{"id":13647,"url":"\/distributions\/13647\/click?bit=1&hash=d4d0a95481b2141f31252beb4d22220d0651449e9778f17c809993da8776f8b2","title":"\u0422\u0440\u0451\u0445\u0434\u043d\u0435\u0432\u043d\u044b\u0439 \u043a\u044d\u043c\u043f \u0434\u043b\u044f \u0442\u0435\u0445\u043d\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u0434\u0438\u0440\u0435\u043a\u0442\u043e\u0440\u043e\u0432 \u0432 \u0421\u043e\u0447\u0438","buttonText":"\u041f\u043e\u0434\u0440\u043e\u0431\u043d\u0435\u0435","imageUuid":"6ebca1ad-5b8a-5097-a45a-7d83eaa07fcc","isPaidAndBannersEnabled":false}
Machine learning
Voximplant

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.

Зачем нужна речевая аналитика

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:

  • субъективным и все равно неточным в силу человеческого фактора,
  • дорогим из-за ручной разметки,
  • долгим.

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.

Как устроена технология

Основная работа речевой аналитики состоит из нескольких этапов:

  • Распознавание речи. Система распознает слова, выделяя минимальные смыслоразличительные единицы языка – фонемы – и преобразуя речь в текст.
  • Аналитика на основе тегов. Транскрибированный текст система анализирует на основе тегов – специально отобранных категорий слов: слова-паразиты, ненормативная лексика, грубость, положительные отзывы и т.д.
  • Разделение звуковых дорожек. Каждый из участников разговора – клиент и оператор – записывается на отдельную звуковую дорожку. Система речевой аналитики отслеживает те моменты записи, где дорожки пересеклись (то есть оператор или клиент перебил собеседника) или прервались (то есть оба собеседника замолчали).

Как использовать речевую аналитику в бизнесе

  • Прогнозировать поведение клиентов. Анализ помогает менеджерам по продажам познакомиться поближе со своей аудиторией: определить пол, предпочтения, к какой день недели или даже час лучше позвонить и т.д. Например, в исследовании Calltouch говорится, что женщины предпочитают звонить в будние дни, тогда как активность мужчин поднимается ближе к концу недели. Результаты анализа по часам показал, что женщина скорее позвонит в начале дня, а мужчина – вечером. Речевая аналитика позволяет сделать подобные интересные выводы и применить их на практике для повышения уровня взаимодействия с клиентами.
  • Улучшать сценарии звонков. При помощи речевой аналитики можно определить точки диалога, где клиенты остаются неудовлетворенными или кладут трубку. Постепенно меняя скрипт и контролируя результаты, вы придете к своему идеальному сценарию.
  • Контролировать эффективность сотрудников. По заранее определенным ключевым словам, легко понять, остался ли клиент доволен разговором и насколько был эффективен сотрудник. Важно не только улучшать скрипт, но и следить, следуют ли ему менеджеры, приветливы ли они, компетентны ли в своей области.
  • Повышать лояльность клиентов. Технология позволяет определить, что клиенты думают о компании, какой товар сейчас пользуется спросом, а какой продукт или услугу следует добавить. Гибко реагируя на запросы аудитории, бизнес работает на рост ее лояльности.

Примеры и кейсы

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.

Выводы

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.

0
1 комментарий
Андрей Петушков

Сотрудники в отделе продаж изменились?

Ответить
Развернуть ветку
Читать все 1 комментарий
null