Татьяна Панкова пришла в маркетинг с дипломом по лазерной технике и биомедицинской оптике — и говорит, что именно техническое мышление помогло ей больше всего. В интервью она рассказывает, как работает удержание в крупном стриминге, почему с уходящим клиентом иногда правильнее не делать ничего, и зачем постоянно возвращаться к гипотезам, которые уже проверяли. Разговор про аналитику, AI без хайпа и будущее, в котором персонализация упрётся в собственные границы.
Ты пришла в CRM не совсем по классической траектории. Сначала был маркетинг в целом, а уже потом — CRM. Как вообще случился этот переход? В какой момент стало понятно, что тебе интереснее не просто отдельные инструменты, а вся логика взаимодействия с клиентом?
У меня все получилось довольно органично. Когда я только пришла в маркетинг, я успела попробовать очень разные вещи: ивенты, SMM, бренд-маркетинг, перформанс, разные коммуникации. Я работала с отдельным направлением практически как самостоятельный маркетолог, поэтому быстро пришлось разбираться не только в инструментах, но и в том, как вся система работает целиком. И в какой-то момент я поймала себя на мысли, что мне интереснее не сам канал, а то, что происходит вокруг него. Почему один человек приходит и покупает сразу, а другой нет? Почему кому-то нужен оффер, кому-то напоминание, а с кем-то вообще лучше не коммуницировать?
Постепенно я начала больше погружаться в клиентские пути, сегментацию, планирование, аналитику — и именно через это пришла в CRM. Я скорее пришла туда не через рассылки, а через желание понять поведение клиентов и логику принятия решений.
А насколько вообще твое образование в области лазерной техники и биомедицинской оптики помогает сейчас в маркетинге? На первый взгляд кажется, что это совершенно разные миры.
На самом деле помогает больше, чем может показаться. Потому что техническое образование — это не столько про сами технологии, сколько про образ мышления.
Оно учит работать с данными, искать причинно-следственные связи, строить гипотезы и проверять их, а не принимать решения только на ощущениях. И в CRM это оказалось очень полезно. Потому что CRM — это не просто «давайте отправим письмо». Это про понимание того, кому, когда, зачем и что именно нужно сказать. И здесь аналитический подход работает не хуже, а иногда и важнее чисто маркетинговой интуиции.
В целом уже логично складывается, почему ты в итоге пришла к удержанию, клиентской ценности и всей этой истории. А что тебе самой сейчас в работе больше всего нравится? Что цепляет сильнее — продуктовая логика, аналитика, психология пользователей? Или лазеры все-таки победили?
Лазеры, конечно. Всех несогласных просто прожигаем взглядом — и сразу растет удержание. А если серьезно, мне очень нравится аналитическая часть. Люблю искать точки роста и разбираться, почему в одном месте все работает отлично, а в другом что-то внезапно начинает проседать. Почему одна механика дает результат, а другая нет. И главное — что вообще означают цифры, которые мы видим. Потому что иногда хорошие цифры оказываются не такими уж хорошими, а иногда за неочевидными показателями скрываются очень интересные инсайты.
Наверное, больше всего мне нравится момент, когда из большого количества разрозненных данных постепенно начинает складываться цельная картина поведения пользователей.
Ты отдельно заговорила про ML и AI. Насколько для тебя это сейчас уже реальный рабочий инструмент, а не просто очередной модный термин?
Для меня это уже давно не про хайп. Особенно если речь идет о больших продуктах: подписках, e-commerce, крупных сервисах с огромной клиентской базой. Потому что в какой-то момент просто хорошей сегментации становится недостаточно. И здесь такие инструменты начинают реально помогать: не просто всем отправлять одинаковое предложение, а понимать, кому его действительно стоит показывать, кого проще реактивировать, кому сейчас нужен оффер, а кого лучше вообще не трогать.
Мне нравится, что это постепенно делает взаимодействие с пользователями более человечным. Потому что люди всегда лучше реагируют не на количество коммуникаций, а на их уместность и полезность. Но здесь есть очень важный момент: любые ML-модели нужно оценивать не по принципу «мы внедрили ML и AI, значит мы молодцы». Нужно смотреть, что это реально дает бизнесу. В идеальном мире — считать инкрементально: сравнивать пользователей, с которыми работает модель, с контрольной группой и смотреть, какой дополнительный эффект она приносит.
