Это SaaS-платформа для управления техподдержкой, выездным сервисом и ТОиР в зрелых компаниях. Продукт закрывает задачи, болезненные для организаций с собственной службой эксплуатации: не терять заявки от объектов, не пропускать плановые работы, контролировать подрядчиков и SLA, хранить историю обслуживания оборудования.
Перед email-аутричем стояла конкретная цель — приводить не менее 30–40 SQL в месяц. Мы вышли на 49+ лидов ежемесячно при бюджете около 150 000 рублей в месяц, получили 2 подтвержденные продажи и ROMI около 300% по нашему расчету. Ключевым оказался подход к базе: вместо одной широкой выборки мы собрали отдельные отраслевые гипотезы под разные сегменты.
Почему мы отказались от одной широкой базы
Целевая аудитория продукта разнородная: производства, медицинские организации, ритейл, управляющие компании, промышленные предприятия и особые экономические зоны. ЛПР тоже разные — руководители сервисных служб, операционные директора, IT-директора и собственники. Свести это в одну усредненную базу и одно письмо значило бы говорить со всеми одинаково и ни с кем точно.
Поэтому мы пошли от отдельных отраслевых гипотез. Для каждого сегмента определяли признаки подходящей компании, роль ЛПР, источник компаний, боль и оффер, цепочку писем и критерии лида. Сначала проверяли гипотезу на небольшой выборке, затем масштабировали рабочие сегменты. Так мы могли менять источники и роли ЛПР там, где сегмент отзывался.
Где мы брали компании
В работе мы использовали несколько типов сигналов и источников:
- вакансии как признак наличия сервисной или эксплуатационной функции;
- отраслевые лицензии и коды ОКВЭД;
- участников профильных конференций и выставок;
- отраслевые каталоги и списки;
- выборки компаний, похожих на действующих клиентов (look-alike).
Каждый источник давал свою плотность реакции и свой объем: крупные выборки обеспечивали охват, а узкие сигнальные базы — точность попадания в нужные компании.
Как работало routing-письмо
Первое письмо цепочки не продавало продукт, а решало другую задачу — помогало найти нужного человека внутри компании. Мы писали, что ищем контакт технического директора и не нашли его на сайте, с просьбой переслать письмо ответственному или подсказать его адрес.
Такой routing-прием снимает типичную проблему холодного аутрича, когда письмо попадает не тому человеку. Вместо того чтобы сразу разворачивать оффер перед случайным адресатом, мы первым касанием доводили обращение до реального ЛПР.
Второе письмо уже раскрывало контекст. Мы объясняли, почему написали именно в эту компанию, и привязывались к отраслевой ситуации адресата — например, к сети с большим числом точек и собственной службой эксплуатации. Дальше шли возможности продукта: история работ и календарь ТОиР, мобильная работа исполнителей, контроль SLA, учет оборудования и трудозатрат. Как доказательство мы приводили реальный кейс сети магазинов «Макси»: после внедрения сеть обрабатывала на 30% больше заявок тем же штатом, сократила время передачи заявки исполнителю с 10+ до 2–3 минут и отказалась от бумажных нарядов. Финалом было приглашение на короткий разговор. Третье и четвертое письма продолжали цепочку, раскрывали отличия от Excel и разрозненных чатов и оставляли возможность вернуться к диалогу позднее.
Что показали цифры по сегментам
Мы обработали 20 982 контакта только по показанным кампаниям за 08.09.2025–12.11.2025, получили 1 019 ответов и 53 лида.
Здесь хорошо видно, как крупные и узкие базы решают разные задачи. Возьмем два медицинских сегмента:
- Медицинские компании, похожие на действующего клиента — 8 869 контактов, 185 ответов, 9 лидов. Крупная выборка дает объем.
- Компании с лицензией на техобслуживание медтехники — 2 413 контактов, 146 ответов, 10 лидов. Узкая сигнальная база при вчетверо меньшем объеме принесла больше лидов и заметно более плотную реакцию.
То же по медицинскому коду 33.13: 888 контактов, 48 ответов, 8 лидов — компактная выборка с хорошей отдачей. У ритейла картина смешанная: сегмент по сигналам найма дал 5 лидов с 237 контактов, а отраслевой список ритейла — те же 5 лидов, но уже с 2 215 контактов.
Ни один тип выборки нельзя назвать универсально лучшим источником. Крупные сегменты обеспечивают охват, узкие сигнальные выборки — плотность попадания. Работают они в связке.
Мы также разделяли сами метрики. Ответы — это реакция на письмо, лиды — компании, отобранные по критериям проекта, продажи — уже подтвержденные сделки. Из 1 019 ответов в лиды перешла заметно меньшая часть.
Откуда пришли продажи
Обе подтвержденные продажи пришли из медицинских look-alike сегментов и были отмечены после второго письма цепочки — 22.10 (ООО «Лабвэй», технический директор Дмитрий Водорезов) и 06.11 (ООО «ДИАСЕРВИС», Глеб Чурбанов). Здесь сработали вместе медицинский look-alike сегмент и грамотная цепочка писем: они привели квалифицированных лидов, которые закрылись в продажи с высоким чеком. Для этого продукта медицинское направление оказалось не только объемным по контактам, но и результативным по деньгам.
Экономика проекта
Бюджет — около 150 000 рублей в месяц. Мы получили 2 подтвержденные продажи: средний чек около 140 000 рублей, в отдельных сделках примерно на 50% выше стандартного, около 210 000 рублей. ROMI составил около 300% по нашему расчету.
Что забрать из этого кейса
Главный практический вывод: для B2B-продукта с разнородной аудиторией сегментные гипотезы работают лучше одной большой базы. Разные отрасли требуют разных источников компаний, разных ролей ЛПР и разных офферов, и это видно на цифрах — узкая лицензионная выборка обошла по лидам look-alike вчетверо большего объема.
Второй вывод — про механику писем. Routing-письмо помогает довести обращение до нужного человека до того, как разворачивать оффер, а сегментированное второе письмо привязывает разговор к реальной ситуации компании. Именно из связки медицинского look-alike сегмента и грамотной цепочки пришли обе продажи.