The post has been translated automatically. Original language: Russian
17 payments before the finished product: how do we build an AI service that shows businesses where to look for growth
They started paying for aVtonomus at a time when we ourselves were still actively changing the product.
We redesigned the interface, reassembled the analysis results, changed the order of the blocks, and argued within the team about how much data an entrepreneur needed to show.
Then the first payments appeared. At one of the early stages, there were 17 of them. Next, the first user appeared on a monthly subscription.
For a large IT product, these are small numbers. They have become an important signal to us: the problem we are trying to solve exists in real business, and people are willing to pay for a faster and clearer way to understand the market.
At the same time, aVtonomus itself grew out of the work that we had been doing manually for many years.
It all started long before AI
Our Raskrutov team has been engaged in websites, search promotion, analytics and digital projects for businesses for many years.
And almost every serious project started with the same question.
The company wants more customers. What should I do first?
Redesign the website? Add new pages? Run an ad? Go out to another city? Promote a new product? Strengthen the existing direction?
At first glance, there are many options. The problem is that each of them costs money.
That's why we always tried to look at the market first.
What are people really looking for? In what words do they formulate their need? What products or services are they more interested in? What kind of companies do they find? What pages have your competitors already created? What is not on the website of the business itself?
After that, the solution becomes much clearer.
If people regularly search for a specific service, competitors have separate pages for it, and the company has this service hidden somewhere inside the general section, there is a very specific task - to create a clear offer for existing demand.
This methodology has already brought real business results.
Over the years, we have accumulated many projects where this approach has produced good results.
The most striking example for us is related to a company that deals with heating equipment.
It's important to say right away: the company itself was successful and profitable before working with us. We did not create her business and do not take credit for the overall success of the company.
Our task was different — to build a full-fledged online sales channel.
We have studied exactly what customers are looking for, what models and characteristics they are interested in, how people formulate queries, and which pages are already represented in the search.
After that, the site structure was built to meet real demand. There are separate pages for specific product groups and customer requests.
In three months, products worth more than 300 million tenge were sold through the website.
It is important: without the created digital channel, these online sales could not exist. Some of the buyers might not have found the company at all at the time of the search.
There is another factor, the human factor.
When the whole process depends only on the managers, there is always a risk of losing the client. Someone didn't respond on time, didn't call back, missed a message, or didn't realize that the person was ready to buy.
The site is constantly working.
The buyer finds the right product himself, examines the offer himself and takes the first step himself.
Our task was to ensure the company's presence exactly at the moment when the person had already shown interest.
At some point, a simple question arose
We have been doing this kind of work manually for many years.
We collected requests. We watched the issue. We analyzed the sites. We studied the competitors. We brought the data together and only after that we prepared recommendations.
The work is useful, but time-consuming.
Over time, a completely natural question arose.:
is it possible to automate a significant part of this process?
That's how work on aVtonomus began.
The idea was pretty simple.
The person describes his business. The system collects available data about demand, search results, competitors, and the company's website, and then helps link them together.
At the exit, the entrepreneur should receive an answer to several practical questions.
What are potential customers looking for now? Which market areas are more noticeable than others? Who do they find instead of the company? What opportunities can a business miss? What makes sense to check first?
Technically, collecting the data turned out to be quite a solvable task.
The most difficult part started later.
The more data we showed, the more complex the product became
The first versions of the analysis were detailed.
It seemed to us that the more information we gave the user, the higher the value of the result.
You can show hundreds of queries. Dozens of competitors. Large tables. Charts. A lot of indicators.
In practice, another problem has arisen.
An entrepreneur opens such a report and gets another job.
Now he needs to study dozens of pages on his own and understand what is really important from all this.
We saw a pretty simple thing.
Businesses often have enough data.
There is not enough clear answer to the question:
What should I do next?
From that moment on, we began to reassemble the very approach to the result.
There are four important issues for us right now
The first is what we found.
