# Free-to-paid конверсия: фреймворк кратного роста через AI-онбординг

> Фреймворк кратного роста free-to-paid конверсии через AI-анализ onboarding, activation triggers и pricing page. Промпты, метрики, пошаговая реализация.
> Author: Roman Belov · Published: 2026-06-08 · Source: https://futurecraft.pro/ru/blog/free-to-paid-conversion/

Средняя free-to-paid конверсия в SaaS-продуктах составляет 5-7%. Это число не менялось последние несколько лет, несмотря на тонны A/B тестов, переписанных pricing page и новых фреймворков. Причина простая: большинство команд оптимизируют не то место. Pricing page получает 80% внимания, хотя большинство пользователей принимают решение о покупке до того, как на неё попадут.

Этот материал — модельный разбор, а не измеренный кейс: цифры в нём — целевые ориентиры, иллюстрирующие метод, а не отчёт о конкретном продукте. Логика фреймворка — рост конверсии в разы за один квартал: не за счёт скидок или давления на пользователя, а за счёт системного AI-анализа трёх элементов: onboarding flow, pricing page и activation triggers.

## Почему free-to-paid конверсия застревает на 5%

Стандартный подход к росту конверсии: смотрят на pricing page, меняют цвета кнопок, добавляют social proof, двигают цены. Конверсия растёт на 0.3-0.5%, команда празднует. Через месяц эффект исчезает.

Проблема в модели мышления. Free-to-paid конверсия не событие, а процесс. Пользователь проходит цепочку: регистрация, первый опыт, aha-moment, формирование привычки, столкновение с ограничением, оценка ценности, покупка. Pricing page участвует только в последнем шаге.

Три зоны, где теряется конверсия:

**Onboarding flow.** Значительная часть зарегистрированных пользователей не доходит до aha-moment. Они не понимают ценность продукта, потому что onboarding показывает функции вместо результатов. Пользователь видит "вот наш дашборд" вместо "вот как ты решишь свою задачу за 3 минуты".

**Activation triggers.** Пользователь получил ценность, но продукт не закрепляет привычку. Нет системы, которая возвращает пользователя в продукт в нужный момент. Email-серии работают как broadcast, а не как реакция на поведение.

**Pricing page.** Даже если пользователь дошёл до pricing page с намерением купить, страница его теряет. Слишком много тарифов, непонятная разница между планами, страх переплатить.

## Фреймворк: три слоя оптимизации конверсии

Фреймворк работает последовательно. Сначала onboarding, потом activation triggers, потом pricing page. Порядок принципиален: нет смысла оптимизировать pricing page, если до неё доходит 15% аудитории вместо возможных 60%.

### Диагностика: где именно теряются пользователи

Перед оптимизацией нужна карта потерь. AI-анализ событийных данных позволяет построить её за часы, а не за недели ручного разбора.

Промпт для анализа воронки:

```
Роль: Product analyst, специализация — SaaS conversion optimization.

Данные: [вставить экспорт событий из analytics — signup, feature_used,
plan_viewed, checkout_started, payment_completed за последние 90 дней]

Задача:
1. Построй пошаговую воронку от signup до payment_completed.
2. Для каждого шага рассчитай: conversion rate, median time between steps,
   drop-off rate.
3. Определи шаг с максимальным абсолютным drop-off (не процентным — абсолютным
   числом потерянных пользователей).
4. Сегментируй drop-off по: источнику трафика, первому использованному
   feature, времени суток регистрации.
5. Выдели когорты с конверсией выше 15% и ниже 3%. Найди
   поведенческие различия между ними.

Формат: таблица воронки + список из 5 гипотез, ранжированных
по потенциальному impact на revenue.
```

Этот промпт выявляет конкретное место разрыва. В модельном разборе AI-анализ показывает типичную картину: большинство пользователей отваливается между signup и первым значимым действием. Не на pricing page. На onboarding.

## Слой 1: Onboarding flow — от функций к результату

### Проблема линейного onboarding

Классический onboarding ведёт пользователя через серию шагов: "заполни профиль", "подключи интеграцию", "посмотри обучающее видео". Это логика продукта, не логика пользователя.

Пользователь пришёл с конкретной задачей. Ему не нужен тур по продукту. Ему нужен результат. Чем быстрее продукт покажет результат, тем выше вероятность покупки.

### Переход к task-based onboarding

Вместо линейного тура пользователь выбирает задачу при регистрации. Продукт адаптирует первый опыт под эту задачу.

