От слепой зоны к прозрачным продажам: кейс внедрения ИИ-анализа коммуникаций

Рассказываю, как мы внедрили систему ИИ-анализа коммуникаций менеджеров с клиентами в компании по организации авторских туров со средним чеком 100–200 тысяч рублей и как это помогло наладить контроль качества общения с клиентами и повысить качество сервиса.

Привет! Меня зовут Киреев Михаил. В области AI / ML разработки я уже около трех лет. Начинал свой путь как Data Scientist. Работал в банке и строил финансовые ML-модели по определению вероятности дефолта.

Сейчас развиваю свое агентство по AI-разработке AILECT. За все время мы реализовали уже более 20 различных ИИ-проектов.

В этом кейсе расскажу, как мы шаг за шагом внедряли ИИ-систему, которая анализирует переписки менеджеров с клиентами. Поделюсь, как настроили интеграцию с AmoCRM и Wazzup, какие параметры общения начали отслеживать и какие неожиданные выводы сделали уже в самом начале.

Компания специализируется на организации авторских групповых путешествий по России и за рубеж. Активные приключения, европейские поездки, яхтинг, экспедиции и другие необычные форматы отдыха.

Целевая аудитория — преимущественно молодые специалисты из сфер IT, HR и аналитики. Это люди, которые ценят комфорт, заботу, персональный подход и ищут новые впечатления, способные удивить и вдохновить.

До внедрения системы переписки с клиентами велись в Telegram и WhatsApp, интегрированных с AmoCRM через Wazzup. Компания не имела системного инструмента для оценки качества этих коммуникаций.

Не было:

Кроме того, в CRM царил небольшой хаос: воронки, скрипты и регламенты требовали обновления. Мы это тоже сделали, но в рамках этого кейса сосредоточимся именно на системе ИИ-анализа коммуникаций.

До этого работа менеджеров оценивалась в основном по еженедельным и ежемесячным планам продаж. Это распространённая практика, однако она не даёт полной картины.

Планы продаж показывают лишь итог, но не раскрывают, что происходило в процессе общения с клиентами. С появлением возможности системно собирать переписки и анализировать их с помощью нейросетей мы решили дополнить этот подход контролем качества всех коммуникаций менеджеров с клиентами.

Мы начали с подготовки фундамента. Провели аудит CRM, внедрили три новые воронки, описали скрипты и разработали регламенты к каждой из них. Это позволило навести порядок и создать базу для дальнейшей работы.

На этапе планирования архитектуры системы мы сразу определили ключевые точки для анализа. Решили фокусироваться на двух видах этапов основной воронки:

Далее перешли к главной задаче — к созданию системы ИИ-анализа коммуникаций. Поскольку вся работа с клиентами велась в переписке, нам нужно было продумать механизм сбора сообщений для последующего анализа.

Сначала мы думали забрать всю историю диалога напрямую из карточки клиента в AmoCRM по API. Однако оказалось, что такой возможности сервис не предоставляет. И это удивительно: данные в карточке есть, но централизованного бэка с переписками нет (как выяснилось такая ситуация не только у AmoCRM).

Техническая поддержка посоветовала обратиться к Wazzup — сервису, который объединяет мессенджеры и CRM. Мы изучили их техническую документацию, надеясь найти нужный метод, но безуспешно. После уточнения у техподдержки стало ясно: централизованного хранилища переписок нет и у них.

Поэтому нам пришлось разработать собственный подход к сбору данных. Именно о нём пойдёт речь в следующем блоке.

Мы решили собирать сообщения от Wazzup самостоятельно. Для этого подключились к каналу, по которому Wazzup передаёт сообщения в AmoCRM, и на своей стороне стали формировать их с привязкой к идентификатору, который позволил бы нам в дальнейшем связывать переписки с конкретными карточками в CRM.

Процесс потребовал плотного общения с технической поддержкой обоих сервисов: их техническая документация оказалась не очень прозрачной. Тем не менее, нам удалось реализовать задумку.

В итоге мы смогли формировать диалоги на своей стороне, отслеживать статус карточек и момент, когда сделка переходит на один из целевых этапов. Как только карточка попадала на нужный этап, мы запускали анализ переписки по заданным параметрам.

Итак, данные мы научились собирать, теперь их надо анализировать.

В этом проекте мы решили показывать и сами переписки, и результаты анализа в единой таблице. Мы рассматривали вариант интеграции данных в дашборд, но для этой задачи выбрали более простой и удобный формат, который позволил быстро получать полную картину по каждой сделке.

Система анализирует каждую сделку по четырём блокам:

Получилась вот такая картина:

Параметры, которые система собирает по каждой сделке, можно агрегировать и использовать для расчёта различных статистических показателей.

Например, мы можем анализировать каждую переписку — как успешную, так и неуспешную. А затем строить срезы по отдельным менеджерам. В этом проекте мы сделали отдельный лист, где собирались данные по каждому сотруднику.

Кроме того, мы реализовали суммарный анализ: система рассчитывала общую эффективность менеджеров по всем сделкам, с разделением на успешные и неуспешные. Это позволяет не только видеть индивидуальные результаты, но и выявлять общие тенденции в команде.

Как вы понимаете, в этом случае простор для анализа практически безграничен. Можно изучать эффективность отдельных этапов воронки, сравнивать подходы разных менеджеров, выявлять закономерности в успешных и неуспешных сделок.

Более того, данный инструмент также распространяется и на звонки. Когда компания подключит телефонию, то мы сможем точно также анализировать то, что происходит в звонках. Теперь у компании есть не только цифры по итогам продаж, но и детальная картина того, как эти результаты достигаются.

Важно подчеркнуть, что эта таблица создана не для того, чтобы наказывать, а для того, чтобы помогать менеджерам расти и улучшать свои результаты. Она помогает увидеть, где можно улучшить коммуникацию, понять свои сильные стороны и то, что стоит подкрутить.

Это очень ценный источник полезной информации, который раньше без больших языковых моделей невозможно было бы сформировать.

Созданная система ИИ-анализа коммуникаций позволила компании впервые получить полную и прозрачную картину клиентских диалогов. Теперь менеджеры и руководство видят не только итог сделки, но и сам процесс общения — с конкретными оценками и пояснениями.

Вот что изменилось:

Этот проект показал, что внедрение ИИ в анализ клиентских коммуникаций даёт компании совершенно новый уровень управляемости сервиса. Мы не просто собрали данные, а превратили их в инструмент для роста как для бизнеса в целом, так и для каждого менеджера в отдельности.

Это не карательный контроль, а система поддержки и развития. Она помогает сотрудникам видеть свои сильные стороны, находить точки для улучшения и повышать качество общения с клиентами.

Если вам интересны подобные проекты и хочется следить за тем, как искусственный интеллект меняет бизнес, подписывайтесь на мой Telegram-канал.

Остались вопросы по статье? Хотите узнать, как ИИ может помочь именно вам? Пишите мне в личные сообщения — с удовольствием отвечу на все возникшие вопросы и расскажу, как современные технологии могут трансформировать ваши бизнес-процессы.

Написать в личные сообщения →