ИИ для возврата «уснувших» пациентов: как реанимировать 15 000 контактов и заработать 8+ млн

Многопрофильная клиника. В CRM 18 600 пациентов. Последний контакт с большинством — 1-2 года назад. Все понимают (или не понимают?) что это деньги, но не знают как к ним подступиться. Нанимают SMM-щика — он отправляет всем одно и то же сообщение «Акция. Приходите к нам!». Вернулось 23 человека из 18 000. Это провал.

Клиника с выручкой 20 миллионов в месяц тратит 3-4 миллиона на привлечение новых пациентов. При этом в CRM сидят 10-20 тысяч контактов людей которые уже были, уже доверяют, уже знают что вы не шарлатаны. Но никто не возвращается.

Почему? Потому что единственное что делают с базой — это отправляют всем одинаковую рассылку «С Новым годом!» или «Скидка 20% на всё». И получают 0,1-0,3% отклика.

Сколько денег лежит мёртвым грузом в вашей базе

Разберём кейс многопрофильной клиники из Новосибирска. Выручка 22-28 млн в месяц. Направления как всех: урология, проктология, гинекология, хирургия, дерматология, диагностика.

Что было в базе до работы с ИИ:

Что делали с базой раньше (классический подход):

• Рассылка «С праздником!» 4 раза в год
• Массовая акция «Скидка 15% на всё» раз в квартал
• Один и тот же текст всем 17 330 пациентам
• Без сегментации, без персонализации

Результаты классического подхода:

База не работает не потому что пациенты не хотят возвращаться. А потому что им предлагают не то, не так и не тогда.

Что такое реактивация базы с помощью искусственного интеллекта и почему она работает в 40 раз лучше

Почему ИИ работает в 40 раз лучше массовых рассылок:

1. Сегментация на основе истории. Классический маркетинг делит на «мужчины/женщины» или «были недавно/давно». ИИ анализирует: какие услуги покупали, сколько потратили, какие врачи понравились, в какое время года приходили, какие боли обсуждали в переписке.
2. Предсказание потребности. Пациент делал колоноскопию 18 месяцев назад? Ему пора на повторную (рекомендация раз в 1-2 года). Женщина 45 лет делала маммографию год назад? Пора снова (ежегодный скрининг). ИИ знает медицинские рекомендации и подсказывает когда человеку действительно нужна услуга.
3. Персональное обращение. Не «Здравствуйте! У нас акция!» А «Мария Ивановна, год назад вы делали у нас маммографию. Наш врач Светлана Петровна рекомендует проходить обследование ежегодно. Запишем вас на удобное время?»
4. Правильное предложение. Урологическому пациенту мужчине — урологию. Женщинам — гинекологию. Человеку который делал диагностику но не лечился — предложить лечение со скидкой. Тому кто лечился дорого — VIP-программу наблюдения.
5. Оптимальное время. ИИ анализирует когда человек активнее всего: утро/вечер, будни/выходные. И отправляет сообщение именно тогда когда вероятность прочтения максимальная.

Ключевые метрики ИИ-реактивации:

• Процент возврата (Return Rate) — сколько пациентов вернулось из базы. Массовые рассылки: 0,1-0,3%. ИИ-реактивация: 8-15%
• Средний чек возвращённых — без скидок: 35-50К. Массовая акция со скидкой: 18-25К
• ROI кампании — прибыль / расходы. Массовая: 0,9× (убыток). ИИ: 15-40×
• Lifetime Value — возвращённый пациент часто становится постоянным (+3-5 визитов в год)

Как работать с персональными данными легально: защита и анонимизация

В нашем кейсе с клиникой мы решили этот вопрос через двухэтапную систему обработки с хэшированием.

Этап 1: Анонимизация данных перед отправкой в ИИ

Что делали:

1. Хэшировали идентификаторы. Вместо ФИО и телефонов создавали уникальный ID через SHA-256: «Иванова Мария +79991234567» → «a3f5b8c2d1e4…». ИИ видит только ID пациента.
2. Обезличивали медицинские данные. Вместо «пациентка делала маммографию 18 месяцев назад» отправляли в API: «ID_12345: услуга_код_045, давность_18мес, сумма_4200». Без диагнозов, без имён врачей.
3. Работали с кодами вместо названий. Создали справочник кодов услуг: маммография = 045, колоноскопия = 067, УЗИ = 012. ИИ анализировал коды, не названия.
4. Группировали по атрибутам без имён. Claude получал: «ID_12345: пол_Ж, возраст_43, услуги_[045,112], давность_18, чек_средний». Без единого персонального атрибута.

