Эффективность AI-колл-центра в iGaming: Обнадеживающие результаты
Введение
В предыдущей статье мы рассмотрели основные принципы, архитектуру и технические сложности создания AI-колл-центра с использованием больших языковых моделей. AI-оператор способен свободно общаться на любые темы и добиваться поставленных целей, аргументируя свою позицию и работая с возражениями.
В этой статье мы расскажем о том, как такой AI-колл-центр проявил себя в реальных условиях.
Как мы нашли клиента
Мы поделились с несколькими знакомыми информацией о нашем AI-колл-центре и желании протестировать его в деле. Один из них — крупная компания из сферы iGaming — проявил интерес к нашему решению для реактивация неактивных пользователей. Поначалу клиент не был уверен в эффективности нашего решения, но после тестового звонка признал его лучшим из всего, что ему доводилось слышать. На этом мы ударили по рукам, подписали NDA (поэтому дисклеймер: все персонажи и события вымышлены, любые совпадения случайны) и приступили к работе.
Как всё прошло
Нам предоставили 3000 номеров из базы, а также базовый скрипт и режим работы: звонить можно с 11:00 до 20:00 в любой день недели. Если мы не смогли дозвониться до пользователя, нужно сделать 10 попыток дозвона не чаще чем каждые 4 часа. Задача — реактивация неактивных пользователей.
При подготовке к запуску мы прошли следующие этапы:
- подключили систему к базе, чтобы забирать номера, записывать звонки и получать аналитику по звонкам;
- превратили базовый скрипт в промт для большой языковой модели (у нас в качестве такой выступала GPT-4o);
- написали 20 возражений и способы их отработки;
- выбрали подходящий голос для синтеза речи;
- настроили фоновый шум как в офисе;
- настроили распознавание эмоций;
- настроили использование междометий AI-оператором как у настоящего человека;
- организовали телефонию, чтобы можно было звонить в несколько европейских стран, и выкупили номер, с которого будем звонить;
- провели несколько тестовых звонков с сотрудниками и внесли корректировку;
Вот один из тестовых звонков для примера:
Первый прогон на реальных пользователях выявил несколько проблем:
1. Большинство звонков попадают на автоответчик, но AI-оператор этого не понимает и продолжает общаться, расходуя бюджет впустую. Мы дополнили промт и запрограммировали систему так, чтобы оператор бросал трубку, если попадает на автоответчик.
2. Оценка успешности звонка тоже потребовала доработки. Мы добавили дополнительный модуль, который по завершении разговора анализирует транскрипцию и однозначно отвечает на вопрос, согласился ли пользователь получить промокод или нет.
Устранив недостатки, мы прозвонили все контакты.
Результаты
Нам удалось дозвониться до 42 % номеров, из них 10,4 % согласились получить промокод.
Средняя продолжительность звонка составила 37 секунд, а успешного — 118 секунд. В итоге CAC составил $7,21.
Из наших наблюдений: CAC мог бы быть ещё ниже, если бы мы не делали такого количества дозвонов.
Вывод: оптимально делать максимум три попытки дозвона, дальше вероятность того, что кто-то поднимет трубку, крайне мала.
Для сравнения
Клиент параллельно работал с традиционным колл-центром, и наша система показала себя лучше.
Вывод
Звонки считаются успешными, когда AI-оператор не только дозванивается до клиента, но и эффективно передаёт информацию, получая согласие клиента на дальнейшее действие — в нашем случае это получение промокода. Средняя конверсия из ответивших составила 10,4 %, что является самым высоким показателем среди всех отраслей, с которыми мы работали.
Такой высокий процент стал возможным благодаря новой архитектуре автоматизированных колл-центров, которые используют большие языковые модели для общения с пользователем, а не сценарии со сложными ветками. AI-оператор такого колл-центра умеет свободно общаться на любые темы и добиваться поставленного результата, аргументируя свою позицию и работая с возражениями. Синтез голоса происходит на лету и зачастую малоразличим от настоящего человека.
Если вы хотите попробовать такой AI-колл-центр для вашего бизнеса, напишите нам — проведём тестовые звонки.