Как мы помогли сами себе

Предыстория

К нам обратился крупный B2B-бизнес, работающий на конкурентном и быстро меняющемся рынке. Компания регулярно сталкивается с необходимостью принимать решения в условиях неполной информации: где теряются клиенты, почему падают продажи в отдельных сегментах, какие действия конкурентов уже влияют на рынок, а какие — начнут влиять завтра.

Как и у многих зрелых команд, у клиента было понимание, что данные могут помочь. Но не было главного — ясного ответа, какие именно данные и как превратить их в управленческие решения.

Задача

Формально запрос звучал привычно: «Расскажите, что вы можете собрать и чем это нам поможет».

Неформально — намного сложнее.

Клиенту было важно быстро понять:

• Какие бизнес-проблемы можно решать через сбор данных уже сейчас
• Какие источники данных дадут максимальный эффект
• Сколько это будет стоить и какой результат можно ожидать

Сложность была в том, что запрос находился не на уровне «нужен парсер», а на уровне поиска точек роста и слабых мест бизнеса. А такие задачи нельзя решить списком услуг или универсальным КП.

Этот проект стал для нас знаковым, потому что он совпал с внутренней эволюцией Вебпарсинг.ру как компании.

История Вебпарсинг.ру

Мы занимаемся сбором данных с 2015 года и за это время прошли несколько этапов взросления.

Сначала мы работали как классический подрядчик:

Соберите вот эти данные с этого сайта

Затем начали задавать более полезный вопрос:

Какие данные могли бы вам помочь?

Но со временем стало очевидно: даже этот вопрос ограничивает мышление. Клиенты не обязаны знать, какие данные существуют и что с ними можно сделать.

Сегодня мы начинаем диалог иначе:

Где в бизнесе сейчас возникают узкие места, неопределённость или потери?

И уже от этого строим решения через данные.

Именно такой подход — от проблемы, а не от инструмента — стал ключевым фактором, почему клиент выбрал нас.

Процесс

1. Когда человеческого интеллекта стало недостаточно

Долгое время при знакомстве с новой компанией мы собирали командные мозговые штурмы.

Цель была простой: составить максимально широкий список способов, как данные могут помочь именно этому бизнесу.

Метод работал, но имел три системных недостатка:

• Отнимал много времени у всей команды
• Зависел от текущего контекста и загрузки людей
• Хорошие идеи часто приходили уже после общения с клиентом

Мы попробовали выделить отдельного специалиста, который занимался бы только этим — анализировал запросы и предлагал решения. Это повысило качество, но не решило проблему скорости и полноты.

В какой-то момент стало ясно: накопленная за 10 лет экспертиза слишком большая, чтобы хранить её только в головах людей.

2. Первый шаг — структурировать опыт

Мы начали с базы:

1. Собрали все решения, которые когда-либо делали для клиентов

2. Протегировали их по отраслям, задачам, типам источников

3. Проранжировали по сложности реализации, стоимости и бизнес-пользе

4. Подключили RAG-поиск

RAG (Retrieval-Augmented Generation) — это подход, при котором модель не «придумывает ответ из головы», а сначала находит релевантную информацию в базе знаний и только потом формирует ответ на её основе.

Решение резко ускорило подготовку ответов. Мы могли за минуты показать клиенту, какие варианты решений существуют и чем они отличаются.

Но довольно быстро проявилась ключевая проблема.

3. Родовая травма готовых решений

Модель могла предлагать только то, что уже было заложено.

Это означало:

• Ограниченную вариативность
• Слабую адаптацию под нестандартные бизнес-модели
• Риск упустить новые, нетривиальные подходы

Для компании, которая позиционирует себя как эксперт, это было неприемлемо.

4. Обучение модели на реальной экспертизе

Мы пошли дальше и решили обучить GPT-модель на собственном опыте:

• Собрали всю переписку по проектам за годы работы
• Выгрузили внутренние обсуждения команды
• Добавили структурированный список решений
• Подключили поиск по внешним источникам и отраслевым материалам

По сути, мы «переложили» коллективный опыт компании в модель.

Результат оказался сильнее ожиданий:

• Ответы стали заметно глубже и точнее
• Модель начала предлагать нестандартные комбинации решений
• Время реакции на запросы клиентов сократилось до идеального

Когда у нас спрашивали «чем вы можете помочь?», ответ перестал быть абстрактным — он стал привязанным к конкретным болям бизнеса.

Результат

Инструмент стал стандартом внутри Вебпарсинг.ру.

Он используется на этапе первичного общения, подготовки предложений и проработки сложных запросов.

Клиент получил:

• Ясное понимание, где именно данные могут дать эффект
• Несколько сценариев решений с разной стоимостью и сложностью
• Ощущение, что с ним говорят не языком услуг, а языком бизнеса

Со временем интерес к инструменту проявили и партнёры — digital-агентства, исследовательские компании, консалтинговые команды. Это стало сигналом, что решение ценно не только для нас.

Мы приняли решение сделать инструмент публичным. Будем рады, если он поможет вам!

Отзыв клиента

Сначала помогли разобраться в задаче и определить, какие данные действительно нужны, и только потом предложили инструменты.

Благодаря этому не пришлось переделывать аналитику и терять время.

Марина Островская,
Коммерческий директор компании «Инвест-Плюс»

Работа с клиентом продолжается до сих пор — уже в формате регулярной аналитической поддержки.