При этом я бы смотрела не только на бизнес-метрики. Бывает, что по цифрам результат остается примерно таким же, но при этом у тебя в разы сокращаются трудозатраты или скорость запуска решения — тот самый time-to-market. А это тоже вполне ощутимая ценность.
Ну и мне кажется, здесь вообще работает очень простой принцип: не нужно использовать AI ради самого AI. Если инструмент не помогает ускориться, не улучшает результат и не дает никакого преимущества, то тогда возникает вполне логичный вопрос: а зачем? Всё должно быть к месту и решать конкретную задачу.
Если представить идеальный мир, где AI действительно снимает с тебя рутину, то что бы ты ему отдала в первую очередь?
Моя мечта — это, конечно, агент, который живет где-то внутри рабочей экосистемы и умеет сам ходить по календарю, почте, внутренним чатам, таск-трекерам и собирать для меня картину происходящего. Чтобы он говорил: вот у тебя список встреч на неделю, вот задачи, вот что ты обещала другим, вот что обещали тебе, а вот где начинают подгорать сроки. Потому что иногда сама работа занимает меньше времени, чем сбор всей информации о том, что вообще происходит.
Понятно, что финальную приоритизацию я все равно хочу оставлять за человеком. Но вот собрать всё в одну понятную картину — это история, которая реально могла бы сильно упростить жизнь. И мне кажется, что здесь многие руководители меня поймут.
А если говорить не про мечты, а про сегодняшний день: есть ли вещи, которые ты уже сейчас спокойно отдаешь AI в работу?
Да, но скорее не в формате «сделай вместо меня», а в формате «помоги посмотреть на задачу с другой стороны».
Мне очень нравится подключать нейросети, когда нужно решить какую-то новую задачу, с которой я раньше не сталкивалась. Потому что, когда долго работаешь в одной сфере, у тебя появляется свой привычный способ смотреть на вещи, и иногда ты просто не замечаешь альтернативные варианты.
Например, у меня была задача сделать новый дашборд для оценки эффективности. Изначально я уже понимала, как бы я его построила, потому что был свой опыт и подход. Но я решила прогнать задачу через ChatGPT: загрузила контекст, естественно обезличенно и без чувствительных данных, и попросила помочь сформировать структуру. И там была интересная мысль, которая мне очень понравилась: вместо набора отдельных метрик использовать композитные показатели для верхнего уровня, чтобы человек, который вообще не погружен в детали, мог открыть экран и сразу понять: всё хорошо, всё плохо или где-то проблема.
Это как раз тот тип помощи, который мне нравится больше всего. Не когда ИИ делает работу за тебя, а когда помогает увидеть что-то, что потом кажется очевидным: «Ну конечно, вот же оно, лежало прямо перед глазами».
С учетом твоей специфики (удержание, отток, клиентская ценность) есть ли для тебя главное правило в работе с уходящими клиентами? Что важнее: вовремя дать оффер, поймать момент, разобраться в реальной причине ухода? Или иногда правильнее вообще отпустить человека?
Мне кажется, здесь как раз опасно искать одну волшебную кнопку. Потому что правильный ответ — всё вместе, просто для разных пользователей в разный момент времени.
Есть люди, которым действительно поможет оффер. Есть те, у кого причина ухода вообще не связана с ценой, и скидка здесь ничего не изменит. Есть пользователи, у которых нужно заранее работать с причинами возможного оттока, еще до того, как они начали задумываться об уходе. А есть и те, кого в какой-то момент действительно лучше отпустить и не тратить ресурсы. Поэтому для меня здесь важен не отдельный инструмент, а набор инструментов. И задача скорее в том, чтобы понимать: что, когда и для кого использовать.
