Прогноз результатов холодной рассылки: модель расчёта в таблице
Прежде чем открывать таблицу, нужно решить один вопрос: сколько писем отправить, чтобы получить нужное число встреч. Ответ — это и есть прогноз рассылки: последовательный расчёт воронки от объёма отправки до числа сделок, по диапазонам конверсий на каждом этапе. Ниже — рабочая модель на одну таблицу: столбцы, формулы, диапазоны из практики адресного B2B-аутрича и пример расчёта на конкретных цифрах.
- Прогноз рассылки — это каскад конверсий по воронке: отправлено → доставлено → ответили → позитивный ответ → встреча → сделка, а не единая цифра «сколько лидов дадут N писем».
- На объёмах адресного аутрича (десятки-сотни писем в сегменте) считайте диапазоном из трёх сценариев — пессимистичного, реалистичного, оптимистичного, — а не одной точкой: выборка слишком мала для точечной оценки.
- Расчёт воронки в таблице строится на 5-6 столбцах конверсий с ориентирами из практики: deliverability 97%+, reply rate 3-8%, доля позитива 25-35%, конверсия в встречу 30-50%.
- После первых 2-3 реальных кампаний прогноз лидов b2b нужно пересчитать на своих цифрах — отраслевые ориентиры годятся только для старта, дальше точнее собственная статистика.
- Самое слабое звено модели — конверсия встречи в сделку: она держится на цикле продаж и качестве обработки, поэтому сделки прогнозируйте отдельным горизонтом, а не в одну неделю со встречами.
Зачем считать прогноз заранее, а не ждать факта
В адресном B2B-аутриче объёмы маленькие — условные 200-800 писем в неделю на сегмент, а не миллион разом, — поэтому колебания в два-три ответа туда-сюда меняют картину в разы. Если не посчитать прогноз рассылки заранее, первая неделя кампании становится единственным ориентиром: два ответа вместо пяти читаются как провал, хотя это нормальный разброс небольшой выборки.
Прогноз нужен по трём причинам. Первая — ожидания: продажникам и руководству нужно понимать, когда появятся первые встречи, до старта кампании, а не после третьей недели молчания. Вторая — ресурсы: число ожидаемых ответов определяет, сколько времени закладывать на обработку диалогов и сколько людей нужно на сегмент. Третья — диагностика: без прогноза непонятно, кампания реально не работает или просто ещё не набрала статистику — а решение «выключить и переписать» в первом случае верное, во втором — потеря недель разгона.
Ключевая разница с планированием массовых ESP-рассылок: там на десятках тысяч адресов работает закон больших чисел, и точечный прогноз почти всегда сбывается с плюс-минус процентом. В адресном аутриче с малыми сегментами такой роскоши нет — поэтому модель ниже сразу строится на диапазонах, а не на одном числе.
Отдельный повод считать прогноз заранее — бюджет времени команды. Обработка позитивного ответа, назначение встречи и подготовка к ней занимают часы конкретных людей, и если по плану ожидается три встречи в месяц, а фактически приходит пятнадцать откликов из-за случайно попавшего в выборку горячего сегмента, обрабатывать их будет некому вовремя. Прогноз рассылки задаёт не только ожидания по результату, но и ожидания по нагрузке — это то, что план «на глаз» никогда не покрывает.
Из каких этапов состоит воронка и какие диапазоны конверсий закладывать
Воронка холодной рассылки в адресном аутриче — шесть последовательных этапов, и на каждом теряется часть объёма: отправлено → доставлено → ответили → позитивный ответ → встреча → сделка. Прогноз строится сверху вниз: вы задаёте объём отправки и конверсию на каждом переходе, дальше таблица сама считает результат на выходе.
Эти диапазоны — не гарантия, а стартовая точка для планирования метрик в excel до того, как у вас накопилась собственная статистика. Берите нижнюю границу диапазона для пессимистичного сценария, середину — для реалистичного, верхнюю — для оптимистичного, и сразу закладывайте все три в таблицу рядом, а не одну цифру.
