Кейс: онлайн-школа — как Telegram-бот заменил двух менеджеров

Исходная ситуация

Клиент: онлайн-школа программирования (Python, JS, Data Science). Небольшая, 15 сотрудников, выручка ~3 млн ₽/мес. Продукт — курсы с наставником + домашки, длительность 3-6 месяцев, средний чек 65 000 ₽.

Поток заявок: ~300-350 в месяц. Источники: Яндекс.Директ, Telegram-канал, рекомендации.

Проблема, с которой пришли:

Школа нанимала двух менеджеров на первичную обработку. Их задачи:

• Отвечать на вопросы типа "Сколько стоит?", "Когда старт?", "Есть ли рассрочка?"
• Квалифицировать заявку (серьёзный интерес vs разведка)
• Собирать контакт + опыт + цель
• Передавать старшему менеджеру только "тёплых"

Стоимость: 2 × 40 000 ₽ ФОТ + налоги = ~110 000 ₽/мес. Производительность: ~50 обработанных заявок на одного менеджера в день. Итого мощность: ~2 200 заявок/мес — в 7 раз больше реального потока.

Узкое место: 70% работы — это одни и те же 20 вопросов. Менеджеры скучали, выгорали, текучка.

Цели, которые поставили

1. Сократить ФОТ на 1 менеджера (−50% постоянных затрат на первичку)

2. Не потерять ни одного теплого лида из-за автоматизации

3. Сохранить или улучшить конверсию в оплату (текущая 11-12%)

4. Запустить за 2-3 недели

Что сделали

1. Промпт + knowledge base

Собрали 40 реальных диалогов менеджеров с клиентами за последний месяц. Выделили:

• 23 частых вопроса + ответы
• Стандартную цепочку квалификации (6 вопросов)
• Аргументы против типовых возражений ("дорого", "подумаю", "нет времени")
• Правила эскалации (когда передать живому менеджеру)

Загрузили всё в systemprompt Tyaga Lab. LLM — Gemini 2.5 Flash (быстро + дёшево для образовательной ниши).

2. Интеграция с GetCourse

У школы GetCourse — основная платформа доставки. Интеграция:

• При создании лида в боте → автоматически регистрация в GetCourse
• Токен курса отправляется пациенту в Telegram сразу после оплаты
• Прогресс по домашкам синхронизируется обратно в бота → бот отправляет напоминания

3. Квалификация + сегментация

Бот спрашивает (в свободной форме, не кнопками):

1. Какой курс интересует?

2. Есть ли опыт в программировании?

3. Зачем хотите учиться (работа / хобби / смена профессии)?

4. Удобный формат (вечером после работы / в выходные / свободный график)?

5. Как планируете оплачивать (целиком / в рассрочку)?

6. Когда хотите начать?

Из ответов бот строит scoring:

• HOT — готов оплатить в течение недели, опыт есть, работа в IT
• WARM — интерес есть, но не срочно
• COLD — любопытство без плана, смена профессии с нуля

Старший менеджер видит только HOT + WARM. COLD — автоматически в drip-рассылку на 14 дней с образовательным контентом.

4. Возвраты на "брошенных корзин"

Если клиент начал квалификацию, но не дошёл до оплаты — бот через 24 часа присылает напоминание с персонализированным контекстом: "Видел, что вы интересовались курсом Python. Остались вопросы?"

Это возвращает ~8% брошенных заявок в воронку.

5. Drip для COLD

COLD-сегмент получает в течение 14 дней:

• День 1: приветствие + бесплатный мини-курс
• День 3: кейс ученика (видео)
• День 7: опрос "что вас тормозит"
• День 10: ответы на самые частые возражения
• День 14: финальное предложение со скидкой 10%

Конверсия COLD → HOT: ~6%. Те, кто не конвертит — остаются в Telegram-канале школы (retention-воронка).

Результат через 3 месяца

Сокращение ФОТ

• −1 менеджер (оставили одного старшего)
• Экономия: −80 000 ₽/мес (40 000 ₽ + налоги + рабочее место)
• Стоимость бота: 24 900 ₽/мес (Tyaga Lab Бизнес)
• Чистая экономия: ~55 000 ₽/мес

Конверсия

Было:

• Заявок: 320/мес
• Квалифицированных (HOT + WARM): 185 (58%)
• Оплативших: 37 (11.5%)

Стало:

• Заявок: 340/мес (чуть больше, +6%)
• Квалифицированных: 235 (69%, +11 п.п. за счёт лучшей сегментации)
• Оплативших: 51 (15%, +3.5 п.п.)
• Прирост выручки: +14 оплат × 65 000 ₽ = +910 000 ₽/мес

Скорость ответа

• Было: 15-40 минут (менеджеры отвечали пачкой)
• Стало: 4 секунды всегда
• Эффект: ночные / выходные заявки больше не теряются (это +20 заявок/мес)

Качество диалогов

• Менеджер-старший тратит теперь 80% времени на закрытие сделок (было 30%)
• Выгорание снизилось — больше нет "20 одинаковых ответов в день"
• Ушла текучка (нанимать нового менеджера раз в 3-4 месяца больше не нужно)

Что пошло не так

Честно: первые 2 недели были трудными.

Проблема 1: Бот неправильно интерпретировал "дорого"

На возражение "дорого" бот отвечал сразу аргументами про ценность — но многие клиенты имели в виду "дорого прямо сейчас, а не в принципе". Правильный ответ — спросить про рассрочку, а не защищать цену.

Решение: добавили в промпт "Если клиент говорит 'дорого' — сначала спроси про ситуацию, не защищай цену. Предложи рассрочку, если есть такая опция."

После правки конверсия "возражение дорого → оплата" выросла с 8% до 19%.

Проблема 2: Слишком быстрая квалификация

Бот задавал 6 вопросов подряд — клиенты жаловались на "допрос". Отвалилось ~15% на 3-м вопросе.

Решение: разбили квалификацию на фазы. Сначала 2 вопроса, потом даёт полезный контент (мини-курс), потом ещё 2 вопроса. Отток снизился до 4%.

Проблема 3: Рассрочка

Школа работает с одним банком на рассрочку. Бот не знал детали (условия одобрения, первый взнос). Клиент: "хочу в рассрочку на 12 месяцев" → бот: "уточню у менеджера" → менеджер занят → клиент ушёл.

Решение: добавили в knowledge base полную информацию по рассрочке, включая процент одобрения, требования к возрасту и доходу. Бот отвечает сам в 90% случаев.

Окупаемость

• Setup fee: 39 000 ₽ (белый перчаточный onboarding)
• Ежемесячный тариф: 24 900 ₽ × 3 = 74 700 ₽
• Всего инвестиций за 3 месяца: ~113 700 ₽
• Прирост выручки за 3 месяца: ~2 730 000 ₽
• Экономия на ФОТ: ~165 000 ₽
• Итого: окупаемость ×25 за 3 месяца

Что можно скопировать для вашей школы

1. Начните с анализа 50 реальных диалогов менеджеров — это и есть ваш промпт

2. Сегментируйте на HOT/WARM/COLD с самого начала — старший менеджер не должен видеть всех

3. Интегрируйте с LMS (GetCourse/Progress-Online/Skills-System) — автоматическая регистрация ускоряет конверсию

4. Drip для COLD — это не автоматизация продаж, а воспитание будущих клиентов

5. Не бойтесь итераций — первый промпт всегда плохой. Важно быстро корректировать на основе реальных диалогов.

Обсудить внедрение для вашей онлайн-школы →