The second is why it's important.
The third is what can be done about it.
The fourth is what makes sense to do first.
Let's say the system sees that a certain service is regularly searched for.
Next, she looks at which companies appear for such queries and which pages they have.
After that, it compares the picture with the website of the analyzed company.
If there is a service, but there is no separate clear offer for it, a specific recommendation arises.
There is a demand in the market. Competitors are closing it down. The company has a corresponding service, but it is poorly represented.
The next step is clear.
This result can be passed on to a marketer, developer, promotion specialist, or used within your own team.
A separate task is to explain where the output came from.
AI can write confidently.
Sometimes too confident :)
This creates a separate risk for a business instrument.
If the system recommends that a person spend money or change the direction of work, the user should understand what data such a recommendation is based on.
Therefore, we try to separate the found facts and conclusions.
For example, you can check for search queries. You can see the competitor's pages. The site's presence in the search results can also be recorded.
And the statement that a particular direction has potential is already a conclusion based on several such signals.
A person should see this boundary.
For us, this is one of the key issues of trust in AI products.
It is not enough for the user to receive a response. He needs to understand why the system came to him.
The search is also changing
When we first started working with search engine promotion, the user's path was quite clear.
The man opened the Google or Yandex, introduced the request and chose one of the proposed sites.
Today, there are more ways to find a company.
Maps, social networks, marketplaces, and search engines have been working in parallel for a long time.
Now AI systems have been added to them.
People ask them which company to choose, where to find a particular product, which suppliers operate in a particular region, or what options exist on the market.
There is a new question for business.
Does AI understand what the company is doing?
Is there enough information publicly available about her products, services, and experiences?
Can the system link a company to a specific request from a person?
We believe that in the coming years, businesses will have to consider this channel along with the usual search.
The first users have greatly changed our understanding of the product
As long as the product exists only within the team, ideas can be discussed for a very long time.
What features to add. What indicators should I show? Which screen to make more beautiful.
The appearance of paying users dramatically changes the focus and vector of development.
The person has already given the money. Now the result either helps him or it doesn't.
The first 17 payments were just such a test for us.
We do not consider them to be proof of great success. The product is at an early stage, and a lot is still changing.
But it confirmed one important hypothesis.
People are willing to pay for the opportunity to understand their market faster and get a clearer next step.
After that, we became much tougher about each function.
If an indicator looks nice but doesn't help you make a decision, its value is questionable.
If a recommendation requires a long explanation, it needs to be simplified.
If, after the analysis, the user still does not understand where to start, then the result needs to be redone.
We stopped looking at the product as a report generator.
The very word "report" gradually began to seem too narrow to us.
The report usually ends with a document.
Received. I read it. Closed it.
We are more interested in another scenario.
The system helps you see an opportunity.
Then he explains why it is important.
Then the person makes a decision and implements the change.
After a while, you can look at the market again and see what has changed.
This is how analysis turns from a one-time job into an ongoing process of market observation.
And this is where AI gets a really useful role.
It can help a person not try to read or invent hundreds of signals on their own, but to quickly understand which ones deserve attention based on real client data.
The most difficult task now is to choose the main thing.
Suppose the system finds two hundred interesting signals.
Showing all two hundred is pointless.
You need to choose a few of the most useful ones.
But how to determine their importance?
Where is there enough data for a recommendation?
Where should I honestly write that there is not enough information yet?
What conclusions require additional verification?
How to explain all this to an entrepreneur in simple language?
These are the questions that take up the most of our time today.
The technical part of the product will continue to evolve.
But the value for the user is determined quite simply in the end.
After the analysis, a person should understand their market better than before.
What do we want to achieve
Over the years, we have seen that businesses often lose opportunities not because they don't work well.
A company can be strong.
She can have a good product, an experienced team, and steady sales.
But the market is constantly changing.
There are new requests. Customer behavior is changing. Competitors are launching new offers. New search channels are emerging.