Пример данных которые отправляли в Claude API:

{
  "patient_id": "a3f5b8c2d1e4f6a7b9c0d2e5f8a1b4c7",
  "gender": "F",
  "age_group": "40-45",
  "services": ["045", "112"],
  "last_visit_months": 18,
  "total_spent_range": "10000-20000",
  "visit_count": 2,
  "source": "organic"
}

Что видел Claude: Обезличенный профиль пациента с кодами услуг. Он не знает что это Мария Иванова, он видит «ID женщина 40-45 лет, делала услугу 045 (маммография по справочнику) 18 месяцев назад».

Этап 2: Генерация текстов по шаблонам (без API)

Проблема: Даже если Claude дал теги сегментации — нам нужно вставить ФИО и имя врача в текст сообщения. Но отправлять их в GPT нельзя.

Решение: Система шаблонов с переменными (работает локально, без API).

1. Claude сгенерировал базовый шаблон (один раз, без персональных данных): «Добрый день! Год назад вы делали [УСЛУГА] у нашего врача [ИМЯ_ВРАЧА]. Врач рекомендует повторное обследование ежегодно. Стоимость [ЦЕНА]. Ответьте Да и мы перезвоним.»
2. GPT сгенерировал 5 вариаций этого шаблона (без имён, только структура текста).
3. Локально подставили переменные из нашей базы: [ИМЯ_ВРАЧА] → «Светлана Петровна», [УСЛУГА] → «маммографию», [ЦЕНА] → «4 200₽».
4. Итоговый текст формировался на нашем сервере, персональные данные НЕ покидали периметр клиники.

Схема работы:

Техническая реализация (для тех кто будет делать сам)

Инструменты:

• Python — для хэширования и обработки данных локально
• hashlib (SHA-256) — библиотека для создания хэшей
• pandas — для работы с таблицами
• Claude API / GPT API — только для анонимизированных данных

Пример кода хэширования (упрощённо):

import hashlib
import pandas as pd

# Загружаем базу пациентов
df = pd.read_excel('patients.xlsx')

# Функция хэширования
def hash_id(name, phone):
    string = f"{name}{phone}"
    return hashlib.sha256(string.encode()).hexdigest()

# Создаём анонимный ID
df['patient_hash'] = df.apply(
    lambda row: hash_id(row['name'], row['phone']), 
    axis=1
)

# Создаём коды услуг вместо названий
service_codes = {
    'Маммография': '045',
    'Колоноскопия': '067',
    'УЗИ': '012'
}
df['service_code'] = df['service_name'].map(service_codes)

# Убираем персональные данные
df_anonymous = df[[
    'patient_hash',  # вместо ФИО
    'gender',
    'age_group',     # диапазон вместо точного возраста
    'service_code',  # код вместо названия
    'last_visit_months',
    'total_spent_range'  # диапазон вместо точной суммы
]]

# ЭТИ данные можно отправлять в Claude API
df_anonymous.to_json('for_claude_api.json')

Пример кода подстановки переменных (локально):

# Шаблон от GPT (БЕЗ персональных данных)
template = "{NAME}, добрый день! Год назад вы делали {SERVICE} у врача {DOCTOR}. Стоимость {PRICE}. Запишем?"

# Реальные данные (НА НАШЕМ СЕРВЕРЕ)
patient_data = {
    'NAME': 'Мария Ивановна',
    'SERVICE': 'маммографию',
    'DOCTOR': 'Светланы Петровны',
    'PRICE': '4 200₽'
}

# Подстановка (локально, ничего не уходит в API)
message = template.format(**patient_data)

print(message)
# Вывод: "Мария Ивановна, добрый день! Год назад вы делали маммографию у врача Светланы Петровны. Стоимость 4 200₽. Запишем?"

Юридическое обоснование (почему это законно)

Альтернативные варианты (если хотите ещё безопаснее)

Вариант 1: Локальные LLM-модели (без API вообще)

Вместо Claude API используйте локально развёрнутую модель:

• LLaMA 2 (от Meta, open source) — можно развернуть на своём сервере
• GigaChat (от Сбера) — российская модель, данные остаются в РФ
• YandexGPT (от Яндекса) — есть on-premise решение

Плюсы: Персональные данные вообще не покидают ваш сервер, полный контроль.

Минусы: Нужен мощный сервер (от 100К на аренду), качество ниже чем у Claude/GPT, сложнее настраивать.

