Проблема заключалась в том, что стандартные отчеты Яндекс.Метрики работали по модели «последнего клика». Маркетологи видели, что большинство покупок совершалось после перехода с Директа, и делали вывод, что это самый эффективный канал.

При этом было интуитивное понимание, что клиенты не принимают решение о покупке дивана за 200 000 рублей спонтанно. Сервисы популярных сквозных аналитиков не подходили, так как были шаблонными решениями.

Ключевой запрос клиента: «Я хочу видеть полный путь каждого клиента: от первого знакомства с нами в статье блога до финального заказа через контекстную рекламу. Я должен понимать, какие каналы знакомят и прогревают аудиторию, а какие закрывают сделки, чтобы справедливо распределять бюджет».

Мы разработали AI-агента, который интегрировался с сайтом компании, CRM-системой, рекламными кабинетами и коллтрекингом. В основе решения использовалась связка n8n для оркестрации процессов и кастомные API для сбора и отправки данных.

Как это работает:

• Присвоение ID: Каждому посетителю сайта, пришедшему из любого источника, присваивался уникальный client_id.
• Склейка сессий: Агент отслеживал и «склеивал» все последующие визиты этого пользователя, будь то переход по прямой ссылке, из соцсетей или из рекламной сети.
• Единый профиль: Все касания (просмотры страниц, клики, добавления в корзину, звонки, заявки) собирались в единый профиль клиента, привязанный к его client_id.
• Анализ и выводы: Собранные данные анализировались AI-моделью для построения полной картины пути клиента.

• Динамическая модель атрибуции. Агент не просто показывает путь клиента, а с помощью AI присваивает каждому каналу в цепочке свою долю ценности.
• Анализ коммуникаций и контроль качества. Агент в реальном времени анализирует записи звонков и переписки. При обнаружении проблемы он мгновенно отправляет уведомление РОПу.
• Автоматический сводный отчет. Каждое утро директор по маркетингу получает в Telegram сводку от AI-агента с ключевыми метриками и аномалиями.
• Интеграция с офлайном. Агент «склеивал» офлайн-визит в шоурум с цифровым следом клиента по номеру телефона.

Проблема заключалась в том, что каждое КП было сложным документом, требующим ручной работы: менеджеры вручную собирали информацию из разных источников, а на расчет финмодели уходили часы. Каждое КП перед отправкой должно было пройти проверку, что создавало очередь.

В итоге подготовка одного персонализированного КП занимала от 1 до 2 рабочих дней. За это время потенциальный покупатель успевал получить предложения от 2-3 конкурентов.

Ключевой запрос клиента: «Нам нужен инструмент, который позволит любому менеджеру за минуты создавать подробное, точное и персонализированное 8-страничное коммерческое предложение, чтобы мы могли отправлять его клиенту прямо во время телефонного разговора».

Мы разработали AI-агента, который автоматизировал весь цикл создания КП. Менеджер заполняет простую веб-форму, и после нажатия кнопки «Создать КП», агент мгновенно выполняет всю ручную работу:

• Выбирает нужный шаблон.
• Обращается к базе данных и подставляет релевантную финансовую модель.
• Подбирает 1-2 наиболее подходящих кейса.
• Добавляет стандартные юридические блоки.

Через несколько минут агент присылает менеджеру готовое 8-страничное КП в PDF и сохраняет его в CRM.

• Динамическая персонализация: Адаптирует текст и финансовую модель под конкретного клиента и город.
• Умный подбор контента: Автоматически добавляет в КП релевантные блоки в зависимости от запроса клиента.
• Генерация сопроводительного письма: Вместе с PDF-файлом создает готовый текст письма для отправки клиенту.
• Интеграция с аналитикой: Отслеживает, когда клиент открыл документ и какие страницы смотрел дольше всего.

Информация была фрагментирована: Help Center, API-документация, видеоуроки, Confluence и тысячи решенных тикетов в Zendesk. Это создавало хаос на всех уровнях поддержки: L1, L2 и CSM тратили часы на поиск информации, которую клиенты не могли найти самостоятельно.