It's getting harder to keep track of everything manually.
We want to automate the part of the work that we have been doing for clients for many years: to find real market signals, compare them with the business and translate them into understandable actions.
The story of 300+ million tenge of online sales has shown us how strong the effect can be when the site structure and promotion are built around real demand.
The first 17 aVtonomus payments showed something else: entrepreneurs are ready to use technologies that help them make such decisions faster.
Then everything depends on the quality of the product itself.
If the system can help the owner see in a few minutes what the specialist used to collect for several hours or days, this approach makes practical sense.
That's what we're working on right now.
17 оплат до готового продукта: как мы строим AI-сервис, который показывает бизнесу, где искать рост
За aVtonomus начали платить в тот момент, когда мы сами ещё продолжали активно менять продукт.
Мы переделывали интерфейс, пересобирали результаты анализа, меняли порядок блоков и спорили внутри команды о том, сколько данных вообще нужно показывать предпринимателю.
Потом появились первые оплаты. На одном из ранних этапов их стало 17. Следом появился первый пользователь на ежемесячной подписке.
Для большого IT-продукта это небольшие цифры. Для нас они стали важным сигналом: проблема, которую мы пытаемся решить, существует в реальном бизнесе, и люди готовы платить за более быстрый и понятный способ разобраться в рынке.
При этом сам aVtonomus вырос из работы, которую мы много лет выполняли вручную.
Всё началось задолго до AI
Наша команда Raskrutov много лет занимается сайтами, поисковым продвижением, аналитикой и цифровыми проектами для бизнеса.
И почти каждый серьёзный проект начинался с одного и того же вопроса.
Компания хочет больше клиентов. Что делать первым?
Переделать сайт? Добавить новые страницы? Запустить рекламу? Выйти в другой город? Продвигать новый товар? Усилить существующее направление?
На первый взгляд вариантов много. Проблема в том, что каждый из них стоит денег.
Поэтому мы всегда старались сначала посмотреть на рынок.
Что люди действительно ищут? Какими словами они формулируют свою потребность? Какие товары или услуги интересуют их чаще? Какие компании они находят? Какие страницы уже сделали конкуренты? Чего нет на сайте самого бизнеса?
После этого решение становится намного понятнее.
Если люди регулярно ищут конкретную услугу, у конкурентов под неё есть отдельные страницы, а у компании эта услуга спрятана где-то внутри общего раздела, появляется вполне конкретная задача - cоздать понятное предложение под уже существующий спрос.
Эта методология уже приносила бизнесу реальные результаты
За годы работы у нас накопилось немало проектов, где такой подход давал хороший результат.
Самый яркий для нас пример связан с компанией, которая занимается отопительным оборудованием.
Сразу важно сказать: сама компания была успешной и прибыльной и до работы с нами. Мы не создавали её бизнес и не приписываем себе общий успех предприятия.
Наша задача была другой — построить полноценный канал онлайн-продаж.
Мы изучили, что именно ищут покупатели, какие модели и характеристики их интересуют, как люди формулируют запросы и какие страницы уже представлены в поиске.
После этого под реальный спрос была построена структура сайта. Появились отдельные страницы под конкретные группы товаров и запросы покупателей.
За три месяца через сайт было продано продукции более чем на 300 млн тенге.
Важно: без созданного цифрового канала именно этих онлайн-продаж могло не быть. Часть покупателей могла вообще не найти компанию в момент поиска.
Есть и другой фактор — человеческий.
Когда весь процесс зависит только от менеджеров, всегда существует риск потерять клиента. Кто-то не ответил вовремя, не перезвонил, пропустил сообщение или не понял, что человек уже готов покупать.
Сайт работает постоянно.
Покупатель сам находит нужный товар, сам изучает предложение и сам делает первый шаг.
Наша задача была обеспечить компании присутствие именно в тот момент, когда человек уже проявил интерес.