- Доставлено от отправленного — deliverability rate, ориентир 97% и выше на прогретых доменах с чистой базой
- Ответили от доставленного — reply rate, здоровый диапазон адресного B2B-аутрича 3-8%
- Позитивные ответы от всех ответов — доля 25-35%, остальное нейтральные отказы и негатив
- Встречи от позитивных ответов — конверсия 30-50%, зависит от скорости и качества обработки
- Сделки от встреч — конверсия 15-30%, самая широкая вилка, держится на цикле продаж и нише
Пошаговая модель: столбцы и формулы каскада
Собрать модель можно в одной таблице по одной строке на сценарий — пессимистичный, реалистичный, оптимистичный, — из шести столбцов, где каждый следующий равен предыдущему, умноженному на конверсию перехода.
Добавьте седьмой столбец — сдвиг по времени. Между отправкой и встречей обычно проходит одна-три недели, пока идёт цепочка касаний и переписка, а между встречей и сделкой — от месяца в коротких циклах до полугода в сложных B2B-продажах. Без этого столбца расчёт воронки в таблице на неделю визуально «не сходится» с фактом: письма ушли, а встреч ещё нет просто потому, что цикл не завершился, а не потому, что воронка не работает.
- Столбец A — Отправлено: плановый объём кампании на горизонт (неделя или месяц)
- Столбец B — Доставлено = A × deliverability rate (0,97 в реалистичном сценарии)
- Столбец C — Ответили = B × reply rate (0,03 / 0,05 / 0,08 по трём сценариям)
- Столбец D — Позитивные ответы = C × доля позитива (0,25 / 0,30 / 0,35)
- Столбец E — Встречи = D × reply-to-meeting (0,30 / 0,40 / 0,50)
- Столбец F — Сделки = E × meeting-to-deal (0,15 / 0,20 / 0,30)
Пример каскада: 500 писем в сегменте за месяц → 485 доставлено при 97% → 24 ответа при 5% → 7 позитивных при 30% → 3 встречи при 40% → 0,6-0,9 сделки при 20-30%, то есть примерно одна сделка на полтора-два месячных цикла кампании на этот сегмент.
Как откалибровать прогноз под свои цифры
Отраслевые ориентиры вроде 3-8% reply rate годятся только для первого запуска, когда своих данных ещё нет. После двух-трёх кампаний, полностью прошедших воронку, замените ориентиры на медиану собственных конверсий по каждому переходу — это резко повышает точность прогноза лидов b2b на конкретном сегменте, потому что учитывает вашу базу, ваш оффер и вашу скорость обработки ответов.
На конверсии сильнее всего влияют четыре фактора: свежесть и качество базы (верифицированные адреса и точный ICP двигают reply rate вверх заметнее, чем любые правки текста письма), уровень ЛПР (чем выше должность, тем ниже reply rate, но выше доля позитива у тех, кто всё же ответил), плотность цепочки касаний (два-три письма в серии обычно приносят на 30-50% больше ответов, чем одно) и скорость реакции на входящие ответы (задержка больше суток заметно снижает конверсию в встречу).
Держите отдельную строку модели на каждый сегмент — конверсии для топ-менеджмента финтеха и для операционных менеджеров ритейла отличаются в разы, и усреднение по всей базе даёт прогноз, бесполезный для планирования конкретной волны.
Полезная практика — вести журнал калибровки: одна строка на кампанию с фактическими конверсиями по каждому переходу, датой и коротким комментарием, что изменилось (новый сегмент, другой оффер, длиннее цепочка). Через полгода такой журнал превращается в собственную библиотеку ориентиров, которая точнее любых отраслевых цифр, потому что построена на вашей базе и вашем рынке.
Как читать расхождение факта с прогнозом по ходу кампании
Прогноз бесполезен, если его не сверять с фактом на том же уровне детализации. Добавьте в таблицу рядом с плановыми столбцами фактические — по тем же шести этапам — и сравнивайте не итоговое число сделок, а конверсию на каждом переходе: это сразу показывает, где именно воронка отклонилась от плана, а не просто что «результата меньше, чем ждали».
