1001 диалог и 575 видеовстреч с экспертом: как построить первичную квалификацию в нише с десятком сценариев
eUni — образовательное агентство по поступлению в Германию. Работает с 2008 года, базируется в Мюнхене. Ведёт клиента по всему пути: от выбора траектории поступления и подготовки документов до языковых курсов, штудиенколлегов, вузов, визовой и бытовой поддержки.
Задача
Образование в Германии — ниша, в которой клиент может прийти с совершенно разными запросами: штудиенколлег, бакалавриат, магистратура, языковые курсы, открытые уроки, онлайн-курсы, языковые лагеря. У каждого сценария — свои нюансы, свои вопросы и своя логика следующего шага.
В таких условиях первичная квалификация у небольшого отдела продаж начала сбоить, а кнопочный бот задачу не закрывал. Клиент пришёл с запросом: построить ИИ-квалификатор, который быстро отвечает, понимает тип обращения, определяет ситуацию клиента и доводит его до целевого следующего шага — видеовстречи с экспертом по поступлению.
Точка А: что было до
- ~50–80 лидов в неделю, основной поток — с сайта в мессенджеры
- Один лид-менеджер на всю первичную обработку
- Из-за нагрузки страдала скорость реакции и плыла логика работы, часть обращений терялась
- Вечером, ночью и в выходные новые обращения не обрабатывались
- Старый кнопочный бот в конструкторе — жёсткий сценарный лабиринт с кнопками и цифрами. Свободные формулировки он не понимал, пользователи стопорились, логика разрасталась, бот регулярно заходил в тупик. Сам клиент называл его неюзерфрендли и слишком очевидно «ботовым»
- Холодные лиды нередко втягивали менеджера в длинные консультации без явной готовности к покупке
- Команда уже понимала, что лидов нужно делить не только на целевых и нецелевых, но и дальше различать по исходной ситуации, уровню готовности и следующему шагу — но стабильно реализовать эту логику в старом боте не удавалось
Принципиальное ограничение
У eUni сильная содержательная база: большой сайт, органический трафик, большой массив ответов на типовые вопросы клиентов. И в теме поступления в Германию это особенно важно, потому что в интернете очень много противоречивой, спорной и быстро устаревающей информации.
Робот, который тянет ответы «из интернета» или опирается на общие знания модели, в такой нише не работает — он начнёт выдавать сомнительные или попросту неверные данные, а цена ошибки в консультации по поступлению высокая.
Поэтому мы заложили правило: робот отвечает только на основе внутренней базы знаний eUni. Это стало одним из фундаментов всего проекта.
Хотите увидеть, как это работает вживую?
Загляните в личку к нашему нейропродавцу — вот ссылка, по которой можно с ним поговорить и оценить работу:
Поговорить с нейропродавцом →Как собирали систему
Сначала разобрали процесс квалификации — и только потом настраивали робота
Первым этапом мы занимались логикой продаж: провели интервью с командой, чтобы понять процесс. Какие бывают типы лидов. Что считается целевым обращением. Какие ситуации встречаются чаще всего. В какой момент нужно переводить человека дальше. Что должно быть итогом первичного диалога.
Важный нюанс: в этом проекте мы не просто автоматизировали уже существующий процесс. Сам процесс квалификации в ходе работы стал более точным и сложным. Через ИИ-систему удалось стабильно реализовать то, что раньше держалось на голове у менеджера и срывалось при малейшей перегрузке.
Выделили аватары и собрали минимальный набор вопросов для их распознавания
Прежде чем что-то предлагать, нужно понять, кто перед нами:
- нецелевой лид
- будущий абитуриент штудиенколлега
- школьник, который ещё только присматривается
- студент на бакалавриат
- студент на магистратуру
- человек с запросом на языковые лагеря
- и другие направления
Под каждый аватар — свой следующий логичный шаг и своя формулировка приглашения. Нужно было найти короткий и точный путь: какой минимальный набор вопросов нужен, чтобы распознать аватар без лишней нагрузки на пользователя.
Зафиксировали бизнес-итог работы робота
В этом проекте робот не должен был «просто отвечать на вопросы». Его работа считалась выполненной, когда:
- определён аватар клиента
- понятен уровень готовности человека идти дальше
- клиент записан на видеовстречу с экспертом по поступлению
Видеовстреча — это та точка, из которой уже начинается работа с экспертом. Всё, что до неё, робот берёт на себя.
Перепаковали базу знаний под систему
Материалы клиента перепаковали в нужную структуру, загрузили в нашу систему и дополнительно закрепили в промпте как единственный допустимый источник ответов по теме поступления.
Именно в этом проекте впервые появился наш отдельный механизм работы с базой знаний, который позволяет жёстче обычного ограничивать ответы робота рамками знаний компании.
Что доработали уже в бою
Проект не остался статичным после запуска. По мере работы логика усиливалась — и почти каждое изменение дало пользу и продажам, и аналитике.
- Отдельный этап «Прогрев» Для тех, кто пока не рассматривает поступление с партнёром, появился собственный статус. Это дало сразу две пользы: такие обращения перестали смешиваться с горячими лидами, и воронка стала прозрачнее для аналитики. На этом этапе включается отдельный промпт и робот переходит в режим консультанта.
- Аватар пишется в специальное поле сделки Менеджер сразу видит, с каким типом клиента имеет дело, а команда может смотреть, какие аватары чаще доходят до следующего этапа — и на этом уже строить решения.
- Теги в amoCRM по событиям внутри диалога Например, если клиент отказался от видеовстречи, это фиксируется отдельным тегом. Такие отметки упростили аналитику.
- Мультиагентная система На входе теперь стоит агент-сортировщик с одной задачей — понять тип запроса и передать клиента нужному специализированному агенту по направлению. Дальше работает уже агент, заточенный под конкретную ветку.
Результаты
Данные за период с 1 октября по 31 марта:
Этот проект про то, как в нише с десятком сценариев и одним лид-менеджером можно собрать устойчивую систему первичной квалификации, которая:
- отвечает быстро и круглосуточно
- не зависит от графика менеджеров
- не разваливается на многообразии сценариев
- отдаёт в отдел продаж уже подготовленные обращения — с определённым аватаром, зафиксированным интересом и назначенной встречей с экспертом
Почему проект сработал
Здесь сошлись два сильных фактора.
Высокая вовлечённость команды клиента
eUni глубоко участвовали в разработке базы знаний, логики квалификации и проработке аватаров. Робот строился на реальном понимании продукта и процесса внутри компании.
Глубоко проработанные сценарии с нашей стороны
Мы не просто подключили ИИ к сообщениям. Мы собрали рабочую квалификационную логику: кого отсеивать, кого отправлять в прогрев, как определять аватара, когда предлагать встречу и как фиксировать события в CRM.
Чем этот проект важен для нас
Для нас eUni стал не просто клиентским кейсом, а драйвером развития самого продукта. Именно здесь мы впервые:
- начали использовать разные промпты на разных этапах воронки
- сделали отдельный инструмент работы с базой знаний
- научили робота ставить теги в CRM по событиям внутри диалога
- начали развивать мультиагентную систему под реальную задачу клиента
Проект дал не только рабочий результат для eUni, но и подтолкнул к развитию решений, которые потом стали важными уже для всей нашей системы.
Больше о нас, наших кейсах и услугах — на neirovse.ru.
Хотите обсудить ваш проект? Пишите в Telegram или на почту основателю