Конверсия рассылок
с 2% до 47%: механика скачка

Когда ты видишь в ad-креативе «конверсия 47% в Telegram-рассылках» — это, скорее всего, либо вырвано из контекста (например, это response rate на определённом сегменте), либо маркетинговая натяжка. Реальная картина сложнее: 47% — это верхняя граница, достижимая только при правильном стеке в правильной нише.

Этот разбор — не про «волшебные» 47%. Это про какие конкретно механизмы поднимают конверсию с базовых 2% до «достойных» 20-30%, и как 47% достигаются в оптимальных условиях.

Что такое «2% конверсии» — какая метрика

Первый источник путаницы — все говорят «конверсия», но имеют в виду разное. В cold-outreach обычно считают 4 метрики:

В контексте «2% → 47%» речь про response rate. Это самая честная метрика для оценки качества outreach — она не считает, стал ли человек клиентом (там уже играет оффер), но считает, вызвал ли твой подход ответ.

Компонент 1: Spintax-рандомизация (+2× к deliverability)

Spintax (spinning syntax) — техника, где в шаблон вставляются варианты, выбираемые случайно при отправке каждого экземпляра. Пример:

Почему работает: Telegram группирует одинаковые сообщения по text hash. Если 100 аккаунтов шлют идентичный текст — SpamBot видит кластер и применяет групповую санкцию (обычно FLOOD_WAIT + potential PEER_FLOOD после 2-3 часов). Spintax ломает эту группировку на уровне отправителя.

Эмпирические цифры на наших 2.4M отправках:

Компонент 2: LLM-персонализация (+2-3× к opens и replies)

Spintax рандомизирует формулировку, но содержание остаётся одинаковым. Следующий уровень — LLM переписывает сообщение под контекст получателя.

Что «контекст получателя»:

• Канал, где нашли лида (крипто, SMM, e-com, edtech — разный словарь)
• Язык и регион (по lang_code и bio)
• Последний пост канала (актуальная тема → упоминание в сообщении = релевантность)
• Имя получателя (если есть, подставляется грамматически правильно)
• Тон канала (формальный / неформальный → разная стилистика)

Базовая схема промпта для LLM (упрощённо):

Важный нюанс: LLM не генерирует каждое сообщение заново с нуля — слишком дорого ($0.002 × 10K = $20 на батч, и рандомность слишком высокая). На практике работает гибрид: 20-30 LLM-вариантов, сгенерированных заранее, комбинируются со spintax на лету.

Эффект на metrics:

Да, 47% — это не стартовая цифра, это потолок при полной оптимизации в благоприятной нише. Большинство клиентов видят 20-35%, что тоже ×6-10 к baseline.

Компонент 3: Human-like cadence (+1.5-2× к reply rate)

Третий слой — не про текст, а про как именно этот текст приходит получателю. Массовые сендеры обычно игнорируют этот аспект, потому что он не очевиден в интерфейсе.

Что считается cadence:

1. Typing indicator: показать «печатает...» за 1-4 секунды до отправки сообщения. Небольшая вещь, но получатель видит.
2. Delays между сообщениями одного аккаунта: не burst, а распределение. Норма — логнормаль со средним ~90 секунд и диспертией 60-300 секунд.
3. Разное время дня: не все 500 сообщений в 14:00 в понедельник. Распределить по 3-4 часовым окнам с паузами.
4. Реакция на «просмотрено»: если получатель прочитал и не ответил — не строчить «?» через 10 минут. Если отписался — не добавлять в follow-up.

Почему cadence влияет на response rate (а не только delivery): получатель подсознательно чувствует ритм. «Печатает...» перед сообщением, пауза 2 минуты после его прочтения перед твоим ответом — всё это создаёт ощущение живого разговора. В контролируемых тестах на наших данных cadence даёт +40-60% к response rate над «мгновенной» отправкой.

Почему эффекты мультипликативны, а не аддитивны

Ключевое наблюдение из данных: компоненты не складываются. Это умножающиеся коэффициенты на воронке.

2.0 × 2.5 × 1.7 × 1.5 = ~12.75×. От baseline 2% это даёт 25.5%. От 3% — 38%. От 3.7% — 47%.

Почему мультипликативно: каждый компонент оперирует на своём слое воронки:

• Spintax — увеличивает долю дошедших сообщений
• LLM — увеличивает долю открытых из дошедших
• Cadence — увеличивает долю ответивших из открывших
• Niche fit — сдвигает baseline response rate у уже вовлечённых

Если какой-то компонент на нуле — вся воронка падает. 100% deliverability × 0% opens = 0% response. Поэтому «добавили spintax — конверсия та же» — частая жалоба: один компонент без остальных делает мало.

Как это собирается в TG:ON

Вся воронка настраивается в UI без кода:

1. Шаблон с spintax — редактор с live preview, показывает пример конкретной комбинации.
2. LLM-переписка — подключаешь свой API-ключ (OpenAI, Anthropic, DeepSeek, Groq, Gemini) или используешь встроенный TG:ON-пул. Промпт настраивается под нишу и тон.
3. Cadence profiles — «conservative» (medium delay 120s), «aggressive» (60s), «overnight» (450s). Выбирается или настраивается вручную.
4. Контент-контекст — автоматически подхватывается из канала, где нашли лида (если парсил через TG:ON).

Вся telemetry по каждому сообщению — delivery, opens, replies, block/spam-report — идёт в дашборд, можно A/B тестить шаблоны.

Где этого недостаточно

Честно: 47% не работает везде и всегда. Условия, при которых конверсия будет ниже:

• Холодная ниша или «широкий» оффер — если ты пишешь «кому-то про что-то», даже гениальный LLM не спасёт. Нишуй.
• B2B с длинным циклом решений — response может быть, но не на оффер, а «расскажите подробнее в Zoom». Это тоже успех, но не «клиент сегодня».
• Оффер не соответствует каналу — ты парсил крипто-трейдинг канал, предлагаешь SaaS для e-com. Не бывает магии.
• Получатели не в твоей сессии — юзер из канала может быть неактивным месяц. Фильтр по last_seen важен.

Стек TG:ON решает проблему технической доставки и персонализации. Не решает: плохой оффер, плохой таргет, плохой continuation после первого reply.