот триггер.
Результат: цифры через 60 дней работы
Агент запустили 1 марта. Замеры делали 1 мая. Период — ровно 60 дней. Чтобы исключить сезонность, сравнивали с предыдущими двумя месяцами (январь-февраль), когда рассылки шли вручную.
| Показатель | До (янв-фев) | После (март-апр) | Динамика |
|---|---|---|---|
| Открываемость (open rate) | 11,2% | 18,7% | +67% |
| Кликабельность (CTR) | 0,9% | 2,4% | +166% |
| Конверсия в покупку | 0,4% | 0,92% | +130% |
| Выручка с рассылок | 348 000 ₽ | 803 000 ₽ | +230% |
| Затраты времени менеджера | 24 ч/мес | 3 ч/мес | -87% |
Главный результат — выручка выросла в 2,3 раза без увеличения базы подписчиков. При этом количество отправленных писем снизилось на 22%, потому что агент перестал слать сообщения «холодным» лидам. Это сэкономило бюджет на сервисе рассылок.
Важно: мы не использовали сложные нейросети для генерации всего текста. LLM генерировала только тему и первый абзац. Полные письма собирались из шаблонов. Это ускорило работу и снизило риск ошибок в фактах.
Выводы: что окупилось и где подводные камни
Проект окупился за 3 недели. Стоимость разработки (моя работа + API) — 45 000 рублей. Дополнительная выручка за первый месяц — 455 000 рублей. ROI составил 10 к 1.
Но есть нюансы, которые я не учел на старте:
- Качество данных. Первые две недели агент работал плохо, потому что в CRM были битые email-адреса и дубли. Потратили время на чистку базы.
- Скорость API. Бесплатные тарифы языковых моделей давали задержку 3-5 секунд. Для мгновенной отправки пришлось перейти на платный тариф.
- Человеческий контроль. Агент мог отправить письмо с темой «Скидка 50%» даже если скидка была 10%. Поэтому добавили фильтр, который блокирует отправку, если сумма скидки в теме не совпадает с реальной.
Если у вас похожая ситуация — база от 5 000 подписчиков, ручная сегментация и статичные цепочки — рекомендую начать с малого. Автоматизируйте один сценарий (например, брошенная корзина), замерьте результат за месяц, а потом масштабируйте.
Совет: не пытайтесь внедрить AI-агента сразу на все потоки. Выберите одну цепочку с самым высоким потенциалом и тестируйте на ней. Когда увидите цифры — покажете руководству и получите бюджет на масштабирование.
Для быстрого старта можете использовать готовые платформы с AI-функциями, например OpaGPT, но для глубокой кастомизации придется писать код. Я потратил 4 дня на разра��отку и 2 недели на отладку. Если у вас нет опыта в Python, наймите фрилансера — задача не сложнее создания простого телеграм-бота.
FAQ
Сколько стоит создать AI-агента для рассылок?
Если делать через фрилансера — от 30 000 до 60 000 рублей. Если через конструкторы с AI-функциями — от 5 000 рублей в месяц. Мой кейс обошелся в 45 000 рублей с учетом всех API.
Какие данные нужны для работы AI-агента?
Минимум: история покупок, кликов по ссылкам, открытий писем, время на сайте, страницы посещений. Чем больше данных, тем точнее прогноз. Для старта хватит 3-4 месяцев истории.
Подойдет ли это для малого бизнеса с базой 1000 человек?
Да, но окупаемость будет ниже. На базе 1000 человек вы сэкономите 3-4 часа в неделю и получите прирост конверсии, но абсолютная цифра выручки будет небольшой. Порог рентабельности — от 3000 подписчиков.
Какой сервис рассылок лучше всего интегрируется с AI?
Все популярные сервисы имеют API: UniSender, SendPulse, GetResponse, Mailchimp. Я использовал SendPulse из-за дешевых тарифов и простого REST API. Главное — чтобы сервис поддерживал вебхуки для передачи событий в реальном времени.