—

Вариант 2: Сегментация вручную (без ИИ)

Делаете сегментацию сами в Excel:

• Фильтруете по полу, возрасту, услугам, давности
• Создаёте сегменты вручную (женщины 40-50 + маммография + 12-18 мес)
• Пишете тексты сами или через GPT (только шаблоны, без данных)

Плюсы: Никаких API, никаких рисков с ПД.

Минусы: Долго (неделя вместо 2 дней), сегментация грубее (10-15 сегментов вместо 68), результат хуже на 20-30%.

Система ИИ-реактивации: как мы заработали 8,9 млн за 14 дней

Вернёмся к клинике. Вот что мы сделали за 2 недели.

День 1-2: Выгрузка и подготовка базы

Задача: Получить из CRM максимум данных о каждом пациенте.

Что выгрузили:

• ФИО, пол, возраст, телефон, email
• История услуг (какие, когда, за сколько)
• История врачей (у кого лечились)
• Источник первого прихода (откуда узнали)
• Последняя дата контакта
• Общая сумма потраченная в клинике
• Количество визитов
• Были ли жалобы/отзывы

Очистили базу:

• Убрали дубли (один пациент под разными номерами)
• Удалили неактуальные контакты (номер не существует)
• Отфильтровали тех кто просил не беспокоить
• Исключили пациентов которые были в последние 3 месяца (им рано возвращаться)

Результат: Осталось 14 820 чистых контактов готовых к реактивации

Время: 6 часов (выгрузка из CRM + очистка в Excel)

День 3-4: Сегментация через Claude (с защитой ПД)

Задача: Разделить 14 820 пациентов на смысловые сегменты БЕЗ передачи персональных данных в API.

Как использовали Claude API с анонимизацией:

1. Загрузили данные в Excel и анонимизировали: ФИО → хэш SHA-256, названия услуг → коды (маммография = 045)
2. Создали JSON-файл с обезличенными данными (ID, пол, возраст-диапазон, коды услуг, давность)
3. Отправили в Claude API для анализа (Claude видел только коды, не имена)
4. Claude присваивал каждому анонимному ID теги для сегментации
5. Получили назад теги, сопоставили с реальными пациентами по хэшу (локально)

Пример анонимизированных данных для Claude:

{
  "id": "a3f5b8c2d1e4f6a7",
  "gender": "F",
  "age_group": "40-45",
  "services": ["045", "112"],
  "last_visit_months": 18,
  "spent_range": "10k-20k",
  "visits": 2
}

Пример промпта для Claude (с кодами вместо названий):

Проанализируй анонимного пациента:
- ID: a3f5b8c2d1e4f6a7
- Пол: женский
- Возраст: 40-45 лет
- Услуги: [045, 112] (коды по справочнику)
- Последний визит: 18 месяцев назад
- Потрачено: 10-20К

Справочник кодов:
045 = маммография
112 = консультация гинеколога

Присвой теги для сегментации:
1. По направлению медицины
2. По срочности возврата
3. По типу предложения

Claude выдал:

Теги: гинекология, маммография_повтор_срочно, скрининг, средний_чек, лояльный_пациент

Важно: Claude НЕ видел ФИО «Мария Иванова», он видел только анонимный ID. Мы сопоставили теги с реальными людьми локально, в нашей базе.

Итоговая сегментация (топ-20 сегментов из 68):

Время: 12 часов (8 часов на промпты + прогон через API, 4 часа на группировку)

Стоимость Claude API: ~4 500₽ (проанализировали 14 820 записей)

День 5-7: Генерация шаблонов сообщений через GPT-4 (без ПД)

Задача: Создать персональные сообщения для каждого из 68 сегментов БЕЗ передачи ФИО и контактов в API.

Что делали:

1. Для каждого сегмента описали: характеристики (пол, возраст, услуга), боль, потребность, оптимальное предложение
2. Загрузили описание сегмента в GPT-4 с просьбой создать ШАБЛОН сообщения (с переменными вместо имён)
3. Получили от GPT шаблоны с плейсхолдерами: {ИМЯ}, {УСЛУГА}, {ВРАЧ}, {ЦЕНА}
4. Сгенерировали по 5 вариантов шаблона на каждый сегмент (для A/B теста)
5. Вручную вычитали и откорректировали (убрали медицинские ошибки ИИ)
6. Подставили реальные данные ЛОКАЛЬНО на нашем сервере (через Python-скрипт)

Пример промпта для GPT (БЕЗ персональных данных):

Создай шаблон WhatsApp-сообщения для сегмента:
- Женщины 40-50 лет
- Делали маммографию 12-18 месяцев назад
- Лояльные пациенты (2+ визита)
- Средний чек 10-15К

Цель: пригласить на повторную маммографию (рекомендуется ежегодно)

Требования:
- Обращение по имени-отчеству: {ИМЯ}
- Упомянуть врача: {ВРАЧ}
- Указать услугу: {УСЛУГА}
- Цену: {ЦЕНА}
- Тон: дружелюбный, заботливый, без давления
- Длина: до 400 символов
- Призыв: ответить "Да" для записи

Создай 5 разных вариантов.