Промпт для проектирования task-based onboarding:

```
Роль: UX designer + growth specialist.

Контекст: SaaS-продукт [описание]. Текущий onboarding — линейный тур
из 7 шагов. Completion rate: 34%. Time to first value: 12 минут.

Задача:
1. Определи 3-5 основных Jobs-to-be-Done пользователей на основе
   [данные: опросы, запросы в поддержку, поисковые запросы].
2. Для каждого JTBD спроектируй минимальный onboarding path:
   - Максимум 3 шага до первого результата
   - Каждый шаг должен давать видимый прогресс
   - Последний шаг = aha-moment (пользователь получает ценность)
3. Убери из onboarding всё, что не ведёт к aha-moment:
   заполнение профиля, обучающие видео, настройку уведомлений.
4. Для каждого path определи метрику успеха и fallback
   (что делать, если пользователь застрял).

Формат: таблица [JTBD | Шаги | Aha-moment | Время до результата | Метрика].
```

### Что изменилось в onboarding

Конкретные изменения, которые дали результат:

**Экран выбора задачи.** Первый экран после регистрации: "Что хотите сделать?" с 4 вариантами. Не "расскажите о себе", а "какую задачу решаем". Каждый вариант ведёт на свой onboarding path.

**Предзаполненные данные.** Вместо пустого интерфейса пользователь видит пример с реальными данными. Продукт показывает результат ещё до того, как пользователь что-то сделал. Это снижает когнитивную нагрузку и показывает ценность.

**Time to first value: с 12 минут до 2.5 минут.** Ключевая метрика: каждая лишняя минута до aha-moment стоит процентов пользователей. Сокращение в пять раз означает, что до aha-moment доходит примерно вдвое больше пользователей.

**Прогресс-бар с контекстом.** Не "шаг 2 из 7", а "осталось 40 секунд до первого отчёта". Прогресс привязан к результату, не к количеству экранов.

### Метрики после оптимизации onboarding (модельные ориентиры)

| Метрика | До | После | Изменение |
|---------|-----|-------|-----------|
| Onboarding completion | 34% | 71% | +108% |
| Time to first value | 12 мин | 2.5 мин | -79% |
| Day 1 retention | 28% | 52% | +86% |
| Users reaching pricing page | 15% | 41% | +173% |

Onboarding один даёт рост конверсии с ~5% до ~12% — без единого изменения на pricing page.

## Слой 2: Activation triggers — возвращение пользователя в нужный момент

### Почему стандартные email-серии не работают

Типичная onboarding email-серия: Day 1 — "Добро пожаловать!", Day 3 — "Посмотрите наши фичи", Day 7 — "Вы пропустили...", Day 14 — "Скидка 20%". Это broadcast-логика. Одинаковое сообщение для пользователя, который активно использует продукт, и для того, кто зашёл один раз.

### Behavioral triggers вместо time-based sequences

Триггеры привязаны к действиям пользователя, не ко времени после регистрации. AI анализирует поведенческие паттерны и определяет оптимальные моменты для коммуникации.

Промпт для проектирования activation triggers:

```
Роль: Growth engineer + behavioral psychologist.

Данные: [события пользователей за 90 дней — actions, timestamps,
conversion status]

Задача:
1. Найди 5-7 поведенческих событий, которые максимально коррелируют
   с последующей конверсией в paid. Рассчитай correlation coefficient
   и lift для каждого.
2. Для каждого события определи:
   - Optimal timing для nudge (через сколько после события)
   - Тип коммуникации (in-app, email, push)
   - Содержание сообщения (что именно говорить)
3. Найди "negative triggers" — события, после которых пользователи
   чаще всего уходят. Спроектируй intervention для каждого.
4. Определи "activation threshold" — минимальный набор действий,
   после которого вероятность конверсии превышает 50%.

Формат: таблица triggers + decision tree для выбора коммуникации.
```

### Ключевые trigger-паттерны

AI-анализ выявил пять критических точек:

**Trigger 1: Второе возвращение в продукт.** Пользователь вернулся через 24+ часа после регистрации — это сигнал интереса. In-app сообщение в этот момент: "Продолжить [задачу, которую начали]?" с предзаполненным контекстом. В модельном примере conversion rate пользователей, получивших этот trigger, в несколько раз выше, чем у не получивших.

**Trigger 2: Достижение лимита free-плана.** Не "вы исчерпали лимит". А сообщение с контекстом: "Вы создали 10 отчётов за 3 дня. На Pro-плане лимит снимается, плюс [конкретная фича, которую пользователь пытался использовать]". Персонализация на основе поведения, не шаблон.

**Trigger 3: Экспорт или шаринг результата.** Пользователь пытается поделиться результатом работы. Это момент, когда ценность продукта становится очевидной не только для пользователя, но и для его окружения. Апгрейд-сообщение привязано к конкретному действию.

