Как за 24 часа персонализировать скрипты в лидогенерации с помощью Al: пошаговая инструкция. Часть 1. Персонализация — уже не просто тренд, а проверенный способ повысить эффективность B2B-коммуникаций. Например, недавно Drift внедрила генеративный ИИ для чатов на сайте. Его бот автоматически подбирает аргументы, учитывая действия пользователя и данные CRM. И это привело к 30 % росту релевантных лидов в первых двух кварталах.

Но если вы откроете ChatGPT и напишете: «Сделай письмо для компании Х», — результата не будет. Недавно в uforce запускали клиентский проект — и получили больше 22% reply rate (если что, от старта проекта до запуска ушло меньше 24 часов на подготовку🤓) Вместе с Савелием Косовановым, замечательным специалистом и мастером аутрича, собрали знания в кучу и теперь расскажем, как мы делаем такие проекты пошагово — забирайте себе, чтобы повторить, не жалко!😂 Кстати, Сава ещё и свой канал ведёт, инфа там просто — da best!

Шаг 1. Сбор базы + поиск инфоповодов. 1. Готовим дата-сет: возьмите исходный список из CRM, Data-брокеров, LinkedIn, Crunchbase или ProductHunt, очистите его от дубликатов и невалидных записей и дополните данными (выручка, стадия роста, отрасль, география и любые 100-500 параметров, какие захотите).

Инструменты: — Clay, Apollo, PhantomBuster; — ChatGPT + CSV — для классификации и тегирования; — Clearbit — enrichment по URL.

Нейросети для дата-ресерча: Perplexity — идеален для персонализированных дата-поинтов, Gemini 2.5 Pro — подойдёт для анализа рынка и огромного количества кампаний из Гугл Таблиц, Chat GPT — берём для анализа найденных новостей.

Из нашей практики: клиент находился в поиске инвесторов и пришел в агентство с базой из 16 000 компаний — ее предстояло провалидировать и выбрать 3 категории (A, B и C) на основании дата-поинтов. Поэтому команда сначала использовала Chat GPT, но нейросеть дала плохой результат. Perplexity работала намного лучше в плане ресерча, и в этой задаче команда до сих пор ее использует, связав с Google Sheets.

2. Верифицируем компании по ключевым признакам через Perplexity: B2B / B2C, по стадии развития (pre-seed, growth, mature, по бизнес-модели и региону). Цель — определить ICP (Ideal Customer Profile) и понять, какие проблемы характерны для сегмента.

3. Подбираем релевантные инфоповоды (триггеры для касания). Ими могут выступать: • Интервью C-level, где говорится о проблемах, болях и точках роста («хотим выходить на новые рынки», «ищем логистического партнера в Азии»). • Сведения о публичных инвестициях или найме команд. • Информация о перезапуске продукта, редизайне, новом витке стратегии. • Социальные/экономические события, влияющие на отрасль (уход торговых марок, изоляция рынка, новые федеральные направления). Результат этого этапа — таблица с реальными фактами и триггерами, от которых можно оттолкнуться в тексте.

Шаг 2. Персонализация под роль ЛПРа. Когда инфоповоды собраны, важно правильно подать их в скрипте. Как ни странно, персонализация касается не только первого абзаца скрипта, но и должности человека. Если обращаться к сейлзу, то нужно включать информацию, связанную с ключевыми сейлзовыми метриками («Если ты будешь со мной работать, у тебя LTV клиентов увеличится на 8%, выручка станет X2...»). Если человек CMO, то упор будет на ROI и ROAS. То есть с помощью нейросети получится определить, что писать человеку в зависимости от его должности.

Пример разбивки: • СЕО — ROI, выручка, масштабируемость; • CMO — CAC, ROAS, новые каналы, бренд-присутствие; • Sales Lead — лиды, воронка, скорость закрытия; • HR — найм, текучка, эффективность команд.

Есть ещё 3 важных шага, которые не вмещаются в пост🤪, поэтому решил разделить его на 2 части!

А пока забирайте промт для второго шага в комментариях и не забудьте пошерить этот пост знакомым/команде.

❤️ — если ждёте вторую часть! 😈 — если теперь будете играться с ИИ весь вечер

Сметнёв, uForce и рок-н-ролл