Михаил Кривцов

Задача: увеличить activation (получение первого отчета)
Проблема: пользователи заходили, но до первого отчёта доходило только 50%
Гипотеза: если сократить количество и сложность шагов до первого отчета и дать понятный "сценарий ценности" – больше людей дойдут до первого отчёта. Как вторичный эффект — улучшится retention среди активированных.

Что сделано: упростил сценарий ценности
1. Уменьшил количество шагов для регистрации с 6 до 3 (оставил email, пароль, подтверждение пароля. Убрал поля: номер телефона, ФИО, пол)
2. Спроектировал несколько UX-прототипов главной страницы с CTA для получения первого отчета, провел А/Б тест и запустил в работу победителя
3. Ускорил time-to-value (загрузка первого отчета об объекте недвижимости) c 5 секунд до 500 миллисекунд за счет оптимизации запросов и индексов в PostgreSQL

Итоговый impact:
- activation (первый отчёт) было 50%, стало 80%
- retention среди активированных было D7/D30 = 40%/25%, стало D7/D30 = 50%/30%

Измерения: метрика activation = доля регистраций, завершивших генерацию первого отчёта (event: first_report_generated)
Объем когорты: 1 000 регистраций

Задача: увеличить конверсию в заявку и снизить CPL в юриспруденции
Проблема: трафик на контентных страницах был высокий, но нужно было увеличить рентабельность проекта мотивировав пользователей чаще оставлять заявки на юр.услуги
Гипотеза: если встроить AI-консультанта в формате чат-виджета, который быстро уточняет ситуацию пользователя и даёт персонализированный набор шагов для решения проблемы пользователя, то пользователь поймет сложность процедуры и оставит заявку на услугу юриста, так мы увеличим конверсию в лида из стандартной формы заявки.

Что сделано:
1. Спроектировал сценарий консультации: набор входных вопросов (диагностика проблемы), логика ветвления и конечный момент оффера — когда чат предлагает оставить заявку на помощь/консультацию.
2. Реализовал AI-чат на базе ChatGPT API, добавил базу знаний (контент сайта + открытые источники) и выдачу ответов с опорой на эту базу (RAG), чтобы ответы были прикладными и ближе к “юридической консультации”, а не общими рассуждениями.
3. Провел А/Б тест (сравнение AI-чат-виджета и стандартного виджета) на страницах с наибольшим количеством трафика: разместил в местах максимального намерения (после прочтения статьи или в блоке “что делать дальше”), чтобы перехватывать пользователя до ухода.

Итоговый impact:
- Конверсия в заявку – было 5%, стало 15%
- CPL – было 1000 рублей, стало 330 рублей

Измерения: конверсия в заявку = доля пользователей, завершивших отправку формы (event: lead_form_suc)
Объем когорты: 1 000 000+ пользователей

Цель: повысить CR в заявку на юридическую услугу в медиа-продуктах
Задача: разработка и реализация концепции AI-бота закрывающего первичную квалификацию с целью увеличения CR в заявку
Проблема: стейкхолдер не верит, что ai-бот заменит КЦ
Гипотеза: если сократить количество и сложность шагов до первого отчета и дать понятный "сценарий ценности" – больше людей дойдут до первого отчёта. Как вторичный эффект — улучшится retention среди активированных.

Что сделано:
1. Концепция и обоснование: описана ситуация и боль пользователей (КЦ долго молчит, не помогает, а сразу продает etc), решение NBA (next best offer), результат
2. Разработка бизнес-требований: анализ поведения пользователей до/после обращения в чат за помощью, сбор фидбека от КЦ и анализ причин отказов в CRM
3. Идентификация команд и стейкхолдеров: команда продукта, crm/rnd, аналитика, разработка (фронт+бек)
4. Разработка ТЗ на mvp: описаны пользовательские задачи, функциональные требования и критерии приемки.

Итоговый impact:
Внедрили ai-бота, сделали а/б на когортах, инкремент = CR в заявку вырос с 5% до 15%, cpl снизился с 1000 до 330 руб. Объем когорт mvp:
Объем когорты: 10 000 пользователей, доказательная база для стейкхолдера, раскатали на оставшийся сегмент в 990 000 юзеров.

Концепция и обоснование: пользователь задает фильтры поиска объектов, получает 0–3 объекта и быстро уходит, потому что считает что сервис "ничего не находит". Боль: фрустрация, падение глубины просмотра и retention. Решение: в выдаче при малом числе результатов показываем NBA-блок "Получить 10+ вариантов”. Даём 2–3 точечных шага с прогнозом эффекта: увеличить бюджет на N%, расширить радиус, ослабить порог доходности. Кнопка "Применить в 1 клик".

Бизнес-требования. Триггер: если по фильтрам выдача дала 0–3 объекта. Цель: быстро довести пользователя до 10+ вариантов без сильной потери качества исходного фильтра (медианный ROI/IRR, дисконт к рынку, цена м²). NBA: показать 2–3 авто-рекомендации по ослаблению фильтров с прогнозом результата: расширить радиус/соседние районы, бюджет +X%, порог доходности −дельта. Для каждой рекомендации: сколько объектов станет + как изменятся агрегаты качества, кнопка "применить" и "откатить". Обязательно: логирование показов/кликов/применений.

А/В тест: смотрим снижение доли сессий с выдачей ≤3 (доля сессий, где после поиска пользователь видит почти пустую выдачу), рост просмотров объектов/избранного и cr из демо в оплату в этом сегменте.

Идентификация команд и стейкхолдеров: команда продукта, аналитика, разработка, crm/r&d.

Техническое задание. Функции: генерация 2–3 рекомендаций, прогноз количества и изменения агрегатов, применение в 1 клик, возможность отката, логирование. Метрики: меньше пустых выдач, выше просмотр отчетов и добавления в избранное, выше конверсия в оплату в сегменте “0–3”, без падения качества и без роста жалоб.

Результат: uplift было/стало: DAU: 150/170, D7 retention: 8%/21%, Оплаты за месяц: 2.0%/2.8%