LLM в маркетинге B2B: как Aviasales для бизнеса (корпоративные перелёты) собрал Topical Authority и сократил ц

LLM в маркетинге B2B: как Aviasales для бизнеса (корпоративные перелёты) собрал Topical Authority и сократил цикл MQL→SQL за счёт «исследовательского» контента

Контекст
К 2026 поисковая модель всё больше уходит от чистого informational SEO к Topical Authority: поисковики и AI-обзоры (когда пользователь получает ответ “на лету”) хуже реагируют на поток “статей ради статьи” и лучше — на контент с собственной экспертизой и структурированными данными. Для B2B это особенно больно: классическая лидогенерация “получи MQL, дальше разберёмся” работает хуже, потому что продажам и customer success всё чаще нужна связка вокруг выручки (RevOps — общая ответственность маркетинга, sales и customer success за результат).

Здесь показательный кейс из практики рынка корпоративных сервисов путешествий: Aviasales (в сегменте корпоративных перелётов) запускал LLM-поддержку контент-проекта “для закупщиков и офис-менеджеров”: не просто описания “как выгодно летать”, а библиотека решений под разные сценарии — командировки, визовые окна, смена политики расходов, оптимизация по маршрутам.

Задача
Перед командой стояли три метрики:
— сократить цикл доведения лида до SQL (sales qualified lead) на фоне падения конверсий с информационного трафика в лиды;
— занять устойчивые позиции по тематике “корпоративные перелёты / командировочная политика / стоимость владения процессом”;
— уменьшить нагрузку на маркетинг по производству “похожих материалов”, не потеряв глубины.

Ключевая гипотеза: LLM может ускорить производство, но не должна заменять исследование. Нужен процесс, где модель помогает “собирать и упаковывать” данные, а не придумывать смысл.

Решение
Схема была организована как конвейер “исследование → структурирование → публикация → измерение”:

1) Карта тем и вопросов (семантика + боли закупки)
Команда собрала перечень запросов и формулировок из sales-диалогов и службы поддержки. Далее LLM использовали не для генерации текста “как бы специалист написал”, а для классификации:
— тип организации (компания с малым штатом/много поездок/многорегиональность);
— цель закупки (контроль бюджета, предсказуемость SLA, снижение ручных задач);
— ограничения (правила согласования, лимиты по тарифам, график перелётов).

Итог артефакт: матрица “вопрос → ответ → данные, которые нужно проверить”.

2) Подготовка “сырья” для контента
Вместо того чтобы просить модель “напиши статью”, команда загружала ей структурированные материалы: обезличенные агрегаты (без личных данных), шаблоны согласований, типовые сценарии затрат. LLM помогал:
— превратить разрозненные факты в чек-листы (что спрашивать у подрядчика/сервиса);
— разложить рекомендации по этапам внедрения (а не по “просто выгодно”);
— собрать таблицы сравнения политик расходов и операционных рисков.

3) Топик-структура и формат под AI-overviews
Переупаковка под 2026: каждый материал делали так, чтобы он отвечал на вопрос пользователя “коротко и по делу” и одновременно давал основания (цифры, допущения, ограничения).
Примеры форматов:
— “Сколько стоит процесс командировок” (TCO-схема: время ассистента/менеджера, ручное согласование, отмены и перебронирования, стоимость ошибок);
— “Как перейти от политики ‘лимит на билет’ к политике ‘лимит на отклонение’” (пошагово).

LLM генерировал черновики, но финальный контроль проходил через короткий “валидатор логики”: проверка, что каждое утверждение имеет источник в подготовленном датасете или пометку “оценочно”.

4) Измерение не только по трафику
RevOps-подход означал: смотрели не только CTR/переходы, а прогресс по воронке.
Ставили эксперименты “контент X → лид → MQL → SQL → встреча/демо → контракт”. И отдельно считали impact на SQL-rate (доля SQL среди MQL) и скорость прохождения этапа.
…