Делаем своего бота на базе ИИ, или как мы перестали сливать 30% лидов ежемесячно на декоративных брусках

Всем привет! На связи Антон из «Савви».

Пришло время поделиться очень крутым кейсом, который будет полезен всем, кто так или иначе связан с продажами. И тем более тем, у кого есть с ними проблемы.

Я расскажу, как мы увеличили ежемесячную выручку клиента на более чем 2 млн. ₽ с помощью искусственного интеллекта.

Полгода назад мы запустили стартап — бота для бизнеса на базе ИИ. Он позволяет обрабатывать входящие обращения клиентов на уровне не хуже человека.

Тогда же мы начали работу с ближним кругом предпринимателей и одним из первых клиентов стала компания БрусДекор. Ребята занимаются производством декоративных перегородок из бруса, а также продажей различного декора для стен и потолков.

Как в любом B2C-бизнесе не сильно большого размера — тут были проблемы с продажами. А конкретно — с обработкой входящих лидов. Лиды были, но, со слов руководителя, менеджеры могли обрабатывать обращения неоперативно или вовсе «забивать» на них. Если диалог с потенциальным клиентом всё-таки удавалось подхватить вовремя, то он мог растянуться на неопределенное количество времени. В итоге клиент просто уходил. Такой классический "перелидоз". И таких упущенных лидов было не меньше 30%. Учитывая средний чек в 80 000₽ и около 600 лидов в месяц, мы получаем 180 упущенных лидов ежемесячно. ❗Или около 2 млн. ₽ недополученной выручки.

Казалось бы, проблема решается двумя простыми способами:

1. Правильной мотивацией менеджеров.

2. Правильными регламентами работы.

При анализе оказалось, что у клиента всё это вроде как есть. Но почему проблемы никуда не исчезают?

Ответ прост: человеческий фактор, плюс отсутствие кадрового резерва.

Менеджерам элементарно не хватало времени: то звонки, то другие задачи… Также они грешили субъективным разделением клиентов на хороших и плохих: менеджер мог заранее «забить» на неинтересного, как ему кажется, клиента.

Руководитель компании — довольно прогрессивный парень, старается внедрять всевозможные повышающие эффективность инструменты, поэтому решил опробовать нашего бота.

Ниже показываю, что из этого вышло⬇

Нашей целью было сократить время обработки лида и по максимуму не терять обращения.

Как я уже сказал, мы делаем бота на базе искусственного интеллекта, который позволяет автоматизировать процесс общения с клиентом. Особенно на первой стадии, когда клиент хочет выяснить интересующие его вопросы, а наша задача — предоставить качественную консультацию и расположить его к покупке.

Сейчас существуют различные похожие проекты, но особенность нашего бота в двух вещах, которым мы уделяем максимальное внимание:

1. Максимальная точность ответов

Важнейший, на наш взгляд, фактор. Он означает, что бот должен иметь минимальную погрешность при ответах и отвечать максимально точно на тот вопрос, который задаёт клиент.

Реализация такого проекта — сложная задача, т. к. у ребят из БрусДекор довольно большой ассортимент продукции, а главное — у каждой позиции имеются свои дополнительные услуги. Например, только видов монтажа разных изделий у компании более 10 штук.

Почему это было проблемой? Поскольку под капотом нашего бота — ChatGPT. На самом старте мы использовали распространённую открытую библиотеку LlamaIndex, которая позволяет использовать текстовые файлы для обучения бота на клиентской базе знаний.

Это неплохой способ для решения каких-то несложных задач, где нужен простенький ИИ, но для задачи, когда требуется высокая точность ответов, такое не подходит. Этот метод приводит к такой ситуации:

И вот тут начиналась ерунда. Бот мог дать неправильный ответ. Поскольку LlamaIndex работает на так называемых эмбеддингах — по факту размечает текст по ключевым словам — то, учитывая, что в 10 разных вариациях монтажа слово «монтаж» встречалось довольно часто, бот мог пойти по следующему пути:

— либо объединить несколько разных монтажей в один ответ;

— либо дать неверный ответ, т. е. монтаж для другого изделия.

У использования LlamaIndex есть ещё один большой минус — непрогнозируемость ответов. Бот может дать один раз полный правильный ответ, а в другой раз — совсем другой, не тот, который ожидаем мы как компания.

Мы поняли, что для нас это схема не сработает и начали искать другие способы работы с базой знаний клиента.

Ещё один вариант работы с базой знаний — так называемый Fine-Tuning или точная настройка и программирование ChatGPT на базу клиента. Рабочий вариант, но нам хотелось как-то проще.

Fine-Tuning предполагает довольно непростой вариант подготовки примеров для обучения (их должно быть много). А на их подготовку уйдёт некоторое время, как и на сам процесс «обучения» нейронки. В реальной же жизни бывает так, что приходится менять некоторые сценарии, скрипты ответов и пр.

