80 операторов, 40 000 звонков, 100% контроль, +3% к выручке и +0 супервайзеров: как прокачать колл-центр нейросетью

Если в вашей сети медцентров работают операторы колл-центра, то вы знаете, что проконтролировать всех не получится: даже на 10% записей разговоров уйдет много часов супервайзера (контроль качества). Добавьте сюда 80 человек, 40 000 звонков в месяц, личные отношения между операторами и супервайзерами, — и получите плохо управляемую машину со скачущими показателями эффективности.

Этот кейс не об интерпрайс-клиенте с морем данных и кучей денег на эксперименты. Он о среднем бизнесе с data driven подходом, который считает деньги и требует от инвестиций стопроцентной окупаемости. Как мы получили ROI 328% уже на этапе пилота, приглашаем вас узнать из кейса.

Пока NDA и все дела, но кое-что рассказать можем.

Заказчик — сеть МЦ с филиалами в Москве, Санкт-Петербурге и Великом Новгороде. Разработчик — SalesAI. Наш сервис понимает контекст разговора, оценивает диалоги операторов и выгружает аналитику руководителям.

Личные отношения между сотрудниками мешают оценивать качество звонков, прослушиваются только 0,5% разговоров, разброс конверсии — от 10 до 20%.

Мы начали работу с МЦ в июле 2022 года. На тот момент у ребят было 80 операторов, которые принимали 40 000 звонков в месяц, и 5 супервайзеров для контроля.

Скрипт оператора состоял из двух частей: жестко регламентированной части и фреймворка. В регламенте прописаны конкретные вопросы: например, при записи на МРТ уточняют вес. Фреймворк состоял из этапов: собрать анамнез, проконсультировать, обработать возражения… Формулировки подбирал оператор по ситуации. От жесткого скрипта отказались, потому что он отрицательно влиял на конверсию.

Чем больше первичных посещений клиники, тем больше МЦ продаст услуг с высокой маржинальностью.

Если мы увеличим количество посещений и продаж маржинальных услуг, прибыль начнет расти нелинейно.

Конверсия из звонка в посещение зависит от разговора оператора. Если оператор пройдет 10 этапов фреймворка, конверсия кратно вырастет. При этом оператор не должен превращаться в машину, которая зачитывает вопросы по жесткому скрипту: человечность, раппорт, эмпатия — конкурентные преимущества МЦ.

Прослушивать и обучать 80 операторов — сложно и дорого. Один менеджер стоит минимум — 100 000 рублей в месяц. Вся команда — 500 000. Без учета оверхедов и накладных расходов. При этом ребята успевают выборочно прослушать 0,5% записей. Ну конечно, никто не даст денег, чтобы это масштабировать.

Нет дашборда со статистикой ошибок, а значит невозможно отследить, где конкретно ошибаются все операторы и отдельно взятый.

Конверсия из звонка в запись на приём прыгает от месяца к месяцу. Выручка, соответственно, тоже.

В пилотной версии ребята из МЦ хотели видеть, проговаривают ли операторы важные для конверсии 10 фраз/предложений/этапов.

На каждом этапе фреймворка операторы произносят похожие фразы, которые отличаются разными переменными, в зависимости от контекста. Чтобы определить, какие именно, мы присвоили этим фразам лейблы. Например, «Здравствуйте, вы позвонили в клинику МЦ, — это лейбл «Приветствие». «Записала вас на 22 ноября», — лейбл «Запись пациента». Презентация подарка по акции, — лейбл «Промо».

Задача лейблов — отследить, какие стадии забывает проходить оператор, и как это влияет на конверсию. Например, очень важно проконтролировать вес пициента, потому что машина, которая обслуживает пациентов более 120 кг только одна и надо записывать только на нее. Очень важно проговорить ковидные ограничения. И важно сделать презентацию оборудования, потому что оно реально новое и крутое, поэтому должно отбивать свою амортизацию максимально быстро.

Размеченных данных для такой бизнес-задачи нет, поэтому разметку делали сами. Так мы разделили фразы оператора на 10 обязательных лейблов:

В английском языке для расшифровки текста можно использовать язык регулярных выражений. Например, мы можем научить программу распознавать порядок слов в предложении или сказать: «Найди мне все предложения, которые начинаются на слово “записал”».

В нашем случае у этого подхода есть четыре минуса:

Учитывая все минусы, мы использовали методы обработки естественного языка и рекуррентные нейронные сети — LSTM.

Коротко о том, как SalesAI понимает контекст. Допустим, оператор сказал о противопоказаниях: «Перед МРТ брюшной полости не ешьте ничего шесть часов, то есть с девяти утра». Чтобы понять эту фразу, SalesAI не просто ищет по ключевым словам, а запоминает и учитывает предыдущие фразы в разговоре.

Раньше, чтобы нейронка научилась точно определять лейблы, необходимо было разметить тысячи звонков и скормить их нейронной сети. Но у нас не было ни времени, ни такого огромного количества ресурсов, ни желания боттлнечить из-за этого. Поэтому нашим датасаентистам пришлось поломать голову, как выкручиваться. За счет использования экспериментальной технологии, для обучения первых 10 лейблов, нам хватило всего 100 хороших звонков. В процессе разметки мы вынуждены были заодно оценить качество работы штатных супервайзеров компании. Наши разметчики обратили внимание заказчика на несоответствие реальных лейблов оценкам в чек-листе. То есть, лейбла на самом деле в разговоре не было, а в чек-листе супервайзера он стоял. Когда ребята из МЦ раскрутили эту историю, оказалось, что между некоторыми супервизорами и операторами возникли неформальные отношения, в результате, по понятным причинам, им завышали оценки, которые влияют на мотивацию… Случайно нашли еще одно преимущество нейросетей перед человеком).

На разработку, обучение и отладку ушло два месяца. С нашей стороны на проекте работало 5-10 человек и со стороны заказчика - трое. Если бы не затупы на первом этапе с разметкой, сделали бы гораздо быстрее.

Плюс пришлось очень много делать доработок на бэке, чтобы появилась интеграция с IP-телефонией и разными сервисами клиента. И конечно, на этапах отладки ловили кучу багов и делали перенастройки, чтобы работало все в онлайне как часы.

Следующие пилоты идут уже гораздо быстрее.

Мы планируем развивать систему и дальше. В ближайших итерациях добавим подсказки для операторов в реальном времени и научим SalesAI определять настроение клиента. Короче, будем делать все, чтобы увеличить конверсию у клиента и принимать решения на основе данных.