Проанализировать 50 000 сделок, выявить best-practice по возражениям и увеличить конверсию КЭВ на 6%: внедрение ИИ в EdTech из топ-10 РФ
AI-помощник разгрузил отдел контроля качества, выявил критичные возражения клиентов со способами их отработки и сделал специальный дэшборд для отдела маркетинга, обновляющийся в реальном времени.
Кейсы /
AI-помощник для образовательной онлайн-платформа
B2С
B2В
онлайн-образование
amoCRM
Sipuni
UIS
Образовательная онлайн-платформа, ориентированная на проф-обучение и дополнительное образование. Более 1000 курсов и 7000 клиентов, среди которых АльфаБанк, ВкусВилл, МегаФон, МТС, Тинькофф и другие лидеры своих отраслей.
О клиенте
> 500+
выручки в год
млн руб.
в месяц
75 000
звонков
138 000
на
минут
10
в отделе контроля качества
специалистов
в отделе продаж
100+
менеджеров
Проблема: сложная квалификация клиента, сезонный найм и срочные задачи от маркетинга
Тысячи входящих заявок и сотни тысяч коммуникаций бросали нашему клиенту целый ряд вызовов.
Особенности продукта — курсы для взрослой аудитории — предполагают сложную квалификацию клиента, во время которой нужно докопаться до сути и определить конечную цель, зачем ему обучение. Поэтому контроль качества продаж особенно важен, т.к. у менеджеров всегда будут ошибки и зоны роста. При этом нужно не только их выявлять, но и затем грамотно определять вектор развития отдела продаж: чему именно учить сотрудника и с каким приоритетом.
Также имела место резкая смена нагрузки на отдел качества (ОКК): в пиковый сезон он переставал справляться, нужно было нанимать временный персонал и обучать его (что приводило к дополнительным затратам). С окончанием сезона в ОКК вновь оставались только штатные сотрудники, а через год ситуация повторялась.
И, наконец, периодически ОКК должен был отрабатывать запросы отдела маркетинга: например, качество лидов с нового канала трафика. В случае каждой маркетинговой гипотезы этапы квалификации клиента или презентации в диалоге менялись; чтобы сравнение диалогов по старой схеме и по новой было релевантным, ОКК нужно было отслушать все звонки и вручную отобрать только те, где новый скрипт был полностью соблюдён.
Сложности добавляло то, что запрос от маркетинга мог поступить в любой момент, без предупреждения, и требовал максимально оперативной проверки; при этом KPI по штатной проверке звонков никто не отменял. Эта ситуация была одной из главных причин выгорания сотрудников ОКК.
Внедрение
Условно все работы проекта разделились на несколько направлений.
Автоматизация рутинных действий в CRM.
Мы настроили речевую аналитику «bewise» и интегрировали нейроесеть в CRM, благодаря чему она сама указывает в сделке:
А всего, считая стандартные, мы подключили для анализа диалогов более 30 параметров оценки.
Это позволило автоматически обрабатывать 100% коммуникаций с клиентами и значительно разгрузило ОКК, который стал получать готовый отчёт с подсвеченными проблемами.
выявлена ли истинная потребность клиента, задал ли менеджер уточняющие вопросы, чтобы докопаться до глобальной цели («зачем человеку учиться?»)
резюмировал ли менеджер потребности клиента
озвучил ли менеджер УТП продукта (тарифа или профессии)
провёл ли менеджер презентацию продукта на языке выгод.
С одной стороны, это помогло разгрузить менеджеров продаж, с другой — обеспечило полную корректность информации в сделке (для некоторых полей была даже настроена коррекция со стороны нейросети: если менеджер указал информацию, которая расходится с данными речевой аналитики, «bewise» исправляет эту информацию в CRM).
Ретроспективный анализ возражений и их отработки.
Мы загрузили в нейросеть более 80 000 коммуникаций (звонков, переписок, метаданных по сделкам) по 50 000 сделок.
ИИ проанализировал их и выявил зависимости между возражениями клиентов и посещением ими вводного урока — получился список из пяти наиболее критичных возражений, при наличии которых клиенты чаще всего не доходят до КЭВ. Тогда нейросеть взяла все успешные сделки с возражениями, на их основе выявила менеджеров, которые стабильно преодолевали этот барьер, и сделала выжимку их лучших практик для остальных сотрудников.
тезисы диалога
признак целевого клиента (да/нет)
вопросы и возражения клиента
признак замыкания на вводный урок (да/нет) - ключевой этап воронки
наличие или отсутствие договорённости о дате и времени следующего контакта.
Анализ этапов квалификации клиента и презентации продукта.
В рамках проекта мы разработали ряд уникальных критериев, которые нейросеть анализировала в ходе речевой аналитики:
Автоматизация отчётов для маркетинга.
В рамках внедрения мы настроили «bewise» на кейс «тестирование гипотезы по новому УТП (уникальное торговое предложение)». Механика самой гипотезы простая: части клиентов курс презентуется с одним УТП, части клиентов — с другим. После нужно взять две когорты диалогов и сравнить, где конверсия больше.
Наша нейросеть определяет соблюдение каждого скрипта (и со старым УТП, и с новым), отбирает только качественные диалоги и на их основе делает готовый отчёт. Отчёт представляет собой дэшборд, обновляющийся в реальном времени и доступный сотрудникам маркетинга. Важно, что эта настройка может быть легко (в пределах двух рабочих дней) масштабирована под схожие запросы.
Результаты
6%
на
выросла конверсия на вводный урок
3
теперь хватает на все SLA
человека в ОКК
Высокий сезон – без найма
позволила проходить автоматизация
за минуту
с
по каждому звонку
до
50
рублей
8
быстрее
в
маркетинг и продуктологи стали получать отчёты по гипотезам
раз
5
рабочего времени
стали экономить менеджеры на заполнении CRM
30%
Хотите увеличить конверсию и при этом сократить затраты на персонал?
Напишите нам