Привет, Хабр! Меня зовут Денис, я один из лидеров направления ВкусВилл Бизнес. Вместе с командой продактов занимаюсь развитием клиентского пути бизнес-клиентов. 

Эта статья о том, как мы нашли для себя ещё один способ услышать реальные голоса наших клиентов, чтобы понять, как работает наш продукт в реальной жизни, не опираясь исключительно на метрики. Расскажу, как ИИ помог нам самостоятельно, без разработки увидеть то, что скрывают дашборды.

Почему метрики — это только вершина айсберга

B2B-клиенты — это не строчки в CRM. За каждым действием, счётом на оплату, обращением и измеряемой метрикой стоят настоящие люди. B2B — это Лена, которая ненавидит возиться с накладными, или Олег, который оценивает поставщиков по тому, насколько быстро те реагируют на его вопросы, даже если они поступают поздно вечером в выходные.

Когда вы строите продукт или сервис для компаний, рано или поздно приходит осознание: стандартные данные из CRM (средний чек, частота и т. д. ) и базовая сегментация вроде региона, размера компании, типа бизнеса и даже потребительской корзины уже не дают полного понимания, кто ваши клиенты на самом деле. В этот момент обычно можно заметить, что LTV выходит на плато (не у всех и не всегда, конечно), а бюджетов на скидки, привлечение и удержание всё не хватает. Новые клиенты приходят медленнее, и кажется, что пора просто наливать рекламных бюджетов «куда больше», но рост по-прежнему замедляется.

Почему данные без контекста — ловушка

Когда мы не до конца понимаем своего клиента, нам приходится постоянно вкладывать деньги в маркетинг без видимого результата. Со временем рост действительно замедляется, отдача от вложений снижается. Продукты рискуют стать одинаковыми в глазах клиента. Ему всё равно, у кого покупать, — он ищет, где дешевле. Начинается ценовая война. Единственный способ изменить ситуацию — находить и давать ценность, за которую клиент готов платить больше.

Просто ориентироваться на метрики в дашборде и вводить новую акцию уже мало. В действительности без реального понимания, кто клиент и что для него ценно, мы оказываемся в «красном океане» конкуренции по цене и бесконечно думаем о скидках.

Как мы придумали способ узнать клиентов глубже

Когда мы подошли к вопросу, насколько хорошо мы знаем своих B2B-клиентов, то столкнулись с парадоксом — несмотря на обширную аналитику, порой мы не могли ответить на простые вопросы:

• Какие неочевидные сложности возникают у пользователей при работе с нашим сервисом?

• Что их действительно раздражает, а что мотивирует покупать снова?

• Какие неозвученные потребности остаются за кадром?

В какой-то момент мы поняли: если ограничиваться только тем, что хранится в CRM и таблицах на серверах, мы никогда не увидим полной картины. Настоящие боли и причины выбора скрываются не в графиках Power BI, а в живых диалогах, которые клиент ведёт с поддержкой или с менеджерами по продажам.

Безусловно, закрыть вопросы о понимании клиента помогают и классические инструменты: различные маркетинговые исследования, интервью custdev'ы, опросы. Для статистически значимых выводов нужны сотни респондентов, но как их привлечь, если даже короткое интервью — непозволительная роскошь для занятых людей, если требуются большие деньги на проведение исследований? Как получить подробный портрет клиента? Как структурировать ответы, не потратив на это месяцы и годы? А что, если ответы на те самые простые вопросы уже записаны в каждом звонке — осталось только масштабировать их анализ? И мы решили поискать ответы в записях телефонных разговоров клиентов.

Сформировалось несколько шагов, которые надо было выполнить:

1. Извлечь данные из CRM и сформировать таблицу, в которой есть ссылки на аудиофайлы звонков для скачивания, сегмент клиента на дату звонка, название компании, жизненный цикл, выручку на дату звонка, тип бизнеса и подобное.

С метриками всё просто, а вот звонки… Куда их? Как их состыковать с остальными данными? Первым делом идём в CRM. Там тысячи звонков в месяц. Прослушать 10 % от этого — время. Вещь необычайно длинная, кстати. Лень берёт своё. Можно и тасочку в трекер скорее занести аналитикам, но глядя на соседнюю вкладку дипсика, задумался, а что если попросить написать код, чтобы скачать все звонки, затем транскрибировать их и вытащить текст для последующей работы? Значит, настало время стать вайбкодером. Что ж, вперёд! Пишем промт. Через минуту у нас готовый код для скачивания аудиофайлов по ссылкам из ячеек таблицы. Теперь мысль: «Так, а запускать-то это где?». Настраивать Python, библиотеки, права… Опять же, это долго. Google Colab значительно быстрее.

2. Транскрибировать звонки — тут снова идём на помощь к ИИ для написания кода. Нам важно транскрибировать локально, чтобы бережно относится к ПД. Снова пишем промт. Теперь для локальной транскрибации используем Whisper (для начала сойдёт и base-модель, т. к. не требует больших ресурсов, но, забегая вперёд, скажу, что ошибки есть. Особенно в спецтерминах).

