120 годин на місяць на ручне оцінювання лідів — менеджери вигорають через нескінченні таблиці

Минулого місяця ми отримали сорок нових запитів, і мої менеджери буквально жили в Google Sheets та Notion. Кожен сейлз витрачав по три години на аналіз ніші клієнта та перевірку їхніх рекламних кабінетів перед першим дзвінком. Ми використовували ChatGPT для створення структури презентацій, але дані все одно вносили руками. Загалом на підготовку пропозицій пішло близько ста двадцяти годин чистого часу команди. При середній ставці менеджера це обійшлося агенції приблизно у дві тисячі доларів лише за один місяць.

Найважче — це підтримувати високу якість персоналізації, коли потік вхідних заявок зростає. Менеджери втомлюються від однотипного копіювання цифр з аналітики в презентації, через що припускаються помилок у розрахунках медіапланів. Це викликає величезну фрустрацію, бо замість того, щоб продавати та будувати стосунки, люди працюють як друкарські машинки. Кілька потенційних клієнтів пішли до конкурентів просто тому, що ми готували розрахунок окупності реклами довше ніж три дні.

Проблема системна, адже наш процес збору даних з різних джерел — Facebook Ads, Google Analytics та внутрішніх CRM клієнтів — абсолютно не автоматизований. У нас працює вісімнадцять людей, але немає окремого аналітика для відділу продажів, тому все навантаження лягає на сейлзів. Старі інструменти не дозволяють швидко витягнути середній чек чи конверсію конкурентів у ніші без залучення спеціалістів з контекстної реклами. Це створює вузьке місце, де кожен новий лід стає тягарем, а не радістю для команди.

Ми спробували найняти фрілансера-асистента на платформі Upwork, щоб він збирав первинні дані та заповнював таблиці. Це коштувало нам близько п'ятисот доларів на місяць, плюс ще триста доларів ми витратили на платні сервіси аналітики конкурентів. Також ми купили розширену підписку на ChatGPT, щоб він допомагав писати тексти листів. Це трохи розвантажило команду, але контроль якості за фрілансером забирав ще більше мого особистого часу як керівника. Витрати зросли, а швидкість відповіді клієнту майже не змінилася.

Це рішення виявилося звичайним «латанням дірок», яке абсолютно не масштабується. Фрілансер часто помилявся в термінах, а ChatGPT без інтеграції з нашими реальними даними видавав занадто загальні поради. Ми продовжуємо витрачати гроші на ручну працю, хоча розуміємо, що ці процеси можна автоматизувати через скрипти або AI-агентів. Зараз ми фактично спалюємо бюджет на зарплати за роботу, яку софт міг би робити за лічені хвилини. Це заважає нам брати більше великих клієнтів, бо ми вперлися в операційну стелю.