Правило чтения простое: если факт вышел за пределы пессимистичного сценария на верхних этапах (доставка, ответы) — это техническая или сегментная проблема, и её видно уже на первой неделе. Если провал только на нижних этапах (встреча, сделка) при нормальных верхних цифрах — это про качество обработки диалогов, а не про рассылку как таковую. Один и тот же итоговый результат — «встреч меньше плана» — требует разных действий в зависимости от того, на каком этаже воронки случился разрыв.
Типичные ошибки прогнозирования в таблице
Модель из предыдущих разделов ломается не в формулах, а в исходных данных и в том, как их читают. Самые частые ошибки при планировании метрик в excel — ниже.
- Точечная цифра вместо трёх сценариев — на выборке в 300-500 писем разброс в разы это норма, а не ошибка модели
- Прогноз сделок без промежуточных этапов — сразу из объёма писем в выручку, минуя встречи и позитивные ответы
- Общий reply rate по всей базе без разбивки по сегментам и уровню ЛПР
- Сравнение недельного факта с месячным прогнозом без поправки на цикл — путает «не работает» с «ещё не досчиталось»
- Экстраполяция после 50-100 отправленных писем — для калибровки модели нужно минимум 300-500 писем с завершённым циклом ответов
- Забытое обновление модели: ориентиры из первой недели работы компании через год всё ещё используются как истина
Чек-лист: как запустить модель у себя
Порядок действий, чтобы от идеи «надо бы прогнозировать» дойти до рабочей таблицы за один присест.
- Выберите горизонт прогноза — неделя для объёма отправки, месяц для встреч, квартал для сделок
- Определите объём сегмента и разбейте его на понедельные волны, если сегмент крупнее 300-500 контактов
- Заполните диапазоны конверсий: своими данными, если они есть, отраслевыми ориентирами — если кампания первая
- Постройте три строки-сценария (пессимистичный/реалистичный/оптимистичный) и посчитайте каскад по формулам из раздела выше
- Сверяйте факт с прогнозом на уровне доставки и ответов еженедельно, на уровне встреч и сделок — ежемесячно
- После каждой завершённой кампании обновляйте диапазоны медианой фактических конверсий за период
Вопросы и ответы
Сколько писем нужно отправить, чтобы получить одну встречу?
По реалистичному сценарию из примера — около 150-200 доставленных писем на одну встречу, то есть порядка 160-210 отправленных с учётом deliverability. Точная цифра зависит от сегмента: чем точнее ICP и выше качество базы, тем меньше писем требуется на одну встречу, и наоборот.
Почему нельзя просто взять отраслевой reply rate и умножить на план отправки?
Потому что на объёмах в сотни писем реальный результат колеблется вокруг среднего в разы, а не в проценты, и один усреднённый показатель не учитывает разницу между сегментами и уровнями ЛПР. Отраслевой ориентир годится как стартовая точка для первой кампании, но не как формула для точного плана.
Как учитывать сезонность в прогнозе?
Закладывайте отдельную поправку на летние месяцы и январские праздники — reply rate в эти периоды обычно проседает на 20-30% из-за отпусков адресатов, и это не сигнал о поломке кампании. Проще всего вести две версии диапазонов: «обычный сезон» и «низкий сезон» — и переключаться между ними при планировании волны.
Что делать, если факт сильно ниже пессимистичного сценария?
Разбирать воронку по уровням снизу вверх от техники: сначала deliverability и bounce rate — не бракован ли домен или база, — и только если с доставкой всё в порядке, смотреть на текст письма, сегмент и оффер. Провал на этапе доставки чинится по-другому, чем провал на этапе ответов, а без разбора по уровням легко взяться не за ту причину.
Как часто пересчитывать прогноз лидов b2b по факту?
После каждой завершённой кампании — обновляйте медиану конверсий по сегменту, если объём был не меньше 300-500 писем. При меньшем объёме одной кампании недостаточно для устойчивой цифры — копите данные ещё одну-две волны, прежде чем менять диапазоны в модели.
Хотите применить это в своём аутриче?
Расскажем, как это работает на вашем сегменте и продукте — до старта работ.
Обсудить задачу