Олена Осіпова

Олена Осіпова ділиться досвідом масштабування лінкбілдингу в освітній ніші та розповідає, з якими труднощами стикаються команди під час outreach. На її думку, класичний підхід у цій сфері вже не спрацьовує так, як раніше. Відповідей стає все менше, донори часто виявляються згенерованими сайтами, а ринок перенасичений однотипними пропозиціями. Навіть великі обсяги розсилок — сотні тисяч email-ів — дають лише кілька посилань і майже нуль адекватних відповідей.

Невдалі спроби покращити показники

Спікерка пояснює, що команда пробувала різні типи пітчів: пропозиції гостьових постів, платних публікацій, інфографіки, аналітики. Продукт дозволяв створювати якісний контент, адже містив багато даних: статистику навчання по штатах, відмінності між показниками хлопців і дівчат тощо. Але навіть із сильним контентом кількість лінків практично не змінювалася.

Повернення до scholarship-outreach

Пошук альтернатив привів команду до рішення повернутися до формату scholarship, але реалізувати його як повноцінну й справжню ініціативу. Ідея полягала не в технічному зборі есе заради лінків, а у створенні реальної стипендіальної програми з прозорими етапами та особистими історіями переможців.

Команда:

• запустила конкурс для дітей із малозабезпечених сімей;
• провела кілька етапів відбору;
• обрала переможців;
• підготувала історії учасників;
• опублікувала фото дітей із сертифікатами та їхні цитати.

Усі матеріали ґрунтувалися на реальних заявках, а фото та інформацію публікували лише після отримання дозволу батьків. Саме чесний формат програми та її людяність відіграли ключову роль у подальшому outreach.

Побудова AI-воркфлоу для збору контактів шкіл

Наступним етапом стало масштабування за допомогою AI-воркфлоу. Команда знайшла реєстр усіх шкіл США і в n8n побудувала автоматизовану систему для збору доменів і контактів.

Основні кроки:

1. Збір інформації про школи

• вибір ключових штатів: Нью-Йорк, Каліфорнія, Техас;
• парсинг реєстру шкіл стандартними компонентами n8n;
• витяг профілів кожної школи;
• фільтрація нерелевантних типів (high schools);
• структуризація даних через Python.

2. Пошук контактів на сайтах

Команда перейшла до парсингу сайтів шкіл. Для цього використовували sitemap-парсинг та AI-аналіз текстових даних.

AI допомагав знайти навіть приховані email-и, зокрема:

• подані у вигляді зображень;
• записані як «ім’я + @домен»;
• захищені від спамерів нестандартним форматом.

У підсумку вдалося отримати близько 300 релевантних шкіл лише в межах Нью-Йорка.

Чому перша розсилка не спрацювала

Перший запуск розсилки дав майже нульовий результат. Олена наголошує, що це сталося через помилковий вибір часу — кампанію запустили влітку, коли школи неактивні.

Перехід до локальних ком’юніті

Після невдалої спроби команда вирішила протестувати той самий підхід на локальних сайтах:

• батьківських блогах;
• локальних новинах;
• міських порталах;
• форумах.

Було зібрано список ключових слів, до яких додавали назви міст. SERP парсився через сторонній API, після чого AI визначав релевантність сайту. Далі застосовувався той самий воркфлоу для пошуку контактів — парсинг сторінок та витяг email-адрес відповідальних осіб.

Успішна осіння outreach-кампанія

Під час нового запуску команда оновила пітч: додала історії переможців та фото дітей. Для outreach використовували Instantly, попередньо прогріваючи домени, що дозволило більшості листів потрапляти у вхідні, а не в спам.

Отримані показники:

• майже 10% reply rate;
• частина сайтів розміщували матеріали навіть на головній сторінці;
• багато публікацій були безкоштовними.

Також команда просувала гостьові пости на теми ADHD, mental health та інші актуальні питання для батьків, і локальні ком’юніті охоче їх публікували.

Ключові висновки з кейсу Олени

Спікерка підкреслює, що використання AI дозволило команді швидше знаходити релевантні контакти, автоматизувати трудомісткі етапи процесу та стабільно отримувати лінки з «живих» локальних сайтів. На її думку, це один із найуспішніших outreach-кейсів, над якими вона працювала в EDU-напрямі.

Питання та відповіді: коментарі спікера

У блоці Q&A Олена пояснює, що над проєктом працювала невелика команда: вона та інженер, який допомагав із n8n і Python-скриптами. Основні витрати стосувалися GPT-кредитів, сторонніх API, Instantly та верифікатора email-ів. Вона зазначає, що частина лінків була платною — це стосувалося великих медіа, тоді як локальні сайти публікували безкоштовно. Олена підкреслює, що команда використовувала лише реальні, AI-витягнуті email-и, які додатково перевіряли на валідність. 

Відповідаючи на інші питання, спікерка зазначає, що підхід можна адаптувати й до юридичної ніші, якщо працювати з реальними історіями та статистикою. Також Олена ділиться, що у новому DevOps-проєкті активно застосовує AI для роботи з технічним контентом, пошуку тем і швидкого розуміння складних продуктів. Це дозволяє створювати матеріали, які мають потенціал органічно збирати лінки.