Как работать с базой клиентов через нейросеть, чтобы вернуть тех, кто ушел

У любого бизнеса с повторными продажами есть актив, который почти никто не использует: клиенты, которые уже платили и перестали.

Мы управляем сетью из 45 стоматологических клиник. В каждой в CRM лежит от нескольких тысяч до нескольких десятков тысяч контактов, и разобрать их руками невозможно: администратор физически не прозвонит 8000 человек, а если и прозвонит — сделает это одинаково для всех.

В 2025 году мы начали разбирать базы нейросетью. Рассказываем, что делали, что из этого вышло и какие выводы можно перенести на любой бизнес с клиентской базой.

Почему обзвон «по списку» почти не дает результата

Стандартный подход к спящей базе выглядит так: выгружаем всех, кто не приходил полгода, и обзваниваем с акцией. Конверсия у такого обзвона низкая, и причина не в скрипте.

Проблема в том, что в одном списке лежат совершенно разные люди:

• человек пролечил один зуб и в целом здоров — ему нужен профосмотр раз в год, а не акция;
• человеку составили план лечения на 300 000 ₽, он согласился и не пришел — с ним надо говорить про рассрочку и этапность, а не про скидку;
• человек лечился три года подряд и пропал после смены врача — ему важно понять, что о нем помнят;
• человек приходил один раз по акции и больше не появлялся — скорее всего, он и не вернется.

Разделить базу на такие сегменты вручную — работа аналитика на несколько недель. Нейросеть делает это за вечер.

Что мы поручили нейросети

Мы работаем с amoCRM, но принцип не зависит от системы.

Шаг 1. Выгрузка данных. Из CRM выгружаются обезличенные данные: дата последнего визита, сумма всех покупок, количество визитов, какие услуги оказывались, был ли согласованный план и на какую сумму, источник первого обращения, комментарии администратора.

Персональные данные — имена, телефоны — в нейросеть не отправляются. Работаем с обезличенными записями, где вместо клиента стоит идентификатор.

Шаг 2. Сегментация. Модель получает задачу разделить базу на группы по потенциалу возврата и объяснить логику каждой группы. Не «раздели на 5 частей», а «найди в этих данных закономерности, которые отличают вернувшихся клиентов от невернувшихся».

Это ключевой момент. Мы не задаем сегменты заранее — иначе получим то, что и так думали. Модель находит их сама, и часть находок оказывается неочевидной.

Шаг 3. Сценарий под каждый сегмент. Для каждой группы модель пишет вариант обращения: повод для звонка, аргумент, ожидаемое возражение и ответ на него. Дальше это редактирует руководитель отдела, но черновик из десяти разных сценариев готов сразу, а не за неделю.

Раньше руководитель слушал выборочно — десять звонков из тысячи. Сейчас разбирается весь массив, а человек смотрит только на то, что модель пометила как проблемное.

Что показал разбор базы

Несколько наблюдений, применимых шире стоматологии.

Самый доходный сегмент — не тот, кому звонят первым. Обычно первым делом обзванивают тех, кто давно не появлялся. А наибольшую отдачу дает группа, которая ушла недавно и на середине пути: человек начал что‑то делать, прервался и еще помнит, зачем начинал. Через год он уже решит вопрос в другом месте.

Причина ухода почти никогда не в цене. В комментариях администраторов и расшифровках разговоров всплывает другое: не перезвонили, не напомнили, сменился специалист, было неудобно записаться. Это управляемые вещи, в отличие от цены.

Часть базы не стоит трогать вообще. Клиенты, пришедшие один раз по глубокой скидке, почти не возвращаются по полной цене. Если исключить их из обзвона, конверсия оставшегося списка растет, а время сотрудников не тратится впустую.

Скрипт устаревает быстрее, чем его переписывают. Когда анализируется каждый разговор, видно, какие формулировки перестали работать. Раньше это выяснялось через квартал по падению конверсии.

Что учесть перед запуском

Персональные данные. Это первое, что нужно решить, а не последнее. Передача персональных данных клиентов в стороннюю систему — зона регулирования 152‑ФЗ. Мы работаем с обезличенными выгрузками: никаких ФИО, телефонов, адресов и медицинских сведений. Модель видит поведение, а не человека. Если ваш бизнес работает с чувствительными данными, вопрос стоит проговорить с юристом до начала, а не после.

Мусор в CRM. Нейросеть не спасет базу, где половина полей не заполнена, а комментарии выглядят как «звонила, думает». Прежде чем что‑то анализировать, нужно навести порядок в том, что заносится. У нас на это ушло больше времени, чем на сам анализ.

Выводы нужно проверять. Нейросеть уверенно формулирует и ошибочные заключения тоже. Каждую найденную закономерность мы проверяем на исторических данных: действительно ли те, кого модель отнесла к перспективным, чаще возвращались.

С чего начать, если базы много, а времени нет

Минимальная последовательность, которая не требует бюджета:

1. Выгрузите из CRM обезличенную таблицу по клиентам за последние два‑три года.
2. Попросите модель найти отличия между теми, кто вернулся, и теми, кто нет.
3. Возьмите один сегмент — самый перспективный по ее оценке — и обзвоните сотню контактов вручную.
4. Сравните конверсию с обычным обзвоном по списку.

Если разница есть, дальше имеет смысл выстраивать это как регулярный процесс. Если нет — вы потратили один вечер и сотню звонков.