Поэтому мы искали какое-то изящное простое решение, которое даст пользователю возможность в дальнейшем самостоятельно пополнять базу знаний без дополнительных сложностей.

Мы такое решение нашли. Искали долго. Много пробовали. Тестировали.

Пришлось использовать некоторые встроенные функции самого ChatGPT в паре с двумя дополнительными нейронками. Само решение оказалось сложнее технически, но проще с точки зрения пользовательского опыта.

В результате мы добились максимальной точности ответов. Чуть похже вы увидите, как мы это поняли.

Теперь про вторую главную вещь, на которой мы фокусируемся.

2. Максимальная мимикрия под человека

Т.е. бот должен отвечать и вести себя как человек.

Зачем это нужно?

Дело в том, что люди привыкли, что если отвечает бот, то они сразу зовут оператора. Так сложилось, что качество обычных ботов не сильно высокое, они редко могут ответить на нужные вопросы, особенно в контексте полноценного диалога.

Особенность ИИ ботов в том, что они хорошо понимают контекст и могут давать более качественные ответы. Иногда даже более качественные, чем это делают живые люди. А поскольку недоверие к ботам уже сформировано, то на текущем этапе, пока нет регуляторных ограничений, мы решили, что проще людям просто не показывать, что с ними общается бот.

Для этого нужно, чтобы у клиента не было диссонанса и чтобы бот отвечал хорошо.

Эту задачу мы решали с помощью различных дополнительных инструментов — искусственных пауз в диалоге, объединении сообщений, досылке сообщений, разбивке сообщений на несколько штук и т. д.

У нас получилось выстроить довольно большой инструментарий, позволяющий качественно имитировать поведение человека, что, в свою очередь, убирает барьер в общении с ботом и не вызывает у клиентов отторжения.

Благодаря этому подходу нам удалось создать ситуацию, в которой клиенты вообще не понимают, что это бот.

Если говорить в цифрах, то:

1. У клиента существуют различные каналы коммуникации, откуда приходят лиды — WhatsApp, Telegram, Avito, VK и т. д.

Все каналы связаны с amoCRM и все лиды приходят в виде сделок в amoCRM.

2. У клиента около 60 файлов в базе знаний или типовых шаблонов ответов.

3. Выставлена задержка в 30 секунд при ответе для имитации поведения человека и для объединения входящих сообщений, когда клиент присылает одну мысль разными сообщениями.

4. Установлена возможность обработки голосовых сообщений.

5. Настроен калькулятор расчёта стоимости, а также сценарии и оповещения, когда бот передает диалог менеджеру.

Ниже реальные примеры диалогов с ботом:

Ответы бота могут показаться довольно объемными, но таковы шаблоны ответов у клиента, менеджеры отвечают так же.

Больше примеров разных кейсов работы бота есть на YouTube-канале.

Мы провели интеграцию Савви с amoCRM и встроили его в бизнес-процессы компании.

Бот отвечает в статусе «Неразобранное». А в случае, если нужно перевести диалог на менеджера, сделка:

— либо переходит автоматически в статус «Ожидает оператора» при срабатывании конкретного ответа от бота;

— либо передаётся менеджеру, если он сам хочет забрать сделку у бота и продолжить диалог.

На дату написания статьи клиент работает с ботом порядка 4 месяцев.

Поскольку мы полностью исключили потерю лидов, которая составляла около 30% от общего объёма, мы получаем следующие расчёты:

1. Лидов сохранено — 180 штук в месяц.

2. Средний чек — 80 000₽.

3. Конверсия от тех, с кем начали диалог — около 15%.

Итого: 150 × 15% × 80 000₽ = 2 160 000 ₽.

Цифры примерные, отличаются от месяца к месяцу.

Надо отметить, что параллельно с внедрением Савви клиент так же добавил различные регламенты и штрафы сотрудников, поэтому общий результат был достигнут не только за счет использования бота, а в комплексе.

Текущим результатом клиент очень доволен, поскольку теперь ему не нужно нанимать дополнительных сотрудников. Бот обходится дешевле в пять и более раз, плюс - отсутствуют зарплатные налоги, обеды, праздники и выходные. Что было удивительно:

Сотрудники — менеджеры по продажам — поначалу восприняли внедрение с недоверием и опаской (а вдруг нас уволят?), но с течением времени поняли, что бот не лишает их работы. Напротив, он становится незаменимым помощником, поскольку у самих работников, помимо рутинных консультаций и подведения клиента к сделке, есть процесс координации сделки — формирование документов, работа с поставщиками, курирование сделки и пр.

Нам же, как компании, приятно получать такой фидбек, который для нас самих, если честно, каждый раз неожиданный.

Т.е. мы получаем показатели выше, чем мы сами ожидали получить, а это очень круто.

Спасибо тем, кто дочитал🤗

Подпишитесь на наш канал в Telegram по проекту и следите за новостями.

Дайте обратную связь в комментариях⬇