Девелопмент
B2C
Реанимация сделок
Девелопмент — сфера повышенных рисков. Всего одна ошибка менеджера, который неправильно обработал заявку (случайно закрыл сделку/не перезвонил/неверно квалифицировал), ведёт к потере миллионов рублей. Благо, с приходом искусственного интеллекта (ИИ) у бизнеса появилась возможность застраховать себя от подобных человеческих промахов.
Рассказываем, как, внедрив в кабинет amoCRM виджет ChatGPT-4, мы настроили автоматическую расшифровку звонков, определение целевых клиентов и почти мгновенное сообщение РОПу в случае менеджерской ошибки.
кейс крупного девелопера
Как ChatGTP-4 выявляет целевых клиентов и страхует менеджеров от ошибок
Кейсы /
Как ChatGTP-4 выявляет целевых клиентов и страхует менеджеров от ошибок
Крупный девелопер
на рынке премиальной недвижимости
> 50
инвестиционных проектов в роли генерального подрядчика
> 30
О клиенте
отраслевых наград
10 лет
В штате
250 чел.
инженерный состав
7 чел.
менеджеры отдела продаж
Проблема: привлечение клиента стоит слишком дорого
Наш клиент тратил достаточно большие средства на рекламу, стоимость привлечения одного клиента доходила до 15000 рублей. Возникли подозрения, что есть определённые потери при обработке новых клиентов.
Впрочем, даже когда такие звонки удавалось найти, клиент к этому времени был безвозвратно утерян.
Плотно контролировать обзвоны руководитель отдела продаж не мог: его времени хватало на прослушку 5−7% случайно выбранных разговоров. Вероятность, что в эту крохотную выборку попадёт неверно отработанный лид, была минимальна.
Плотно контролировать обзвоны руководитель отдела продаж не мог: его времени хватало на прослушку 5−7% случайно выбранных разговоров. Вероятность, что в эту крохотную выборку попадёт неверно отработанный лид, была минимальна.
При этом между данными двух отделов — маркетинга и продаж — наблюдалось несоответствие: маркетинг привлекал приемлемое число целевых лидов, но у отдела продаж эта цифра уже была в несколько раз ниже.
Продажники объясняли разницу тем, что лиды зачастую оказывались нецелевыми. Доказать или опровергнуть это предположение было проблематично: статистика считалась один раз в месяц, найти в общей массе отдельные записи разговоров с «тем самым» клиентом спустя одну-две-три недели было нереально.
Продажники объясняли разницу тем, что лиды зачастую оказывались нецелевыми. Доказать или опровергнуть это предположение было проблематично: статистика считалась один раз в месяц, найти в общей массе отдельные записи разговоров с «тем самым» клиентом спустя одну-две-три недели было нереально.
Внедряя решение с ChatGPT, мы поставили цель: выявлять ошибки менеджеров за 10 минут.
Реализация
Для того, чтобы система работала, нам нужно было научить ИИ определять два показателя сделок:
— сделка с квалифицированным лидом,
— сделка закрыта ошибочно.
Для этого мы совместно с клиентом разработали промпты, ориентируясь на такие вопросы:
— клиента устраивает срока сдачи объекта?
— клиента удовлетворяет расположение объекта?
— у клиента уже есть бюджет в размере 30% от стоимости квартиры?
Если ответ на все три вопроса был "да", сделка считалась целевой.
— сделка с квалифицированным лидом,
— сделка закрыта ошибочно.
Для этого мы совместно с клиентом разработали промпты, ориентируясь на такие вопросы:
— клиента устраивает срока сдачи объекта?
— клиента удовлетворяет расположение объекта?
— у клиента уже есть бюджет в размере 30% от стоимости квартиры?
Если ответ на все три вопроса был "да", сделка считалась целевой.
— ответил ли на все возражения?
— презентовал ли менеджер преимущества объекта?
— выяснил ли менеджер бюджет клиента и способы оплаты?
— рассказал ли менеджер про акции и специальные предложения?
— была ли сформирована договорённость о дальнейших шагах (созвон, визит в офис, сообщение в мессенджер)?
— попрощался ли менеджер с клиентом?
Этот список позволил собирать данные по всем звонкам в сводную таблицу. Таблица, в свою очередь, формировалась в разбивке по менеджерам по системе CQR. Это дало возможность РОПу наглядно видеть ошибки в звонках и оперативно их корректировать.
А чтобы руководитель ничего не пропустил, мы донастроили и саму amoCRM: если звонок определялся как целевой, то сделка в amoCRM автоматически получала соответствующий тег. Если менеджер по продажам закрывал сделку с таким тегом, то руководителю автоматически отправлялось сообщение, и работу над ошибками можно было проводить прямо по горячим следам.
— презентовал ли менеджер преимущества объекта?
— выяснил ли менеджер бюджет клиента и способы оплаты?
— рассказал ли менеджер про акции и специальные предложения?
— была ли сформирована договорённость о дальнейших шагах (созвон, визит в офис, сообщение в мессенджер)?
— попрощался ли менеджер с клиентом?
Этот список позволил собирать данные по всем звонкам в сводную таблицу. Таблица, в свою очередь, формировалась в разбивке по менеджерам по системе CQR. Это дало возможность РОПу наглядно видеть ошибки в звонках и оперативно их корректировать.
А чтобы руководитель ничего не пропустил, мы донастроили и саму amoCRM: если звонок определялся как целевой, то сделка в amoCRM автоматически получала соответствующий тег. Если менеджер по продажам закрывал сделку с таким тегом, то руководителю автоматически отправлялось сообщение, и работу над ошибками можно было проводить прямо по горячим следам.
Но после дополнительного анализа мы поняли, что квалифицировать саму сделку мало — нужно также отслеживать, насколько хорошо и грамотно её отработал менеджер.
Поэтому мы существенно расширили список вопросов:
— менеджер приветствовал клиента согласно скрипту?
— обращался ли менеджер к клиенту по имени?
— проявлял ли менеджер инициативу в разговоре?
Поэтому мы существенно расширили список вопросов:
— менеджер приветствовал клиента согласно скрипту?
— обращался ли менеджер к клиенту по имени?
— проявлял ли менеджер инициативу в разговоре?
Результаты
При этом:
— отпала необходимость в «ручной» прослушке звонков,
— клиент получил наглядный инструмент по контролю качества продаж.
Достаточно открыть таблицу и увидеть, например, что у менеджера Игоря слабо прокачана инициативность в разговорах,
— время определения ошибки снизилось с одного месяца до нескольких минут.
— отпала необходимость в «ручной» прослушке звонков,
— клиент получил наглядный инструмент по контролю качества продаж.
Достаточно открыть таблицу и увидеть, например, что у менеджера Игоря слабо прокачана инициативность в разговорах,
— время определения ошибки снизилось с одного месяца до нескольких минут.
Отметим, что внедрение ИИ было опробовано только на исходящих звонках по заявкам с одного из сайтов клиента. Масштабирование решения на все звонки по заявкам со всех каналов может дополнительно увеличить оборот клиента ещё на 1 млрд рублей в год. И мы уже работаем над этим ;-)
за полтора месяца мы проанализировали
95%
16% - 45 млн. ₽
достигла точность расшифровки звонков
16% закрытых сделок классифицированы как ошибочно закрытые и возвращены в воронку продаж, это принесло 45 млн рублей
> 300
звонков
Тоже хотите застраховать себя от ошибок менеджеров?
Напишите нам