Кейс CreAiTeam: EdTech, + 38% retention за 60 дней

Контекст и вызов

В онлайн-школе 30-40% студентов «застревали» — переставали заходить в платформу через 2-3 недели обучения. Стандартный email с предложением вернуться давал ~6% отклика, дальше быстро превращался в спам. Команда поддержки физически не могла индивидуально общаться с каждым «остывающим» — на 1500-2000 активных студентов было 4 человека.

Подход

Pipeline в 4 этапа на LangGraph:

Детект — каждую ночь scheduled job в Postgres находит студентов, у кого активность упала (не было события login/lesson_open) 5+ дней
Анализ контекста — для каждого студента собирается mini-resume — что прошёл, на чём остановился, какие ошибки в задачах, какой темп обычно был
Генерация сообщения — Claude с context window — mini-resume + наши гайдлайны по тону + примеры удачных сообщений. На выходе — структурированный JSON (тема, тело, предлагаемое действие)
Отправка и трекинг — Telegram Bot отправляет в личку, ответ ловим webhook’ом, передаём в Postgres + флаг для куратора если ответили

Каждые 2 недели — анализ эффективности по когортам, корректировка промптов.

Что было сложно

Сложность 1 — обучение тону. Первые сообщения от агента звучали как маркетинговые email («Привет! Скучаешь по нашим урокам?»). Это контрпродуктивно. Собрали 30 примеров правильных и неправильных сообщений (выбирали из реальной переписки кураторов), вписали в промпт как few-shot. Тон стал теплее и человечнее.

Сложность 2 — приватность. Школа собирает много чувствительных данных — возраст, страна, способ оплаты. Договорились — агент получает только обезличенный профиль (статус курса, прогресс, ошибки), без личных идентификаторов. Имя подставляется уже на этапе отправки, на нашей стороне.

Сложность 3 — масштабирование. Сразу запустить на всю базу 5000 студентов — большой риск (если что-то сломается, потеряем доверие массово). Делали wave-rollout — сначала 50 студентов, через неделю 200, через 2 недели — все. Метрики на каждой волне сравнивались.

Эффект на бизнес

Через 2 месяца после запуска (с учётом периода калибровки):

30-дневный retention: 47% → 65% (+38% относительно)
60-дневный retention: 31% → 48% (+55% относительно)
LTV студента: +27% (дольше платят)
Команда поддержки: те же 4 человека, но больше сложных диалогов и меньше холодных

"Студенты возвращаются и платят дольше. Главное — они говорят, что не чувствуют автоматического подхода, ощущают, что мы помним каждого."
— основатель школы

Частые вопросы по кейсу

Не отпугнёт ли студентов то, что им пишет бот?

Главное — не пытаться выдавать ИИ за человека. В первом сообщении честно говорим — «привет, я автоматический помощник, заметил, что ты не заходил 5 дней. Если есть проблема — расскажи, передам куратору». Это снимает дискомфорт. Если студент ответил — диалог переходит к живому куратору с готовым контекстом.

Как ИИ понимает, что предлагать?

Агент смотрит на конкретику — какой курс, какой урок, какие ошибки в последних задачах. Если студент стопанулся на алгоритмах — предлагаем разбор похожей задачи. Если у него проблема с дисциплиной (открывал, но не делал) — предлагаем формат с куратором. Структурируем через Claude function calling в Pydantic-схему.

Можно ли что-то ломать таким подходом?

Да, риски были. Ограничили — агент пишет максимум 1 раз в 14 дней одному студенту (не спамит). Если на 2 подряд сообщения нет ответа — переключается в режим «тихое сопровождение» — не пишет, но мониторит. Куратор может вручную разблокировать. Также есть кнопка «не пиши мне больше» в каждом сообщении.

Сколько стоит запустить такое?

Базовый сетап — 450 000 ₽ за 10 дней (MVP пакет). Операционная стоимость — ~$0.05 на одно персонализированное сообщение (Claude 3.5). При 200 сообщениях в день — $10/день. Окупилось за 6 недель.

Хотите такой же результат?

Бесплатный 2-дневный аудит. За полчаса поймём, есть ли смысл двигаться дальше.

Как EdTech-стартап увеличил retention на 38% с ИИ-агентом возврата студентов