Как поручить обработку более 90% входящих звонков в транспортную компанию роботу?
Голосовой робот в call-центре
В компании отмечают повышение нагрузки входящим трафиком за счет роста клиентской базы и превышения оборота в 4 млрд. рублей за 2020 год.
Представители GTD рассказали о проекте внедрения Twin с целью дальнейшего масштабирования бизнеса и повышения качества обслуживания клиентов.
Результаты голосового бота
Twin начал работу с изучения бизнес-процессов для их дальнейшей оценки и улучшения качественных показателей.
На начальном этапе команда приняла решение о замене SMS на звонки от бота, что позволило снизить издержки — это трудоёмкий процесс разработки интеллектуального бота, тестирования всех его показателей на фокус-группах, обработки данных, внедрения в коммуникацию и контроля бота в дальнейшей работе. Интеграция с SAP клиента позволила внедрить различные виды уведомлений через разные каналы: push-уведомления, Viber, VK, Telegram.
Высокая отказоустойчивость позволяет обрабатывать голосовым ботом существенный объем входящего голосового трафика.
- Основное решение. Кейс помог снизить затраты call-центра транспортной компании GTD на 70% и увеличить конверсию «из звонка в заявку на доставку» на 5%. Также была решена проблема длительного ожидания на входящей линии — теперь оно составляет 1 секунду.
- Высокие результаты были достигнуты благодаря профессиональной команде разработчиков Twin. Реализован сложный кейс, который позволил закрыть ключевую проблему. Мы показали уникальные результаты: 0 пропущенных звонков, снижение затрат на оповещение клиентов на 70%, а также участие бота в 90% заявок.
Суть кейса — в снижении затрат call-центра транспортной компании GTD за счет автоматизации коммуникации с клиентами с помощью решения Twin.
Транспортная компания GTD обратилась к Twin по ряду причин:
- Нагрузка на операторов call-центра достигала 60% в пиковые моменты.
- Из-за отсутствия свободных операторов клиентам приходилось долго ожидать ответа на линии, это время могло достигать 40 минут.
- По оценкам компании на обработку заявок требовалось 400 новых сотрудников, обучение которых занимает длительный срок.