Как речевая аналитика помогает сэкономить миллионы: 4 кейса

Вместе с командой Voximplant и Никитой Ткачевым из Yandex.Cloud сделали обзор основных кейсов применения речевой аналитики и рассказали, при каких условиях технология реально будет приносить пользу.

Сначала давайте разберемся, почему процесс аналитики стоит автоматизировать и что такого умеет машина, чего не может человек. Главная задача речевой аналитики – собирать и систематизировать данные о звонках, о разговорах менеджеров с клиентами, чтобы оперативно исправлять недостатки и выявлять удачные скрипты. Безусловно, прослушивать звонки может и менеджер, однако процесс анализа будет:

В правильно же настроенной автоматике эти недостатки отсутствуют. Благодаря инструментам машинного обучения, система способна самостоятельно классифицировать звонки по типам обращения и выделять в них проблемные места, что позволяет менеджерам работать с конкретными нарушениями или – напротив – изучать конкретные удачные примеры, не расходуя время на прослушивание всей массы разговоров.

Основная работа речевой аналитики состоит из нескольких этапов:

Рассмотрим несколько нетривиальных примеров использования речевой аналитики.

Кейс #1: качество работы операторов

Приведем пример из сферы недвижимости: при анализе деятельности колл-центра застройщик заподозрил, что менеджеры маркируют входящие заявки, которые приходится долго обрабатывать, как нерелевантные. Чтобы проверить, действительно ли это так, компания решила воспользоваться речевой аналитикой. В данном случае стояла задача проанализировать звонки со статусом “нерелевантный” и найти среди них целевые. За “целевой” считали разговор, в котором упоминается вопрос приобретения недвижимости. В этом случае ключевыми были такие слова, как, например, название объекта, количество комнат и заданный бюджет. Также к ключевым словам были отнесены те, что выражают готовность приехать на просмотр объекта или оформить ипотеку.

В результате работы речевой аналитики 72% записей, которые изначально были отмечены операторами как нерелевантные, были определены как целевые, 47% клиентов были готовы к дальнейшим действиям, 29% озвучивали бюджет, а 73% из них – желаемое количество комнат.

Кейс #2: качество лидов

Нередко для достижения KPI агентства недвижимости, с которыми сотрудничают застройщики, инициируют фейковые звонки. В этом случае одни и те же люди звонят с разных номеров, интересуясь разными объектами. Порой эти звонки переходят в запись на просмотр объекта, но сделку такие звонящие никогда не заключают.

В этом случае вместе с технологией речевой аналитики была использована биометрия голоса, чтобы сравнить номер, с которого поступают заявки, и голос звонящего. Так, система фиксирует число входящих обращений от одного человека и информацию об объекте, которым интересовались. Если эти объекты относятся к одной категории – совпадает район, площадь и т.д. – запрос считается релевантным. Если же запросы касаются разных по характеристикам квартир, а статусы в CRM-системе говорят, что сделка с этими клиентом никогда не закрывалась, то звонящий определяется как фейк.

Проанализировав с помощью голосовой биометрии несколько тысяч звонков, машина отсортировала похожие записи и передала на повторную проверку экспертам. В результате 4,5% звонков оказались подозрительными, что в денежном выражении для застройщика составляет 2 700 000 рублей в месяц.

Кейс #3: повышение конверсии в продажи

Нередко компании сталкиваются с непопулярностью новых услуг. Так, в одной страховой компании в подобной ситуации операторы стараются предложить новый товар или услугу в дополнение к уже приобретенным, однако клиенты чаще всего отказываются от них, озвучивая разного рода возражения. Настроив речевую аналитику на автоматический поиск по словам, компания определила самые частые возражения, которые обычно упирались в высокую цену. В итоге был разработан сценарий, который информировал клиентов, из чего складывается цена, и объяснял, почему данная услуга или товар лучше, чем у конкурентов.

Подобный метод работы с возражениями позволил увеличить общую конверсию в продажи на 7% в сравнении с периодом, когда возражения оставались необработанными.

Кейс #4: страховка компании от судебных исков

Коллекторские службы и налоговые органы вкладывают значительную часть бюджета в развитие систем записи разговоров, поскольку некорректное общение их сотрудников влечет за собой не потерю клиента, а судебные иски и крупные штрафы. Так, за один год Федеральная торговая комиссия США получила 78 838 жалоб, ссылающихся на Закон о добросовестной практике взимания долгов, что в денежном эквиваленте составило более 78 миллионов долларов потенциальных штрафов за ненадлежащее поведение коллекторов.

Налоговые органы используют речевую аналитику, чтобы сократить количество конфликтных ситуаций и вовремя отследить некомпетентность сотрудников.

Таким образом, речевая аналитика дает возможность отслеживать процесс лидогенерации и улучшать его. За счет сквозной аналитики диалогов можно проверить бизнес-гипотезы, оценить расходы и оптимизировать их. Постоянный анализ данных сокращает издержки бизнеса на колл-центры, а также ведет к повышению уровня удовлетворенности клиентов.

Однако в эпоху больших данных стоит понимать, что речевая аналитика – не решение всех проблем. Аналитика только открывает дверь к данным, необходимым для принятия важных управленческих решений и кратному увеличению продаж.