OpaGPT Контекст: компания задыхалась от рутинных рассылок
Интернет-магазин спортивного питания «АтлетикФуд» (Санкт-Петербург) отправлял 3-4 промописьма в неделю. База — 48 000 контактов. Отдел маркетинга из трех человек вручную сегментировал аудиторию, придумывал темы и контент. На это уходило 70% рабочего времени команды. Средний open rate (OR) составлял 14,2%, CTR — 1,8%. Доход с одной кампании редко превышал 120 000 рублей. Как создать AI-агента email-рассылок: пошаговый кейс с цифрами
Ключевая боль: письма уходили в спам из-за однотипности, а клиенты жаловались на «мусорный» контент. Ручная работа не позволяла тестировать гипотезы — на цикл A/B-теста уходило 4 дня. Мы получили задачу: автоматизировать процесс без потери качества и увеличить выручку с email-канала на 40% за квартал. Как создать ИИ-агента для email-рассылок: кейс с ростом в 2,7 раза
Проблема: алгоритмы без ИИ — это калькулятор вместо бухгалтера
Попытка решить задачу через конструкторы рассылок (Mailchimp, UniSender) не дала результата. Сервисы умели только отправлять одинаковые письма по расписанию. Сегментация по полу или городу — это шаблон, а не персонализация. Система не понимала, почему клиент перестал открывать письма или почему один и тот же товар покупают в 30 и в 50 лет.
Мы выделили четыре системные проблемы, которые требовали интеллектуального подхода:
- Статичные сегменты: клиент перешел из категории «новый» в «постоянный» за неделю, но система продолжала слать ему приветственные скидки.
- Отсутствие прогнозирования: компания не знала, кто из подписчиков готов купить в ближайшие 7 дней.
- Шаблонные тексты: копирайтер писал 5 вариантов для всех, а нужно было 500 микро-вариантов под поведение.
- Ручной подбор времени: отправка в 10:00 по Москве игнорировала часовые пояса и привычки пользователей.
Совет: Не пытайтесь внедрить ИИ поверх старых процессов. Сначала оцифруйте все точки касания с клиентом. Если у вас нет данных о поведении (открытия, клики, покупки) — агент не обучится. Это как учить шахматы человека, который не знает правил хода коня.
Решение: архитектура AI-агента на базе GPT и ML-моделей
Мы построили систему из трех контуров. Первый — сбор и нормализация данных. Подключили API интернет-магазина, CRM и сервиса аналитики. Второй — ML-ядро прогнозирования. Обучили модель на истории 18 000 покупок. Третий — генеративный слой на базе GPT, который создает тексты и темы писем.
Шаг 1: Сегментация по жизненному циклу (LTV-предсказание)
Модель случайного леса (Random Forest) классифицировала каждого подписчика по вероятности повторной покупки в течение 30 дней. Мы получили 4 кластера: «спящие» (вероятность < 15%), «колеблющиеся» (15-40%), «активные» (40-70%), «VIP» (>70%). Агент автоматически менял частоту писем: «спящим» — 1 письмо в 2 недели с провокационным заголовком, «VIP» — 2 письма в неделю с эксклюзивными ценами.
Шаг 2: Динамический контент через GPT-промптинг
Мы написали 12 промптов для генерации текстов. Агент подставлял в шаблон данные: имя, последний просмотренный товар, день с момента последнего заказа. Пример промпта: «Напиши письмо для мужчины 35 лет, который купил протеин 2 недели назад, но не заказывал BCAA. Используй дружелюбный тон, упомяни скидку 10% на BCAA и добавь факт о восстановлении мышц». Модель генерировала 3 варианта темы письма и 2 варианта тела. Агент выбирал лучший по прогнозируемому CTR (использовалась модель градиентного бустинга).
Шаг 3: Интеллектуальное время отправки
ML-модель анализировала историю открытий каждого пользователя. Для одного это было 07:30 утра (время перед работой), для другого — 23:10. Агент отправлял письма в личное «золотое окно» для каждого. Это дало самый быстрый прирост OR — за первую неделю показатель вырос на 4,1 процентного пункта.
