Как за 24 часа персонализировать скрипты в лидогенерации с помощью Al: пошаговая инструкция. Часть 2.
Продолжаю делиться, как поэтапно персонализировать скрипты для ЛПР (первую часть читайте здесь).
Остановился на третьем шаге — тестирование гипотез и метрики. Под конкретные гипотезы собираем буллит-поинты, а затем отслеживаем, что приносит высокую конверсию, а что «проваливается».
Пример: По опыту клиента, компании с выручкой более 20 млн рублей в месяц и большим трафиком на сайт покупают его товары чаще. Поэтому отбираю компании с нужной выручкой (данные тащу из Checko, например), а в сообщении пишу примерно такое: «Вижу по Checko, что у вас выручка больше 20 млн в месяц и продаёте гидронасосы. Я их поставляю из Китая, и компании Инь, Янь, Дзынь закупают у меня большие объемы уже третий год».
Каждый лидген — это гипотеза. Например: «Если мы зайдём с боли в SEO — получим больше ответов»; «Если используем цитату из интервью — повысятся конверсии».
Опирайтесь на метрики Reply Rate, качество ответов, конверсии из ответа во встречу.
Шаг 4. Хороший скрипт начинается с хорошего промпта. Самая частая ошибка — формулировать запрос слишком общо или без контекста. Вместо «Напиши письмо для CEO компании X» нужно дать ИИ четкие вводные: • кто целевая компания, чем она известна; • кто ЛПР, какая у него роль; • какой инфоповод берем за основу; • что предлагаем и почему это ценно.
В агентстве мы используем те данные, которые получилось найти, а затем используем дата-скрипт по технике Prompt Chaining. При промпт-инжиниринге выходные данные одного запроса становятся входными данными для следующего. Это позволяет создавать более сложные и многоступенчатые взаимодействия с моделью ИИ.
Структура хорошего промпта для скрипта: Ты — B2B-маркетолог, специализирующийся на outbound-стратегиях. Твоя задача — написать холодное письмо для [роль ЛПРа] в компании [название], учитывая следующий контекст:
1. Компания [делает X, масштаб такой-то], 2. Недавно [инфоповод — интервью, рост, инвестиции], 3. Их проблема — [если есть догадка], 4. Мы предлагаем [что и почему это ценно для них].
Тон — персональный, но деловой. Цель письма — получить ответ и провести звонок.
Шаг 5. Генерация и масштабирование — заключительный этап после сбора инфоповодов, определения ролей и сформулированных промт. И если в Email и LinkedIn процесс полностью автоматизирован (вплоть до отправки), то в Telegram проблемы кроются в технической составляющей: очень много аккаунтов умирают, нужно соблюдать задержку между сообщениями в 3 минуты, — и иногда проще нанять джуниор-специалиста вместо автоматизации (если объёмы не слишком большие).
Способы масштабирования: • Google Sheets + API ChatGPT — автоматическая генерация по колонкам; • AirOps, FlowGPT, Replay — для no-code систем и интерфейсов; • Внутренние решения с OpenAI API и классификацией.
Вывод. ИИ-шка оч помогает персонализировать общение с ЛПР и растит конверсию в ответ (с 40% до 60%, иногда сильнее).
Как у себя используете ИИ в работе? Делитесь, не стесняйтесь 🥳
❤️ — хочу больше промптов и полноценный pdf-файл по теме 😈 — пока кампания кажется очень сложной, буду разбираться
Сталкивались с тем, что ЛПР не отвечают? Разберём ваши скрипты и найдём точки роста — пишите @smetnev
Сметнёв, uForce и рок-н-ролл
В этом посте были ссылки, но мы их удалили по правилам Сетки