3. Добавить в исходный файл полученный текст транскрибации, где уже есть информация про сегменты, покупки, тип бизнеса и т. д. И перед следующим шагом для отправки в ИИ нужно обязательно убрать все сущности, относящиеся к ПД. Здесь помогли коллеги из управления аналитики — поделились скриптом, который позволяет это сделать.

Примерно вот так это выглядит

4. Передать в ИИ на анализ — здесь важно хорошее ТЗ, выявить скрытые проблемы, живые портреты клиентов, паттерны поведения и конкретные эмоции. Небольшой совет для тех, кто ещё не освоил (вдруг): когда пишете промт для ИИ, обязательно следуйте представленной ниже структуре.

• Роль: помогает выбрать нужный стиль ответа.

• Контекст: самая объёмная секция с релевантной для ответа на вопрос информацией.

• Задача: важнее указать модели на «Что» и «Зачем», чем детализировать «Как».

• Формат данных: описание данных, если загружается файл.

• Формат ответа: описание финального вида ответа.

• Особое внимание: критичные для пользователя моменты, где обычно бывают ошибки.

Что узнали на примере нескольких звонков разных клиентов

Вернёмся к началу. Наша главная цель была — получить глубокое понимание B2B-клиента. Когда появились первые данные, и мы посмотрели на них через призму транскрибации звонков, получили новую реальность, и она оказалась сложнее, чем портрет, построенный на метриках. Вот к чему пришли:

1. Сегменты и метрики к ним показывали только половину картины. Клиент с ростом выручки на 55 % за последние несколько месяцев неоднократно жаловался на неработающие функции. Другой клиент с падением выручки на 7 % дал понять, что находится в шаге от перехода к конкурентам из-за ошибок в оплате. Метрики в отрыве от контекста — это слепые пятна. Нужно дополнять их качественными данными: жалобами, диалогами, эмоциями. Транскрибация звонков — неиспользованный ресурс, в отличие от традиционных методов, занимающих месяцы работы.

2. Технические проблемы способны убить лояльность клиента. «Мне кажется, что кнопка "Привозите больше" не работает уже два месяца», «Счета путаются между ИП и ООО» — эти фразы нашли в звонках тех, кто на дашборде выглядит просто отлично. Клиенты терпят, но зачастую их терпение заканчивается там, где начинается альтернатива. Такие баги нужно исправлять в приоритете. Да, даже если выручка растёт и это всего лишь один клиент. Потому что завтра этот рост может обнулиться. А значит, можно точно наполнить бэклог ценными задачами на исправление багов.

3. Рост выручки ≠ счастливые клиенты. Компания с выручкой в 1,5 млн рублей часто обращалась по поводу проблем в оформлении заказа. Ей не нужны скидки — ей нужен сервис, который не усложняет жизнь. Корпоративные клиенты платят в том числе и за удобство, а не исключительно за товар.

4. Персонализация — это не только «Привет, {{имя}}!» Отправить офис-менеджеру Анне шаблонное «Попробуй новинки!» — бесполезно. А вот предложить ей донастройку процессов под нужды её компании — занятие куда серьёзнее и практичнее. Настоящая персонализация требует понимания контекста, а не просто подстановки переменных в шаблон.

Как это может поменять подход к развитию бизнеса и маркетинга

• Отказаться от бездумного увеличения маркетингового бюджета. Вместо вечного «давайте вкладываться всё больше» мы поняли, что таким способом можно находить, какие именно сценарии и улучшения по-настоящему важны клиентам, что можно быстрее исправлять и выстраивать лояльность не скидками и акциями, а реальной ценностью.

• Можно освоить новый подход для персонализации. Научиться сегментировать не только по стандартным меткам, но и по реальному контексту и мотивам: что ценит клиент, какие у него рабочие привычки, что раздражает и что мотивирует повторно покупать.

Что планируем дальше?

• Масштабировать обработку и перейти на более точные модели транскрибации (например, Whisper large v3).

• Дорабатывать очистку текста, чтобы получать более качественные данные.

• Интегрировать анализ в свою работу: теперь звонки с частыми и серьёзными проблемами можно автоматически помечать для продуктовой команды.

• Объединить транскрипты с другими источниками данных для гиперперсонализации.

Итог: нашли ещё один способ узнавать своих настоящих клиентов

Главный вывод нашего эксперимента — по-настоящему узнать свою аудиторию можно только тогда, когда вы перестаёте полагаться лишь на цифры и формальные отчёты. В наших звонках и живых диалогах мы не просто услышали жалобы или благодарности, но и обнаружили сценарии, с которыми можем работать.

Эксперимент показал, что даже с минимальными ресурсами (Whisper, Python-скрипты и вайбкодинг) можно автоматизировать сбор и анализ аудио, при этом сэкономить сотни часов ручной работы.

Именно смешение количественной аналитики и глубокого качественного анализа — вот тот самый способ, который мы нашли и который позволяет понимать и развивать свой продукт так, чтобы клиенты возвращались снова, рассказывали другим, а не просто «выбирали, где дешевле».

P. S. Если вы тоже пробовали нестандартные подходы к исследованию своей B2B-аудитории — делитесь в комментариях!