Ключевой запрос клиента: «Нам нужен „единый источник правды“, который бы мгновенно находил ответы в нашем хаосе данных. Он должен помогать клиентам решать проблемы самостоятельно, а нашим сотрудникам — давать точные ответы за секунды, а не часы».

Мы создали интеллектуального ассистента, который проиндексировал абсолютно все источники знаний и стал центральным «мозгом» компании.

Агент был развернут в трех ключевых точках:

• Публичный чат-бот на сайте и в Help Center для самообслуживания клиентов.
• Внутренний ассистент для сотрудников поддержки L1/L2.
• Персональный помощник для CSM в их рабочем интерфейсе.

• «Суммаризация» тикета для L2: Агент встречает новый тикет краткой сводкой и ссылками на похожие решенные проблемы.
• Ответы на основе кода: Разработчик может вставить в чат свой код и получить от агента объяснение, почему он не работает.
• Проактивное обнаружение «дыр» в знаниях: Агент анализирует запросы без ответов и рекомендует темы для новых статей и видеоуроков.

Проблема заключалась в огромных трудозатратах на сбор и унификацию информации. Менеджеры тратили весь день на ручной поиск, копирование данных и изображений с сайтов девелоперов. В результате база обновлялась с задержкой в несколько дней, а риелторы тратили до 5 часов в неделю на создание PDF-презентаций.

Ключевой запрос клиента: «Мы не успеваем следить за рынком. Пока мы вручную добавляем один ЖК, в другом уже половину квартир раскупили. Нам нужен робот, который будет сам сканировать все новостройки, делать для них продающие описания и готовить красивые PDF-презентации».

Мы разработали AI-агента, который в круглосуточном режиме мониторит сайты застройщиков, интегрируясь с CMS и CRM-системой агентства.

Как это работает:

• Мониторинг и парсинг: Агент по расписанию обходит сайты, находит новые объекты и отслеживает изменения.
• Извлечение и структурирование: Собирает всю информацию (планировки, рендеры, цену) и приводит к единому стандарту.
• Обогащение и генерация текста: AI-модель анализирует данные, добавляет информацию об инфраструктуре и генерирует уникальные SEO-описания.
• Создание контента: Автоматически публикует карточку на сайте и формирует брендированную PDF-презентацию.

• Адаптивный парсинг: При смене дизайна сайта агент пытается адаптироваться сам или уведомляет специалиста.
• Генерация разных форматов: Создает подробный SEO-текст для сайта и сжатый, с акцентами на выгодах, для PDF.
• Анализ рынка: Формирует отчеты по средней цене за м², динамике цен и активности конкурентов.
• Персонализация «на лету»: В PDF автоматически подставляет данные риелтора из CRM.

Команда ежедневно просматривала десятки сайтов, но до 90% рабочего времени уходило на отсев «шума»: нерелевантных закупок, запросов на ремонт или тендеров из других регионов. На подготовку качественной заявки оставалось критически мало времени.

Ключевой запрос клиента: «Мои люди тратят все время на то, чтобы отсеять мусор. Мне нужен снайпер, а не пулеметчик, который будет находить только наши цели и давать нам время на подготовку выигрышного предложения».

Мы разработали AI-агента на основе NLP, который интегрировался с API торговых площадок и внутренними системами клиента (CRM, таск-менеджер).

Как это работает:

• Круглосуточный мониторинг: Агент 24/7 сканирует все ЭТП на предмет новых тендеров.
• Интеллектуальная фильтрация: AI читает и понимает суть ТЗ, отсеивая нерелевантные закупки по региону, типу работ, сумме.
• Скоринг и приоритизация: Оценивает каждый тендер, присваивая рейтинг перспективности.
• Автоматизация работы: Создает задачу в таск-менеджере, прикрепляет документы и выделяет ключевые условия и дедлайны.

• Анализ «подводных камней»: Агент вычитывает проект договора и подсвечивает для юриста рискованные пункты.
• Автозаполнение документации: Самостоятельно заполняет стандартные разделы заявки (реквизиты, сведения о компании).
• Аналитика по конкурентам: Показывает, кто и с каким снижением цены побеждает в нише.
• Обучение на предпочтениях: Уточняет поиск на основе отметок сотрудников («интересно» / «нерелевантно»).