В какой-то момент возник простой вопрос
Мы много лет выполняли такую работу вручную.
Собирали запросы. Смотрели выдачу. Анализировали сайты. Изучали конкурентов. Сводили данные вместе и только после этого готовили рекомендации.
Работа полезная, но трудоёмкая.
Со временем появился вполне естественный вопрос:
можно ли автоматизировать значительную часть этого процесса?
Так началась работа над aVtonomus.
Идея была довольно простой.
Человек описывает свой бизнес. Система собирает доступные данные о спросе, поисковой выдаче, конкурентах и сайте компании, а затем помогает связать их между собой.
На выходе предприниматель должен получить ответ на несколько практических вопросов.
Что сейчас ищут потенциальные клиенты? Какие направления рынка заметнее других? Кого находят вместо компании? Какие возможности бизнес может упускать? Что имеет смысл проверить в первую очередь?
Технически собрать данные оказалось вполне решаемой задачей.
Самая сложная часть началась потом.
Чем больше данных мы показывали, тем сложнее становился продукт
Первые версии анализа были подробными.
Нам казалось, что чем больше информации мы дадим пользователю, тем выше будет ценность результата.
Можно показать сотни запросов. Десятки конкурентов. Большие таблицы. Графики. Много показателей.
На практике возникла другая проблема.
Предприниматель открывает такой отчёт и получает ещё одну работу.
Ему теперь нужно самостоятельно изучить десятки страниц и понять, что из всего этого действительно важно.
Мы увидели довольно простую вещь.
Данных бизнесу часто хватает.
Не хватает понятного ответа на вопрос:
что делать дальше?
С этого момента мы начали пересобирать сам подход к результату.
Сейчас для нас важнее четыре вопроса
Первый — что мы нашли.
Второй — почему это важно.
Третий — что с этим можно сделать.
Четвёртый — что имеет смысл делать первым.
Допустим, система видит, что определённую услугу регулярно ищут.
Дальше она смотрит, какие компании появляются по таким запросам и какие страницы у них существуют.
После этого сравнивает картину с сайтом анализируемой компании.
Если услуга есть, но отдельного понятного предложения под неё нет, возникает уже конкретная рекомендация.
На рынке есть спрос. Конкуренты его закрывают. У компании есть соответствующая услуга, но она плохо представлена.
Следующий шаг понятен.
Такой результат можно передать маркетологу, разработчику, специалисту по продвижению или использовать внутри собственной команды.
Отдельная задача — объяснять, откуда взялся вывод
AI умеет писать уверенно.
Иногда слишком уверенно :)
Для бизнес-инструмента это создаёт отдельный риск.
Если система рекомендует человеку потратить деньги или изменить направление работы, пользователь должен понимать, на каких данных основана такая рекомендация.
Поэтому мы стараемся разделять найденные факты и выводы.
Например, наличие поисковых запросов можно проверить. Страницы конкурентов можно увидеть. Присутствие сайта в поисковой выдаче тоже можно зафиксировать.
А утверждение о том, что конкретное направление имеет потенциал, уже является выводом на основе нескольких таких сигналов.
Человек должен видеть эту границу.
Для нас это один из ключевых вопросов доверия к AI-продуктам.
Пользователю недостаточно получить ответ. Ему нужно понимать, почему система пришла именно к нему.
Поиск тоже меняется
Когда мы только начинали работать с поисковым продвижением, путь пользователя был довольно понятным.
Человек открывал Google или Яндекс, вводил запрос и выбирал один из предложенных сайтов.
Сегодня способов найти компанию стало больше.
Карты, социальные сети, маркетплейсы и поисковые системы уже давно работают параллельно.
Теперь к ним добавились AI-системы.
Люди спрашивают у них, какую компанию выбрать, где найти определённый товар, какие поставщики работают в конкретном регионе или какие варианты существуют на рынке.
Для бизнеса появляется новый вопрос.
