Exit-интервью на LLM: как бот спрашивает пользователей при закрытии пейволла

Когда пользователь закрывает окно оплаты в игре, с ним заговаривает LLM-бот. Это короткое exit-интервью по методике из книги «Спроси маму», максимум 5 реплик. За две недели эксперимента проведено 59 сессий, получено 20 ответов. Главная находка: люди шли из поиска на слово «бесплатно» в заголовке стр

Как работает LLM-бот при закрытии пейволла

Разработчик создал сценарий, в котором после закрытия пользователем окна оплаты появляется диалоговое окно с LLM-ботом. Бот задаёт вопросы по структуре exit-интервью из книги «Спроси маму»: что помешало оплатить, что было непонятно, что могло бы убедить. Диалог ограничен пятью репликами, чтобы не раздражать пользователя. Собранные ответы записываются в JSON-файл для анализа.

За две недели тестирования на игровом проекте бот запустился 59 раз, из них 20 пользователей ответили хотя бы на один вопрос. Конверсия в ответы — около 34%. Разработчик отмечает, что ключевым фактором стала формулировка первого сообщения: оно должно быть дружелюбным и не давить.

Предыстория и контекст

Проблема конверсии в оплату актуальна для многих игр и сервисов. Обычно exit-опросы проводятся через стандартные формы с фиксированными вариантами ответов, что даёт мало качественной информации. Использование LLM позволяет получить развёрнутые ответы на естественном языке, но требует аккуратной настройки, чтобы не отпугнуть пользователя.

Ранее разработчик экспериментировал с A/B-тестами и тепловыми картами, но они не показывали причин отказа. Идея использовать LLM-бота для exit-интервью возникла из желания понять не только статистику, но и мотивацию пользователей в момент принятия решения.

Как устроен промпт и диалог

Промпт LLM-бота строится на основе методики «Спроси маму»: бот задаёт открытые вопросы, избегая оценочных суждений. Первый вопрос: «Что-то пошло не так? Расскажи, что случилось». Если пользователь отвечает, бот уточняет детали, но не предлагает скидку или альтернативу — цель только сбор обратной связи. Максимум пять реплик, после чего бот благодарит и завершает диалог.

Код-каркас включает обработчик события закрытия окна оплаты, вызов LLM API через асинхронный запрос и логирование ответов. Разработчик использовал OpenAI GPT-4, но схема подходит для любой LLM.

Технические детали внедрения

Внедрение заняло около двух часов: написание промпта, интеграция с игровым кодом и тестирование. Основная сложность — корректная обработка закрытия окна: бот должен появляться только при клике на крестик, а не при успешной оплате или переходе на другой экран. Также важно ограничить частоту появления: не чаще одного раза за сессию, чтобы не раздражать.

Разработчик использовал localStorage для отметки о показанном интервью. Ответы собираются в JSON с метаданными: временная метка, версия игры, источник перехода (utmsource). Это позволило выявить, что большинство пользователей пришли из поиска по слову «бесплатно».

Почему пользователи уходят? Анализ ответов бота

Анализ 20 ответов показал, что основная причина отказа — несоответствие ожиданий. Пользователи, перешедшие по запросу «бесплатно», ожидали, что игра полностью бесплатна, но столкнулись с пейволлом. Другие причины: непонятная ценность премиум-функций, технические ошибки при оплате и просто отсутствие денег в данный момент. Эти инсайты помогли скорректировать мета-описание и заголовки страниц, чтобы снизить количество нецелевых переходов.

Кого затронет и как

Разработчики игр и сервисов с платными функциями могут применить эту схему для сбора качественной обратной связи. Маркетологи получат инсайты о реальных причинах отказа от оплаты, а не гипотезы. В российском контексте важно учитывать требования к хранению персональных данных: если бот записывает ответы, они должны быть анонимизированы.

Пользователи могут столкнуться с более персонализированными опросами, но при этом риск злоупотребления (например, навязчивые диалоги) требует контроля. В текущей реализации бот появляется только один раз и не сохраняет личные данные.

Что будет дальше

Разработчик планирует расширить эксперимент: добавить A/B-тестирование разных промптов, интегрировать с CRM для анализа ответов в связке с поведенческими данными. Также он рассматривает вариант, при котором бот может предлагать скидку после второго отрицательного ответа — но это требует осторожности, чтобы не обесценить продукт.

Для сообщества открыт код и схема промптов, поэтому другие проекты могут быстро повторить интеграцию. Ожидается, что методика exit-интервью на LLM станет массовым инструментом для улучшения конверсии.

Итог

Exit-интервью на LLM — простой способ получить качественную обратную связь от пользователей, которые не завершили оплату. За две недели бот собрал 20 ответов, выявив, что ключевой триггер отказа — несоответствие ожиданий, вызванное словом «бесплатно» в метаданных. Интеграция занимает пару часов и может быть полезна любому проекту с пейволлом.