От данных к инсайтам: как речевая аналитика повышает качество сервиса
Илья Грознов, руководитель клиентского сервиса «Честного знака»
Еще несколько лет назад контроль качества в большинстве контакт-центров строился по схожему принципу: специалисты прослушивали небольшую выборку звонков, анализировали ошибки операторов и формировали рекомендации для обучения. Такой подход работает, но всегда оставляет слепые зоны. Если под контроль попадает 5–10% диалогов, остается вопрос: что происходит в остальных 90–95% коммуникаций?
Когда объем обращений исчисляется тысячами в день, выборочный контроль перестает давать полную картину. Именно поэтому мы начали развивать речевую аналитику и постепенно пришли к модели, в которой искусственный интеллект анализирует 100% звонков, а собранные данные становятся инструментом для принятия управленческих решений.
Для решения этой задачи мы совместно с интегратором ITFB Group внедрили систему речевой аналитики на базе платформы BSS. Проект изначально рассматривался как инструмент повышения качества обслуживания и автоматизации контроля, однако впоследствии стал источником управленческих инсайтов, которые повлияли на эффективность всей службы поддержки.
Сегодня контактный центр «Честного знака» ежедневно обрабатывает около 11 тысячи обращений. Пользователями системы являются более 1,1 миллиона участников оборота товаров. Поддержка охватывает десятки товарных групп и требует одновременного учета технических, нормативных и отраслевых особенностей. В таких условиях качество сервиса невозможно обеспечивать только за счет ручного контроля.
Почему речевая аналитика оказалась важнее автоматизации звонков
Когда компании начинают внедрять ИИ в клиентский сервис, чаще всего внимание сосредоточено на чат-ботах и голосовых роботах. Мы тоже прошли этот путь. Сначала автоматизировали текстовые каналы, затем занялись голосом. Однако главный эффект оказался не там, где мы ожидали.
Изначально мы рассматривали голосовые технологии как инструмент автоматизации обработки обращений. Но после внедрения речевой аналитики стало понятно, что куда большую ценность представляют данные, которые раньше были практически недоступны.
ИИ позволил измерять параметры коммуникации, которые невозможно отслеживать вручную в масштабах крупного контакт-центра:
- темп речи оператора;
- слова-паразиты;
- бытовую форму общения;
- длительные паузы;
- случаи одновременного молчания клиента и оператора;
- соблюдение скриптов;
- уровень громкости речи;
- удержания клиента на линии.
Раньше мы проверяли эти показатели только выборочно. Теперь они доступны по каждому сотруднику и по каждому разговору. Именно здесь начинается переход от контроля к управлению.
Когда несколько секунд превращаются в миллионы рублей
На первый взгляд слова-паразиты или неправильный темп речи кажутся незначительными деталями. Но контакт-центр – это среда, где небольшие отклонения многократно масштабируются. Например, оператор может донести одну и ту же информацию за две секунды, а может за пять или шесть, если использует лишние слова и неструктурированную речь. В одном разговоре разница незаметна. В десятках тысяч звонков она начинает напрямую влиять на производительность.
Особенно интересные результаты мы получили после анализа темпа речи. Оказалось, что разброс между сотрудниками достигает 30–35%. Часть операторов говорила слишком медленно, что увеличивало продолжительность диалогов. Другие, наоборот, слишком быстро доносили информацию, из-за чего клиенты начинали переспрашивать и уточнять детали.
В результате и чрезмерно медленная, и чрезмерно быстрая речь приводили к одинаковому эффекту – увеличению времени обработки обращения и снижению качества клиентского опыта.
После появления объективных данных стало возможно не только фиксировать такие отклонения, но и отслеживать динамику изменений после обучения сотрудников.
По итогам проекта средняя длительность звонков сократилась, а качество речевых навыков операторов заметно выросло: доля диалогов со словами-паразитами снизилась в шесть раз, бытовая форма общения была практически исключена, а средний темп речи увеличился со 145 до 170 слов в минуту.
От выборочного контроля к анализу каждого разговора
До внедрения речевой аналитики контроль качества строился по классической модели. Проверялась лишь часть звонков, а оценка во многом зависела от человеческого фактора. После перехода на автоматический анализ ситуация изменилась принципиально.
Сегодня система анализирует 100% обращений. Вместо случайной выборки контролеры получают только те диалоги, где ИИ обнаружил отклонения или потенциальные проблемы. Вероятность обнаружения проблемных коммуникаций выросла с 2,5% до 100%.