**Trigger 4: Третий день подряд использования.** Три дня подряд означают, что продукт вписался в рабочий процесс. Сообщение: не "купите", а "разблокируйте [фичу], которая сэкономит 2 часа в неделю при вашем объёме использования". Расчёт экономии на основе реальных данных пользователя.

**Trigger 5: Негативный — ошибка или фрустрация.** Пользователь столкнулся с ошибкой, несколько раз нажал back, закрыл модальное окно. В этот момент не продавать, а помогать. Proactive support message снижает churn в этой когорте.

### Activation threshold

AI-анализ ищет критическую точку. В модельном примере пользователи, совершившие 3+ значимых действия в первые 72 часа, конвертируются в paid с вероятностью около 50%, а не дошедшие до порога — в единицы процентов. Конкретный порог у каждого продукта свой.

Это определяет стратегию: onboarding и triggers должны привести пользователя к 3 значимым действиям за 72 часа. Всё остальное вторично.

## Слой 3: Pricing page — убрать трение на последнем шаге

### Диагностика текущей pricing page

К этому моменту до pricing page доходит примерно 40% пользователей вместо исходных 15%. Они уже получили ценность, сформировали привычку, столкнулись с ограничениями free-плана. Задача pricing page изменилась: не убедить, а не помешать купить.

Промпт для AI-аудита pricing page:

```
Роль: Conversion rate optimization specialist.

Контекст: SaaS-продукт, pricing page. Данные:
- Heatmap: [описание кликов и скролла]
- Session recordings: [паттерны поведения — что смотрят,
  где задерживаются, где уходят]
- Текущая структура: [количество планов, цены, feature matrix]
- Exit survey: [ответы пользователей, почему не купили]

Задача:
1. Определи top-3 friction points на pricing page.
2. Для каждого friction point предложи конкретное изменение
   с ожидаемым impact.
3. Проанализируй feature matrix: какие фичи пользователи
   не понимают? Какие не влияют на решение?
4. Предложи оптимальную структуру pricing page:
   - Количество планов (с обоснованием)
   - Порядок представления
   - Anchor pricing strategy
   - Social proof placement
5. Для каждого изменения определи приоритет:
   quick win (<1 день), medium (1-3 дня), strategic (1+ неделя).

Формат: приоритизированный список изменений с expected impact.
```

### Конкретные изменения на pricing page

**Сокращение с 4 планов до 2.** Четыре плана создают paradox of choice: пользователь тратит несколько минут на сравнение, потом уходит «подумать». Два плана: Free и Pro. В модельных ориентирах время на pricing page падает с ~4 минут до ~1 минуты, bounce rate — вдвое.

**Персонализированный feature comparison.** Вместо полной feature matrix из 30 строк показываются 5-7 фич, релевантных конкретному пользователю. AI определяет релевантность на основе того, какие фичи пользователь использовал на free-плане и какие пытался использовать, но не мог.

**Калькулятор ROI вместо цены.** Пользователь видит не "$29/месяц", а "$29/месяц — экономия 6 часов в неделю при вашем объёме". Расчёт на основе реальных данных использования. Подробнее о построении таких калькуляторов в статье про [AI-калькулятор unit-экономики](/ru/blog/unit-economics-calculator-ai/).

**Гарантия с конкретикой.** Не "30-дневная гарантия возврата". А "попробуйте Pro 14 дней. Если не сэкономите минимум 3 часа в неделю, вернём деньги. [X]% пользователей остаются после trial" — где X берётся из реальных данных, а не выдумывается.

**Социальное доказательство в контексте.** Не "10 000 компаний доверяют нам". А отзыв от пользователя из той же индустрии, что и текущий посетитель. Определение индустрии по домену email при регистрации.

### Метрики после оптимизации pricing page (модельные ориентиры)

| Метрика | До (после Слоёв 1-2) | После | Изменение |
|---------|---------------------|-------|-----------|
| Pricing page bounce | 68% | 31% | -54% |
| Time on pricing page | 4.2 мин | 1.1 мин | -74% |
| Pricing → Checkout | 22% | 47% | +114% |
| Overall free-to-paid | ~12% | 20%+ | ~2x к слою 2 |

## AI-промпты для каждого этапа оптимизации

### Еженедельный мониторинг конверсии

```
Роль: Data analyst.

Данные: [метрики конверсии за текущую и предыдущую неделю по каждому
шагу воронки]

Задача:
1. Сравни week-over-week по каждому шагу воронки.
2. Выдели аномалии: шаги, где конверсия изменилась более чем на 5%.
3. Для каждой аномалии предложи 3 возможные причины,
   ранжированные по вероятности.
4. Определи, какой один шаг даст максимальный ROI
   при оптимизации на следующей неделе.

Формат: dashboard-style summary + приоритет на неделю.
```

