AI-архитектура O2O-воронки для дилерского центра
Инженерная перестройка маршрута от онлайн-интереса к физическому визиту в дилерский центр.
Автодилерская сеть получала 361 700 посетителей сайта в месяц, однако конверсия сайта в заявку составляла 0,27%, а платного трафика — 0,21%. До физического визита доходило 195 клиентов в месяц, конверсия заявки в визит составляла 19%. На первичной квалификации сохранялась зависимость от операторов, задержки достигали нескольких часов, а 80–85% лидов завершали путь в корзине.
Сайт и колл-центр работают как два отдельных измеримых контура. AI-квалификатор мгновенно обрабатывает анонимный трафик и оформляет заявку, а голосовой AI-оператор выполняет дозвон и запись на визит. Все события от источника трафика до приезда в дилерский центр фиксируются в сквозной аналитике.
Решение
Проведён аудит O2O-воронки от посещения сайта до физического визита в дилерский центр. Для первичного контура спроектирован AI-квалификатор на Nextbot и GPT-4o, для работы с оформленными лидами — голосовой AI-оператор на LPTracker. В ходе проектирования выявлена архитектурная ошибка: задачи конверсии сайта и эффективности колл-центра были объединены в одну воронку, что искажало алгоритмы оптимизации. Итоговая архитектура требует сначала внедрить систему событий и сквозную аналитику, затем разделить каналы трафика и только после этого активировать AI-инструменты.
Результат
Фактсайт→заявка 0,27%→1% · заявка→визит 19%→30% · цель ×2 визитов
Аудит локализовал основные потери, зафиксировал человеческий фактор как узкое место первичной квалификации и показал отсутствие измеримого перехода между квалификацией, записью и визитом. Целевая модель предусматривает рост конверсии сайта в заявку с 0,2% до 1%, рост конверсии заявки в визит с 19% до 30% и удвоение числа фактических визитов при неизменном рекламном бюджете. Эти показатели являются целями архитектуры и в презентации не подтверждены результатами внедрения.
Выводы
AI-агенты не дают управляемого бизнес-эффекта без событийной модели и сквозной аналитики. Главный результат проекта — корректная последовательность внедрения: сначала измеримость, затем разделение контуров, после этого автоматизация квалификации и записи.