Разбор 1,37 млн сообщений магазина одежды: причина потери продаж — в трафике, а не в менеджерах

Магазин женской верхней одежды продаёт через мессенджеры: покупательницы пишут в Telegram, WhatsApp и Instagram*, менеджеры отвечают из amoCRM. Обращений много, продаж меньше, чем хочется. Отчётов нет, причины отказов в CRM написаны формально, и никто не знал, почему не покупают.

Задача: разобрать всю переписку и CRM за четыре года (1,37 млн сообщений, 48 тысяч чатов), найти настоящую причину потерь и проверить, виноваты ли менеджеры. По итогам собрать сценарий для ИИ-продавца из реплик самих менеджеров магазина и зафиксировать пять метрик «до», чтобы через месяц было видно, сработало или нет.

* Instagram принадлежит компании Meta, признанной в России экстремистской и запрещённой.

1. Забрали все данные. Взяли сделки, контакты и события из amoCRM за четыре года. Тексты переписки сервис отдаёт только партнёрам, поэтому достали их из самой CRM: около 50 тысяч карточек, 52 минуты, без единой ошибки. Всего получилось 1,37 млн сообщений.

2. Навели порядок. Один чат в CRM живёт годами и вбирает всё подряд: рассылки, повторные покупки, розыгрыши, спам. Мы разделили чаты на отдельные разговоры. Из 180 тысяч осталось 62 846 настоящих продающих разговоров, где клиент писал и ему отвечали.

3. Проверяли себя. Четыре раза нашли у себя ошибку и пересчитали. Например, сначала показалось, что 40% клиентов остались без ответа. Оказалось, что это рассылки, а реально без ответа остались 2,2%. Каждая цифра в отчёте идёт с правилом, по которому её считали.

4. Нашли причину. Дело оказалось не в менеджерах, а в трафике. Один и тот же менеджер продаёт в Telegram в 14,3% разговоров, а в основном WhatsApp в 1,7%. Дальше посмотрели, что в разговорах помогает продать, а что мешает: длина разговора, ответ на вопрос о цене, отзывы и видео, пошив под заказ.

5. Передали результат. Собрали сценарий для ИИ-продавца из реплик менеджеров этого же магазина, которые привели к покупке. Сделали презентацию для собственника. Зафиксировали пять метрик «до», чтобы через месяц было видно, сработало или нет.

Разбор не требовал интеграций и остановки работы, только доступ на чтение.

Мы искали плохих продавцов, а нашли плохой трафик. Главное, что показал разбор:

• Канал решает больше, чем продавец. Telegram — 24,7% обращений заканчиваются покупкой, основной WhatsApp — 3,8%, хотя это самый большой канал (27 633 обращения).

• Один и тот же менеджер продаёт в Telegram 14,3%, а в основном WhatsApp — 1,7%. Так у всех шести продавцов.

• Продаёт длина разговора, а не скорость ответа: при 16 и больше сообщениях от магазина покупают в 7,5% разговоров, при 1–3 сообщениях — в 1,3%.

• Кто спросил цену и получил цену, покупает втрое чаще, чем тот, кому ответили шаблоном (6,7% против 2,4%, Telegram).

• Если клиент засомневался, а ему показали отзывы и видео, покупают в 15,9% случаев против 3,5%.

• Реально без ответа остались только 2,2% написавших.

Что сделали: собрали сценарий для ИИ-продавца из реплик менеджеров этого же магазина, подготовили презентацию для собственника и зафиксировали пять метрик «до внедрения». Собственник согласовал выводы, подписан договор на ИИ-продавца.

Эффект будем мерить теми же пятью метриками. Прогнозов роста мы не давали и не даём: вместо обещаний замер до и замер после по одной методике.