Потому что работа с удержанием — это вообще история не про одну рассылку или одну акцию. Это большая система: аналитика, клиентские пути, сегментация, коммуникации, понимание поведения пользователей, все работает вместе. И есть еще одна вещь, которую часто недооценивают — контекст. Иногда у тебя может быть идеально настроена вся система, но внезапно меняется рынок, происходят какие-то внешние события, меняется поведение людей, и то, что вчера работало идеально, сегодня перестает работать вообще.
Поэтому, наверное, если говорить про какое-то главное правило, то это постоянные тесты. И не просто тесты один раз, а готовность периодически возвращаться и проверять старые гипотезы заново. Потому что очень часто то, что не работало полгода назад, начинает работать сегодня. И наоборот.
Расскажи тогда про твою идеальную CVM-команду. Какие люди в ней должны быть? Какими качествами обладать, чтобы всё действительно работало и ехало?
Мне кажется, самое главное качество для CVM-команды — это умение постоянно ставить себя на место клиента. Потому что всё, что мы делаем — коммуникации, сценарии, механики, офферы — в конечном итоге существует не для нас, а для пользователя. Поэтому я всегда люблю задавать очень простой вопрос: а если бы я сама получила это сообщение, увидела этот баннер или столкнулась с этим сценарием — как бы я на него отреагировала? Было бы это полезно, уместно или я бы просто закрыла и пошла дальше?
Понятно, что тут есть важная оговорка: нельзя смотреть только через собственный опыт. Мы все разные. И как раз ценность команды в том, что она собирает разные взгляды, разные привычки, разные пользовательские сценарии. Потому что в какой-то момент любой специалист начинает защищать свою зону ответственности: «Я это сделал, значит это классно». А иногда нужно остановиться и сказать: «Подождите, а может пользователь вообще это воспринимает иначе?»
Если говорить уже про сами качества, то без аналитического мышления в CVM никуда — всё строится вокруг данных, поведения и клиентских путей. Но одновременно должно быть и чувство прекрасного. Потому что коммуникации — это не только цифры. Это и визуал, который должен зацепить взгляд в огромном потоке информации, и текст, который хочется дочитать.
Ну и ещё, наверное, внимательность. Потому что когда работаешь с большими объемами данных и коммуникациями, цена ошибки бывает довольно высокой. Ошибки у всех случаются, конечно, но лучше лишний раз перепроверить, чем потом отправить не то и не туда нескольким сотням тысяч человек.
Последний вопрос хочется про будущее задать. Раньше я обычно спрашивала про пять лет вперед, но сейчас ощущение, что даже год прогнозировать уже страшновато — слишком быстро всё меняется. Поэтому давай хотя бы ближайшие пару лет возьмем. Как ты видишь развитие CRM и CVM? На чем будет основной фокус?
Мне кажется, самый очевидный тренд сейчас — это персонализация во всех её проявлениях. И самое интересное, что про нее говорят уже давно. Еще лет пять-шесть назад все рассказывали, что нужно персонализировать коммуникации, но тогда это скорее было красивое слово, чем понятный набор действий. Сейчас уже есть и инструменты, и данные, и технологии, которые позволяют это реально делать.
Причем персонализация — это уже давно не только про текст письма или пуша. Это про всё сразу: какой канал выбрать, когда выйти к человеку, насколько часто коммуницировать, что именно предложить и нужно ли вообще сейчас что-то предлагать.
Если представить такой образ ближайшего будущего, то это скорее попытка прийти к сценарию, где человек получает нужное сообщение в нужном месте и в нужный момент, когда оно действительно ему полезно. Но мне кажется, дальше будет интересный момент. Потому что бесконечно усиливать персонализацию невозможно. В какой-то момент начинаются ограничения — технические, ресурсные и просто человеческие.
После какого-то пика нас может ждать обратное движение. Когда рынок начнет задавать уже другой вопрос: не «как собрать еще больше данных и сделать еще больше сценариев», а «а точно ли всё это нужно?» Потому что иногда для хорошего пользовательского опыта не нужно знать о человеке абсолютно всё. И мне кажется, что ближайшие несколько лет как раз будут про поиск этого баланса — между гиперперсонализацией и разумной простотой.
Комментарии
Войдите или зарегистрируйтесь, чтобы оставить комментарий