Кейсы · Архив · Логистика · 2024

Infinity Logistix: автоматизации роста конверсий

Кейс агентской эпохи (2024).

Этот кейс был впервые опубликован на старом сайте humanswith.ai в 2019–2025 годах — до перезапуска платформы. Performance, SEO, CRM, контент или growth той эпохи. Современные кейсы по AI-поиску (с поэнджинными данными Hermes) живут на /ru/cases.


Паспорт проекта

Данные кейса

Проект
Infinity Logistix
Тематика
Логистика / диспетчерский сервис (trucking, 🇺🇸 США)
География
🇺🇸 США
Модель
B2B / C2C marketplace
Старт работ
Октябрь 2024

Ключевые результаты

  • Конверсия лид → контракт выросла с 3,7% до 8,2% после внедрения системы аналитики и автоматизации в Facebook
  • Потеря лидов снижена на 35% за счёт сквозной аналитики и контроля воронки

Раздел 01

Контекстная реклама в Facebook для логистического B2B-сервиса

  1. Получить видимость качества звонков менеджера без ручного прослушивания
  2. Внедрить сквозную аналитику от клика до подписанного контракта
  3. Автоматизировать рутинные процессы работы с лидами
  4. Оптимизировать рекламу на основе реальных данных воронки
  5. Достичь конверсии лид → контракт выше 6% (было 3,7%)
  6. Снизить потери лидов ниже 40% и увеличить число контрактов

Раздел 02

Сложности управления воронкой и продажами в Facebook-рекламе

Нет видимости

Что происходит после лида и где он теряется

Нет оценки

Невозможно оценить качество кампаний и лидов воронки

Потеря лидов

Между этапами: форма → звонок → контракт

Нет обратной связи

По работе менеджера и качеству звонков


Раздел 03

Этапы построения системы речевой и сквозной аналитики

Этап 1. Подбор инструментов и интеграций

Провели аудит решений для речевой аналитики, сквозной аналитики и автоматизаций. Сравнили готовые SaaS-сервисы с собственной сборкой на Facebook-интеграциях через no-code инструменты. В итоге выбрали кастомный стек (RingCentral, ChatGPT, Zapier, Albato) из-за гибкости, стоимости и скорости внедрения.

Этап 2. Разработка и итерация промтов

Создали систему AI-анализа звонков менеджера с поэтапным усложнением промтов. Каждая версия добавляла новые блоки оценки, квалификацию лидов и структурированные рекомендации. Промты регулярно дорабатывались на основе реальных звонков и обратной связи, повышая точность анализа.

Этап 3. Запуск и контроль менеджера

Запустили систему ежедневной оценки звонков с AI-аналитикой и автоматической обратной связью в Telegram. Это позволило выявить слабые места менеджера и постепенно поднять его качество с 1–2 до 9+ баллов. Рост сопровождался постоянной корректировкой скриптов и улучшением коммуникации.

Этап 4. Внедрение сквозной аналитики

Собрали систему, которая отслеживает путь лида от Facebook до контракта через GA4, Typeform, CRM и call-tracking. Это дало полную прозрачность воронки и позволило выявлять эффективность кампаний и узкие места. На основе данных начали тестировать десятки маркетинговых гипотез.

Этап 5. Автоматизации

Настроили автоматическое создание сделок, обработку звонков, заполнение CRM и отправку документов через no-code инструменты. Это убрало ручную работу менеджера и ускорило обработку лидов до секунд. Все ключевые процессы стали полностью автоматизированными и масштабируемыми.


Раздел 04

Эффект от внедрения системы речевой и сквозной аналитики в Facebook-рекламе

Комплексная система аналитики и автоматизаций позволила повысить эффективность продаж и рекламы за счёт полной прозрачности воронки и контроля качества звонков.

ROI и ключевые показатели: рост эффективности воронки продаж

Внедрение системы речевой аналитики, сквозной аналитики и автоматизаций позволило полностью прозрачно управлять воронкой продаж, повысить качество работы менеджера и оптимизировать Facebook-рекламу на основе данных. Это привело к росту конверсии, снижению потерь лидов и увеличению количества контрактов при одновременном снижении CPA.

За 4 месяца работы:

С 3,7% до 8,2%

Конверсия лид → контракт выросла

На 35%

Потери лидов снизились

+55.5%

Количество контрактов увеличилось

На 18%

CPA снизился


Конец архивного кейса

Нужен современный кейс? Данные Hermes, а не Google Analytics.

Современные кейсы на /ru/cases используют другую модель доказательства: частота упоминания бренда по каждой нейросети, отслеживание цитирований до 10 нейросетей и дельта-отчёты после каждого скана. Другая категория, другое доказательство, другая эпоха.