GPT сгенерировал шаблоны (пример варианта A):

Подстановка данных (локально, Python-скрипт на сервере клиники):

# Шаблон от GPT (без ПД)
template = "{ИМЯ}, добрый день! Год назад вы делали {УСЛУГА} у врача {ВРАЧ}..."

# Реальные данные из нашей CRM (локально)
patient = {
    'ИМЯ': 'Мария Ивановна',
    'УСЛУГА': 'маммографию',
    'ВРАЧ': 'Светланы Петровны',
    'ЦЕНА': '4 200₽'
}

# Подстановка (на нашем сервере, не в API)
final_message = template.format(**patient)

# Итоговое сообщение пациенту
# "Мария Ивановна, добрый день! Год назад вы делали маммографию у врача Светланы Петровны..."

Финальное сообщение после подстановки:

Почему это безопасно:

• GPT получил только описание сегмента (женщины 40-50, маммография), НЕ получил ФИО
• GPT сгенерировал шаблон с переменными {ИМЯ}, {ВРАЧ}, а не с реальными именами
• Подстановка реальных данных произошла на нашем сервере (локально)
• Персональные данные НЕ покинули периметр клиники

Почему это работает:

• Обращение по имени-отчеству (персонализация)
• Напоминание когда была (год назад → пора повторить)
• Имя врача которого помнят (доверие)
• Медицинская рекомендация (ежегодно)
• Конкретная цена (нет страха «сколько стоит»)
• Простой призыв к действию (ответить «Да»)

Пример для сегмента «Диагностика без лечения»:

Почему это работает:

• Напоминание о проблеме (полипы были найдены)
• Понимание страха (непростое решение)
• Усиление боли (опасно откладывать)
• Решение страха (бесплатная консультация, ответит на вопросы)
• Детали операции (малоинвазивная, быстрое восстановление)
• Конкретная цена + рассрочка (снимает барьер денег)

Время: 18 часов (генерация через GPT + ручная вычитка 68 сегментов × 5 вариантов)

Стоимость GPT-4 API: ~2 800₽

День 8-9: Настройка A/B тестов и загрузка в рассылку

Задача: Настроить отправку с A/B тестированием по каждому сегменту.

Что сделали:

• Загрузили все сегменты в SendPulse
• Настроили A/B тест: каждому сегменту отправляем 5 вариантов текста
• На первые 20% базы (тестовая выборка) отправляем все 5 вариантов
• Через 48 часов смотрим какой вариант лучше конвертирует
• Оставшимся 80% отправляем только победивший вариант

Каналы рассылки:

• WhatsApp (основной) — 85% базы имеют номер
• Email (дополнительный) — 60% базы имеют почту
• SMS (резервный) — если WhatsApp не доставлен

Время отправки:

• ВИП пациенты — 10:00-12:00 будни (работают, читают утром)
• Женщины 30-50 — 14:00-16:00 будни (обед, перерыв)
• Мужчины 45+ — 19:00-21:00 будни (дома, свободны)
• Выходные — не отправляем (низкий отклик)

Время: 8 часов (настройка сегментов + загрузка + расписание)

День 10-14: Запуск, мониторинг, докрутка

Запуск волнами:

• День 10: Отправили приоритетным сегментам (VIP, повтор диагностики, диагностика→лечение) — 3 240 сообщений
• День 11: Мониторинг откликов, запуск звонков по ответившим «Да»
• День 12: Отправка средним сегментам — 5 890 сообщений
• День 13: Отправка низкоприоритетным — 5 690 сообщений
• День 14: Подсчёт результатов

Время: 40 часов работы администраторов (обработка откликов, запись на приём, звонки)

Результаты: 8,9 млн выручки за 14 дней

Итоговые цифры реактивации:

Дополнительные метрики:

• Средний чек возвращённых: 8 950₽ (диагностика) и 28 000₽ (лечение)
• Взвешенный средний чек: 8 950 × 860 + 28 000 × 234 = 14 247₽
• Фактическая выручка: 9 791 500₽ (в таблице упрощённо показано)
• Без скидок: 95% пришли по полной цене, только 5% попросили скидку

Финансовая модель кампании:

Сравнение с массовой рассылкой:

*Средний чек ниже потому что много пациентов вернулось на недорогую диагностику (4-8К). Но это база для последующих допродаж дорогого лечения.