Понимает ли AI, чем занимается компания?
Есть ли в открытом доступе достаточно информации о её товарах, услугах и опыте?
Может ли система связать компанию с конкретным запросом человека?
Мы считаем, что в ближайшие годы бизнесу придётся учитывать этот канал наряду с привычным поиском.
Первые пользователи сильно изменили наше представление о продукте
Пока продукт существует только внутри команды, можно очень долго обсуждать идеи.
Какие функции добавить. Какие показатели показать. Какой экран сделать красивее.
Появление платящих пользователей резко меняет фокус и вектор развития.
Человек уже отдал деньги. Теперь результат либо помогает ему, либо нет.
Первые 17 оплат стали для нас именно такой проверкой.
Мы не считаем их доказательством большого успеха. Продукт находится на раннем этапе, и многое ещё меняется.
Но это подтвердило одну важную гипотезу.
Люди готовы платить за возможность быстрее разобраться в своём рынке и получить более понятный следующий шаг.
После этого мы стали намного жёстче относиться к каждой функции.
Если показатель выглядит красиво, но не помогает принять решение, его ценность сомнительна.
Если рекомендация требует длинного объяснения, её нужно упростить.
Если после анализа пользователь всё ещё не понимает, с чего начать, значит результат нужно переделывать.
Мы перестали смотреть на продукт как на генератор отчётов
Само слово «отчёт» постепенно стало казаться нам слишком узким.
Отчёт обычно заканчивается документом.
Получил. Прочитал. Закрыл.
Нам интереснее другой сценарий.
Система помогает увидеть возможность.
Потом объясняет, почему она важна.
Дальше человек принимает решение и внедряет изменение.
Через какое-то время можно снова посмотреть на рынок и увидеть, что изменилось.
Так анализ превращается из разовой работы в постоянный процесс наблюдения за рынком.
И здесь у AI появляется действительно полезная роль.
Он может помочь человеку не пытаться читать или придумывать сотни сигналов самостоятельно, а быстрее понять, какие из них заслуживают внимания, основываясь на реальных клиентских данных.
Самая сложная задача сейчас — выбрать главное
Предположим, система нашла двести интересных сигналов.
Показывать все двести бессмысленно.
Нужно выбрать несколько самых полезных.
Но как определить их важность?
Где данных уже достаточно для рекомендации?
Где нужно честно написать, что информации пока мало?
Какие выводы требуют дополнительной проверки?
Как объяснить всё это предпринимателю простым языком?
Сегодня именно эти вопросы занимают у нас больше всего времени.
Техническая часть продукта будет продолжать развиваться.
Но ценность для пользователя в итоге определяется довольно просто.
После анализа человек должен лучше понимать свой рынок, чем до него.
К чему мы хотим прийти
За годы работы мы увидели, что бизнес часто теряет возможности вовсе не потому, что плохо работает.
Компания может быть сильной.
У неё может быть хороший продукт, опытная команда и стабильные продажи.
Но рынок постоянно меняется.
Появляются новые запросы. Меняется поведение покупателей. Конкуренты запускают новые предложения. Возникают новые каналы поиска.
Уследить за всем вручную становится всё сложнее.
Мы хотим автоматизировать ту часть работы, которую сами много лет выполняли для клиентов: находить реальные сигналы рынка, сопоставлять их с бизнесом и переводить в понятные действия.
История с 300+ млн тенге онлайн-продаж показала нам, насколько сильным может быть эффект, когда структура сайта и продвижение строятся вокруг реального спроса.
Первые 17 оплат aVtonomus показали другое: предприниматели готовы использовать технологии, которые помогают быстрее принимать такие решения.
Дальше всё зависит от качества самого продукта.
Если система сможет за несколько минут помочь собственнику увидеть то, что раньше специалист собирал несколько часов или дней, у такого подхода есть практический смысл.
Именно над этим мы сейчас работаем.
