email-доставляемость стала узким местом

email-доставляемость стала узким местом именно потому, что антиспам-системы за последние ~10–15 лет радикально усложнились**. 📧 И это действительно сильно изменило B2B-коммуникацию.


Разберём, **почему канал стал таким «хрупким»**.


---


# 1. Фильтры больше не смотрят только на текст письма


Раньше (2005-2015) фильтры работали примерно так:


```

ключевые слова

+

IP-репутация

```


Если не было типичных спам-слов — письмо проходило.


Сегодня всё иначе.


Современные фильтры анализируют **многомерный профиль отправителя**:


```

domain reputation

IP reputation

historical behavior

engagement

content structure

link reputation

attachment risk

```


И итоговое решение — **результат десятков сигналов**.


---


# 2. Главный сигнал — поведение получателей


Сейчас для фильтров самый важный фактор:


```

как люди реагируют на письма

```


Они смотрят:


```

open

reply

delete

spam complaint

```


Если письма **массово удаляют без ответа**, это ухудшает репутацию домена.


И система начинает отправлять письма в spam.


---


# 3. Репутация домена стала важнее IP


Раньше спамеры просто меняли IP.


Поэтому фильтры переключились на **domain reputation**.


Теперь анализируется:


```

возраст домена

история отправки

объём писем

взаимодействие получателей

```


Если домен новый — фильтр относится к нему **с подозрением**.


---


# 4. Ссылки — огромный риск-сигнал


Ты правильно заметил проблему со ссылками.


Почтовые системы проверяют:


```

домен ссылки

частоту его появления в spam

редиректы

tracking параметры

```


Если один и тот же домен встречается в тысячах cold-писем —

он быстро получает **плохую репутацию**.


---


# 5. PDF и вложения — отдельная зона риска


Вложения повышают вероятность спама потому что:


1️⃣ malware часто распространяется через вложения

2️⃣ спам-кампании используют PDF для обхода фильтров


Поэтому многие фильтры автоматически повышают риск-оценку письма.


---


# 6. Поведенческая модель отправителя


Фильтры строят **профиль поведения**.


Они анализируют:


```

частоту отправки

рост объёма

время отправки

распределение адресатов

```


Если поведение похоже на:


```

маркетинговую рассылку

```


или


```

спам-кампанию

```


доставляемость падает.


---


# 7. Google особенно ужесточил правила


Почта от Google и Microsoft стала гораздо строже.


Например, Google ввёл новые требования для массовых отправителей:


```

DMARC authentication

низкий spam complaint rate

легкий способ отписки

```


Если их не соблюдать — доставляемость падает.


---


# 8. Экономическая причина


Есть ещё один фактор.


Для почтовых сервисов **спам — огромная проблема инфраструктуры**.


Поэтому:


```

лучше заблокировать лишнее письмо

чем пропустить спам

```


Фильтры оптимизированы на **минимизацию риска**, а не на справедливость.


---


# 9. Почему B2B страдает сильнее


В B2B есть специфическая проблема.


Cold outreach выглядит для фильтров почти так же, как спам.


Признаки:


```

незнакомый отправитель

одинаковые письма

много получателей

```


То есть модель не всегда может отличить:


```

sales outreach

```


от


```

spam campaign

```


---


# 10. Поэтому происходит сдвиг каналов


Многие компании уходят в:


```

LinkedIn

messengers

communities

```


Потому что email становится всё более защищённым.


---


# Но есть ещё более глубокая причина


И она почти философская.


Email изначально был **доверительным протоколом**.


Когда появился SMTP, предполагалось:


```

люди не будут злоупотреблять системой

```


Но интернет вырос.


И система начала защищаться.


---


# И вот парадокс


Чем лучше фильтры борются со спамом,

тем сложнее становится **законная холодная коммуникация**.


Это **структурный конфликт протокола**.



Comments

Post a Comment

Popular posts from this blog

Переход от automation to agentic systems

 Самые продвинутые **AI-outreach системы 2026** — это уже не “инструменты рассылки”. Это **многоагентные системы продаж**, где несколько специализированных AI-агентов совместно управляют всей воронкой: от поиска лида до назначения встречи. 🤖 Фактически они работают как **роевая система агентов**, что очень напоминает **swarm intelligence** — тему, которой ты занимаешься для UAV. Разберём архитектуру. --- # 1. Переход от automation → agentic systems Ключевое отличие новых систем: **старые системы** ``` if email opened → send followup ``` **agentic systems** ``` анализ контекста оценка вероятности сделки выбор оптимального действия ``` То есть агент **сам решает, что делать дальше**, а не следует заранее прописанному сценарию. ([Outreach][1]) AI-агенты: * собирают сигналы из CRM * анализируют письма * отслеживают активность лида * предлагают или выполняют действия Это уже **goal-directed systems** — системы с целевым поведением. ([Outreach][1]) --- # 2. Общая архитектура AI-outreach...
Read more

поведенческая модель графа взаимодействий

 это не “один официальный документ, где написано Gmail строит граф общения”. Но **в академических исследованиях и в индустриальных системах фильтрации есть довольно чёткие доказательства**, что **структура коммуникаций (кто с кем общается)** используется как сигнал. Покажу несколько источников и объясню логику. --- # 1. Исследования прямо используют граф email-взаимодействий Есть исследования, где спам фильтруется **не по тексту, а по структуре связей между отправителями и получателями**. Например: * в работе по защите email от спама строится **граф писем**, объединяющий   * отправителей   * домены   * URL   * вложения и затем модель делает выводы по этому графу. ([arXiv][1]) То есть письмо **не оценивается изолированно** — анализируется сеть связей вокруг него. --- # 2. Идея “социального графа общения” В других работах email-данные прямо превращают в **social graph**. Узлы: ``` люди ``` Рёбра: ``` кто кому пишет ``` И по этому графу определяют: * нормальные ком...
Read more

современные outreach-системы

Попробую разложить **архитектуру системы, которая способна отправлять 50k–200k писем в месяц**, но при этом не убивать доставляемость. --- # Архитектура современной cold-outreach системы Фактически она состоит из **5 слоёв**: ``` 1 DATA LAYER 2 ENRICHMENT LAYER 3 PERSONALIZATION LAYER 4 DELIVERY INFRASTRUCTURE 5 REPLY PROCESSING ``` Каждый слой масштабируется отдельно. --- # 1. DATA LAYER — сбор компаний Здесь собирается **сырой список компаний**. Типичные источники: * LinkedIn Sales Navigator * базы стартапов * базы e-commerce * вакансии (очень недооценённый источник) Пример pipeline: ``` Scraper  ↓ Companies database  ↓ Deduplication  ↓ ICP filtering ``` ICP = **Ideal Customer Profile** Например: ``` B2B SaaS 20–200 сотрудников Series A–B ``` В нормальной системе **собирается 100k–1M компаний**. --- # 2. ENRICHMENT LAYER — обогащение данных Теперь AI анализирует компанию. Он автоматически вытаскивает: * отрасль * размер * tech stack * CRM * hiring activity * funding Это...
Read more