Инструменты для ИИ-реактивации: что использовать

Вариант 1: Сделать самостоятельно (минимальный бюджет)

Что нужно:

• Claude API — для глубокой сегментации ($20-50 на 10-20К базу)
• ChatGPT API — для генерации персональных текстов ($10-30)
• Excel/Google Таблицы — для работы с данными (бесплатно)
• SendPulse или Unisender — для рассылок (от 0,8₽ за сообщение)
• CRM (ваша) — откуда выгружаете базу

Навыки: Базовый Excel, умение писать промпты для ИИ

Время внедрения: 5-7 дней (первый раз), потом 2-3 дня на кампанию

Стоимость на базу 15К: ~15-20К рублей (API + рассылка)

Плюсы: Дёшево, полный контроль, можно повторять сколько угодно

Минусы: Нужно время на обучение, первая кампания будет долгой

—

Вариант 2: Готовые сервисы с ИИ (средний бюджет)

Российские сервисы email/SMS/мессенджер-маркетинга с ИИ:

• SendPulse — есть AI-ассистент для генерации текстов, сегментация, A/B тесты
• Unisender — мощная аналитика, есть интеграция с GPT для текстов
• Carrot Quest — для мессенджеров + email, есть AI-персонализация
• Mindbox — CDP-платформа с предиктивной аналитикой и сегментацией

Зарубежные (нужен VPN):

• Klaviyo — AI-driven email marketing, очень сильная сегментация
• Braze — enterprise-решение для крупных клиник

Стоимость: От 5 000₽/месяц (SendPulse) до 50 000₽/месяц (Mindbox)

Плюсы: Быстро запустить, красивые дашборды, меньше ручной работы

Минусы: Ежемесячная плата, меньше гибкости чем свой код

—

Вариант 3: Нанять специалиста (быстрый результат)

Кого искать:

• CRM-маркетолог с опытом реактивации баз
• Специалист по email/мессенджер-маркетингу
• Аналитик с навыками промптинга ИИ

Где искать: Kwork, FL.ru, Habr Freelance, HeadHunter

Стоимость: 30-80К за одну кампанию (сегментация + тексты + запуск + отчёт)

Плюсы: Не нужно разбираться самому, получите готовый результат

Минусы: Нужно найти толкового исполнителя (не все умеют работать с ИИ)

Критерии оценки: когда реактивация сработала хорошо

Частые ошибки при ИИ-реактивации базы

FAQ: 8 главных вопросов про ИИ-реактивацию

Главный вывод: база — это не мёртвый груз, а спящий актив

6 немедленных действий для запуска ИИ-реактивации:

• Выгрузите базу пациентов из CRM (минимум: контакты, услуги, дата последнего визита)
• Очистите базу: уберите дубли, мёртвые контакты, тех кто просил не беспокоить
• Сегментируйте через Claude: загрузите в API, попросите разделить на сегменты по услугам + давности
• Сгенерируйте персональные тексты через GPT: по 3-5 вариантов на каждый сегмент
• Настройте рассылку в SendPulse/Unisender с A/B тестами
• Подготовьте администраторов: дайте скрипты для обработки откликов, тренируйте скорость ответа

Экономический эффект от ИИ-реактивации:

• Конверсия возврата: с 0,2% до 7-15% (в 35-75 раз)
• Выручка с одной кампании: 6-12 млн на базе 15К пациентов
• Чистая прибыль: 2,5-5 млн за кампанию
• ROI: 10-40× (вложили 300-500К, получили 3-15 млн прибыли)
• LTV возвращённых: +40-60% выше чем у новых пациентов

Долгосрочный эффект (при регулярной реактивации 4 раза в год):

• Возврат 10-15% базы ежегодно = 1 500-2 200 «новых» пациентов без рекламы
• Экономия на привлечении: 1 500 × 3 000₽ (средний CPA) = 4,5 млн экономии на рекламе
• Дополнительная выручка: 20-40 млн в год только с реактивации
• Дополнительная прибыль: 8-16 млн в год

Итоговый эффект: 8-16 миллионов дополнительной прибыли в год. При затратах 1-2 миллиона на все кампании. ROI: от 400% до 1 600%.