### Анализ причин отказа от покупки

```
Роль: Customer research analyst.

Данные: [exit survey responses, support tickets с упоминанием pricing,
cancellation reasons за 30 дней]

Задача:
1. Категоризируй все причины отказа. Определи top-5 по частоте.
2. Для каждой причины определи: это проблема восприятия (можно
   исправить коммуникацией) или проблема продукта (нужны изменения
   в функциональности)?
3. Рассчитай потенциальный revenue impact для каждой категории:
   [количество отказов × средний чек × вероятность конверсии
   при устранении причины].
4. Предложи конкретные действия для top-3 причин.

Формат: таблица причин + action plan с ожидаемым impact.
```

### A/B тест pricing page

```
Роль: Experimentation specialist.

Контекст: [описание текущей pricing page и предлагаемого варианта]

Задача:
1. Определи minimum detectable effect при текущем трафике
   [X visitors/week] и baseline conversion [Y%].
2. Рассчитай необходимый sample size и длительность теста.
3. Определи guardrail metrics: что нельзя ухудшить
   (retention, ARPU, support tickets).
4. Предложи стратегию progressive rollout:
   10% → 25% → 50% → 100%.
5. Определи stopping rules: при каком результате
   останавливать тест досрочно.

Формат: test plan с timeline и decision criteria.
```

## Таймлайн: модельный план на 11 недель

**Недели 1-2: Диагностика.** AI-анализ воронки, построение карты потерь, приоритизация. Результат: понимание, где происходит основная часть потерь — как правило, на onboarding, не на pricing page.

**Недели 3-5: Onboarding.** Редизайн onboarding flow: экран выбора задачи, предзаполненные данные, сокращение шагов. Целевой ориентир: ~5% → ~12%.

**Недели 6-8: Activation triggers.** Внедрение behavioral triggers, замена time-based email sequences на event-driven коммуникацию. Целевой ориентир: ~12% → ~16%.

**Недели 9-11: Pricing page.** Сокращение планов, персонализация, ROI-калькулятор. Целевой ориентир: ~16% → 20%+.

Каждый слой даёт значимый прирост. Но порядок критичен: без исправления onboarding оптимизация pricing page подняла бы конверсию с ~5% максимум до 7-8%.

## Антипаттерны: что точно не работает

**Скидки на раннем этапе.** "Скидка 50% на первый месяц" привлекает price-sensitive пользователей с низким LTV. Конверсия растёт на несколько процентов, но большинство отменяют после окончания скидки. Net effect отрицательный.

**Feature-gating без контекста.** Заблокировать фичу и показать "доступно на Pro" без объяснения ценности. Пользователь воспринимает это как ограничение, а не как повод для апгрейда. Сообщение должно содержать конкретную выгоду.

**Urgency без основания.** "Цена вырастет через 24 часа" для SaaS-продукта выглядит манипулятивно. Пользователи проверяют, и если цена не выросла, доверие падает навсегда.

**Оптимизация одного элемента.** Менять только pricing page, только onboarding или только emails. Конверсия это система. Оптимизация одного элемента без учёта остальных даёт 10-20% от возможного результата.

**Копирование чужих pricing page.** "Slack делает так, значит и нам надо." Pricing page Slack оптимизирована под их аудиторию, их JTBD, их activation threshold. У другого продукта всё это отличается.

## Чеклист: внедрение фреймворка

1. Построить полную воронку от signup до payment с абсолютными числами на каждом шаге.
2. Определить шаг с максимальным абсолютным drop-off. Начать с него.
3. Замерить time to first value. Если больше 3 минут, это первый приоритет.
4. Определить activation threshold: количество действий, после которого вероятность конверсии превышает 30%.
5. Заменить time-based email sequences на behavioral triggers.
6. Провести AI-аудит pricing page: убрать лишние планы, добавить персонализацию.
7. Внедрить ROI-калькулятор на pricing page с реальными данными пользователя.
8. Настроить еженедельный мониторинг каждого шага воронки.
9. Запустить exit survey для пользователей, которые дошли до pricing page, но не купили.
10. Повторить цикл через 4 недели: новый AI-анализ, новые гипотезы, новые тесты.

Ориентир в 20%+ — не потолок, а цель первого цикла оптимизации. Каждый следующий цикл добавляет несколько процентных пунктов, пока не упирается в product-market fit. Если после трёх циклов конверсия не растёт, проблема не в воронке, а в продукте.

---

*Нужна помощь с оптимизацией конверсии? Я помогаю стартапам внедрять AI-решения и строить продукты — [belov.works](https://belov.works).*