От анализа метрик до проверки гипотез — 4 кейса эффективности речевой аналитики

Эксперты BSS и ITFB Group обсудили актуальные функции речевой аналитики в том числе инструменты, которые позволяют искать инсайты. Они помогают проверять маркетинговые и продуктовые гипотезы и улучшать бизнес-процессы. В фокусе дискуссии — реальные кейсы из госсектора, ритейла, телемагазинов и логистических компаний.

Компании BSS и ITFB Group провели вебинар, посвященный актуальному функционалу речевой аналитики. Эксперты представили кейсы из разных отраслей и показали, что возможности речевой аналитики не ограничиваются потребностями контакт-центра. В качестве спикеров выступили представители BSS, ITFB Group и системы «Честный знак».

Обычно речевая аналитика используется для контроля качества обслуживания в контакт-центре и соблюдения скриптов. Диалоги с клиентами анализируются на наличие слов-паразитов, конфликтогенных фраз, отклонений от сценария. Кроме того, рассчитываются ключевые метрики обслуживания – AHT, FCR, Claim Rate, CSI и др. По мнению Дарьи Громовой, ведущего аналитика по контактным центрам BSS, компаниям не стоит ограничиваться лишь проверкой соблюдения стандартов обслуживания — речевая аналитика дает больше возможностей:

 «С помощью речевой аналитики мы проверили диалоги одной крупной государственной структуры. Контакт-центр фиксировал высокое количество повторных звонков и низкие оценки удовлетворенности. При этом операторы четко следовали регламентам. Оказалось, что скрипт был избыточно формализован и плохо воспринимался на слух. В результате пользователи не понимали, что от них требуется, и перезванивали. Выявленный инсайт привел к пересмотру логики общения и упрощению формулировок».

Речевая аналитика помогает выявить скрытые проблемы клиентского пути, недоступные традиционному контролю качества. Одна компания обзванивала партнеров и предлагала скидки. Операторы строго следовали скриптам, что при формальной оценке выглядело успешно. Однако речевая аналитика выявила ключевую проблему: сотрудники часто обещали «дополнительно максимальную скидку», создавая у клиентов ложные ожидания. При повторных звонках клиенты требовали скидку, а операторы говорили, что цены зафиксированы. Кроме того, клиентам нужно было найти в интернете более выгодные цены и прислать скриншот на e-mail, чтобы получить скидку. Это вызывало раздражение и отток клиентов.

Поскольку формальный анализ не рассматривает внешние факторы, то могут быть пропущены технические проблемы, влияющие на расчет метрик. Так одна логистическая компания после завершения звонка просила клиентов оценить консультацию. Однако система получала крайне мало валидных оценок. В ходе анализа было выявлено, что клиенты произносили оценку, тогда как система ожидала нажатия на клавишу.

Речевая аналитика может помочь не только улучшить CSI, но и увеличить выручку. В рамках проекта с телемагазином, проанализировав несколько сотен диалогов, BSS выявила, что почти в 60% случаев операторы не делали попыток допродажи. А в тех случаях, когда допродажа предлагалась, в 43% она была нерелевантна — например, предлагались случайные товары, а не сопутствующие с исходной покупкой.

Успешными кейсами поделился и Никита Лаухин, руководитель группы контроля качества клиентского сервиса в системе «Честного знака», контакт-центр которой ежедневно обрабатывает до 6 тысяч обращений при SLA выше 99%. Благодаря автоматизации компания контролирует 100% диалогов. Внедрение речевой аналитики в системе «Честный знак» стало частью масштабного проекта ITFB Group и BSS.

 «Помимо классического анализа диалогов наша команда перешла к проверке гипотез с помощью генеративных моделей. Благодаря LLM-анализу разговоров удалось выявить, почему наши клиенты не получали email-письма после звонка. Оказалось, что некоторые почтовые домены блокируют наши отправки. После этого в скрипт операторов был добавлен шаг проверки доступности почты», — поделился Никита Лаухин.

Также спикер рассказал, как команде удалось снизить количество повторных обращений:

«Генерация типовых ответов и статей на основе анализа тематики звонков. Модель суммировала обращения, выделяла ключевые вопросы и на их основе формировала предложения по публикациям в разделе FAQ».

На вебинаре Анна Ивлева, Product Owner системы Речевая аналитика, представила два режима работы LLM в системе речевой аналитики BSS. Первый — «Агент-исследователь» — позволяет быстро проанализировать выборку из нескольких сотен обращений, выявить тренды, инсайты, слабые места в скриптах. Второй — «Агент-сканер» — работает точечно, анализируя каждый диалог и решая самые разные задачи: от формирования ответов на сложные вопросы до рекомендаций (например, для контролеров качества), которые можно использовать при оценивании диалогов. Такие инструменты значительно ускоряют проверку гипотез и позволяют переходить от наблюдений к действиям.

 «Благодаря развитию технологий и интеграции генеративных моделей, речевая аналитика становится всё более точной, гибкой и полезной как для контакт-центров, так и для продуктовых и маркетинговых команд. Данные из реальных диалогов становятся источником изменений, а не отчётностью по SLA», — резюмировала Анна Ивлева.