В результате изменилась и роль специалистов по качеству. Они стали меньше заниматься рутинным прослушиванием записей и больше времени уделять анализу причин возникновения проблем и работе с сотрудниками.
Кроме того, существенно снизилось количество спорных ситуаций. Когда оператор получает обратную связь на основе конкретных данных, а не субъективной оценки, диалог становится намного конструктивнее. Фактически ИИ выступает независимым арбитром, который фиксирует факты, а не интерпретации.
Как мы научились предсказывать жалобы
Одним из самых неожиданных эффектов внедрения стала возможность работать с негативом до того, как он перерастет в официальную претензию.
Мы разработали механизм предиктивного анализа жалоб. Система в режиме реального времени определяет диалоги, после которых клиент, вероятнее всего, остался недоволен взаимодействием. Такие обращения автоматически попадают в службу рекламаций.
Сотрудники оперативно проверяют ситуацию и при необходимости связываются с клиентом, чтобы предоставить дополнительную информацию, исправить ошибку или урегулировать спорный вопрос. По сути, мы начали работать не с последствиями, а с предпосылками возникновения жалоб.
Результат оказался заметным: количество официально зарегистрированных жалоб сократилось на 35%. Это улучшило клиентский опыт и одновременно снизило нагрузку на сотрудников, которые занимаются разбором претензий.
Почему речевую аналитику нельзя внедрить «из коробки»
Одна из самых распространенных ошибок – ожидание, что система начнет приносить результат сразу после установки. На практике качество распознавания и аналитики напрямую зависит от настройки.
При выборе решения мы в первую очередь оценивали качество распознавания речи на реальных записях звонков. Вместе со специалистами ITFB Group мы протестировали несколько вариантов, используя живые диалоги клиентов с фоновыми шумами и отраслевой терминологией. В результате была выбрана платформа речевой аналитики BSS, показавшая наиболее высокую точность распознавания и возможности последующего дообучения моделей под специфику системы маркировки.
После запуска начался следующий этап – обучение моделей под специфику нашей предметной области. В клиентском сервисе «Честного знака» используется большое количество специализированных терминов, названий процессов и товарных групп. Ни одна система не знает их заранее. Поэтому внедрение речевой аналитики – это не разовый проект, а постоянная работа по развитию моделей, настройке метрик и поиску новых сценариев использования данных.
Более того, самые ценные кейсы часто появляются не на этапе проектирования, а уже после анализа накопленной информации. Так произошло и с предиктивным анализом жалоб. Изначально такой сценарий не был заложен в проект. Он появился как следствие изучения данных и поиска закономерностей.
ИИ как тренер для операторов
Еще одним направлением развития стала автоматизация обучения. На базе искусственного интеллекта мы создали тренажер, который использует реальные клиентские сценарии и моделирует различные типы собеседников – от агрессивных клиентов до тех, кто постоянно уточняет и переспрашивает информацию.
Новый сотрудник может тренироваться в безопасной среде, отрабатывать сложные коммуникационные ситуации и получать обратную связь еще до выхода на линию. Система фиксирует ошибки, оценивает качество речи, соблюдение сценариев и помогает быстрее адаптироваться к работе. Это позволило сократить сроки подготовки операторов и повысить качество обслуживания уже на этапе обучения.
Что важно помнить руководителям
Главный вывод, который мы сделали за время работы с искусственным интеллектом, заключается в том, что его ценность не ограничивается автоматизацией существующих процессов.
Когда компания начинает использовать ИИ только для того, чтобы быстрее выполнять прежние задачи, она получает лишь небольшую часть потенциального эффекта.
Настоящие возможности появляются тогда, когда технологии позволяют решать задачи, которые раньше вообще были невозможны.
Анализ 100% звонков, поиск скрытых закономерностей, прогнозирование жалоб, персонализированное развитие сотрудников, выявление факторов, влияющих на длительность разговоров, – все это примеры инсайтов, которые невозможно получить при традиционном подходе к управлению контакт-центром. Речевая аналитика в этом смысле становится не инструментом контроля, а системой поддержки управленческих решений.
Чем больше данных получает организация, тем меньше она опирается на предположения и тем чаще принимает решения на основе фактов. Именно в этом, на мой взгляд, заключается главный эффект перехода от данных к инсайтам.