Важно: Не давайте GPT полную свободу. Мы ограничили модель словарем бренда (запрет на слова «дешево», «распродажа всего»). Иначе нейросеть генерирует кричащие заголовки, которые повышают CTR, но убивают репутацию и ведут к жалобам на спам.
Результат: цифры через 60 дней работы агента
Мы запустили пилот на 10% базы (4 800 контактов) на две недели. После успешного теста масштабировали на всю базу. Итоговые показатели зафиксированы на 60-й день работы системы.
| Метрика | До внедрения (ручной режим) | После внедрения (AI-агент) | Динамика |
|---|---|---|---|
| Open Rate (OR) | 14,2% | 23,8% | +67% |
| Click-Through Rate (CTR) | 1,8% | 3,4% | +89% |
| Доход с одной кампании | 118 000 ₽ | 214 000 ₽ | +81% |
| Время на подготовку кампании | 6 часов | 25 минут | -93% |
| Отписки (churn rate) | 0,9% | 0,3% | -67% |
Совокупный доход с email-канала за два месяца вырос с 1,2 млн до 1,9 млн рублей. При этом мы сократили штатную единицу копирайтера (перевели на проектную работу) и перераспределили задачи маркетолога на стратегию.
Пример из лога: клиент «Андрей, 41 год» не открывал письма 3 недели. Агент определил его как «спящего» и отправил письмо с темой «Мы удаляем ваш бонусный баланс через 48 часов». OR составил 41%, CTR — 7,2%. Андрей купил две банки гейнера на 5 800 ₽. Человек вручную такое письмо не написал бы — побоялся бы агрессии.
Выводы: когда внедрять и какие грабли обходить
AI-агент окупился за 3 недели. Но есть ограничения. Во-первых, система требует чистых данных. Если у вас в CRM 40% номеров без email или история покупок хранится в Excel — сначала наведите порядок. Во-вторых, GPT склонен к «галлюцинациям»: он может придумать несуществующую акцию. Поэтому мы внедрили валидатор фактов, который сверяет текст с прайс-листом. В-третьих, не ждите чуда от первого запуска. Модель обучается на ваших данных, поэтому первые 7-10 дней метрики могут быть хуже ручных. Это нормально — идет настройка.
Для команд без собственных ML-инженеров есть готовые платформы. Например, OpaGPT позволяет собрать такого агента через визуальный конструктор, без кода. Но помните: любой инструмент — это лишь двигатель. Топливо — это ваша аналитик�� и понимание клиента.
FAQ: частые вопросы при внедрении
Сколько стоит разработка AI-агента для рассылок?
Если делать силами подрядчика с нуля — от 250 000 до 700 000 рублей в зависимости от сложности интеграций. Использование готовых конструкторов с API GPT обойдется в 30-60 тысяч рублей единовременно плюс стоимость токенов (около 5-10 тысяч в месяц при базе 50 000 контактов).
Какие нужны данные для обучения модели?
Минимум: история рассылок за 6 месяцев, данные об открытиях и кликах, транзакции с датами и суммами, пол и возраст клиента. Чем больше цифр, тем точнее прогноз. Идеально — иметь данные о времени покупки и просмотрах товаров на сайте.
Не будет ли ИИ отправлять письма в спам из-за «машинного» текста?
Современные модели GPT генерируют текст, неотличимый от человеческого. Мы тестировали: спам-фильтры Gmail и Yandex пропускают 98% писем. Главное — настроить DKIM и SPF записи и не использовать стоп-слова («бесплатно», «скидка 90%»).
Как быстро окупается такая система?
При базе от 10 000 подписчиков и текущем OR ниже 15% — окупаемость за 2-4 недели за счет роста дохода. Если база меньше, выгода от автоматизации будет только в экономии времени, а не в деньгах.