Коммерческий департамент нашего клиента очень многочисленный: три подразделения (полухолодный обзвон, КЦ, продажи) общим составом в 150 человек. Все они генерируют в месяц порядка 10 000 звонков и под 30 000 минут видеовстреч. Естественно, полноценный контроль таких объёмов четырём сотрудникам отдела контроля качества (ОКК) просто не под силу.

Поэтому весь комплексный процесс продаж (обработка и квалификация лида, назначение встречи, презентация и дожим) для руководства был непрозрачным.
Конверсию в ключевой этап воронки (КЭВ) хотелось поднять, но было непонятно, где спрятались «бутылочные горлышки», чтобы их расширить: руководство не понимало, где именно нужны изменения и соответственно, какие.
Также было непонятно, какой объём сделок в таком потоке менеджеры не дорабатывают и бросают (либо формально закрывают отказом). Хотелось от этого подстраховаться.

При этом ОКК и средний менеджмент департамента и так были загружены и просили расширить штат супервайзеров. Требовать от них чего-то бОльшего было нереалистично.
В попытках решить проблему компания прибегла к IT-решению, которое транскрибировало телефонные диалоги. Но оказалось, что самой по себе транскрибации недостаточно — это никак не оптимизировало и не автоматизировало процесс контроля продаж. А чтобы обрабатывать огромные объёмы коммуникаций, без автоматизации было не обойтись. Так компания решила попробовать «bewise».

Технически проект имел две базовые особенности, которые влияли на всёа остальное.
Во-первых, мы впервые столкнулись с настолько большим объёмом звонков — он потребовал масштабировать «bewise» по части отказоустойчивости, чтобы в нейросеть попадали все разговоры. Фактически, эта доработка стала level-up'ом нашего продукта.
Во-вторых, наше решение было адаптировано под двухуровневую сегментацию клиентов: у клиента все они делятся на четыре основных вида, каждый из которых дополнительно разбивается на множество подсегментов.
Далее мы приступили собственно к решению задач бизнеса.

Чтобы ИИ автоматизировал деятельность супервайзера продаж и сам мог оценивать звонки, его требуется обучить набору критериев и научить определять, что считается выполнением каждого критерия, а что — нет.

Ниже остановимся на двух самых интересных критериях.

Первый имел кодовое название «вопрос-ответ-вопрос-ответ». Это логическая формула, по которой должен протекать диалог: клиент задаёт некий вопрос, и менеджер отвечает только на тему этого вопроса; если менеджер по ходу ответа сразу переходит к следующей фиче платформы или смежному функционалу, то критерий считается невыполненным. Смысл в том, чтобы менеджеры не «наваливали» информацию и не перегружали клиента её объёмом, отвечая строго на вопрос клиента. Чтобы научить нейросеть отслеживать такую логику диалога и правильно ставить за неё оценку, нам понадобилось немало семь итераций.

Второй необычный критерий получил условное название «не умничать». Он вытекал из специфики нашего клиента, к которому обращаются продавцы самых разных товаров из подчас непредсказуемых сегментов. Иногда у менеджера может сложиться предвзятое отношение к бизнесу продавца, иногда действительно сам торговец может неправильно что-то делать, но в любом случае задача менеджера — помочь разобраться с платформой аналитики, но ни в коем случае не обсуждать и не комментировать сам бизнес, и не давать советы. К сожалению, не все сотрудники сдерживаются; бывают и случаи, когда формально менеджер не выражает отношения прямо, но в его интонации сквозит скепсис.
Распознавать все эти вещи мы и научили нейросеть (чему во многом помогли штатные возможности ChatGPT, прекрасно умеющей (в отличие от речевой аналитики) понимать контекст и смысл диалога).

Следующим блоком работ стали автоматические дэшборды, на которые выводятся оценки менеджеров, журналы звонков и различная статистика. Дэшборды обновляются в реальном времени и визуализируют информацию: чтобы увидеть картину по тому или иному показателю, достаточно просто выставить нужные фильтры (например, период времени или менеджера). Дэшборды, с одной стороны, демонстрируют оперативную картину без задержек; а с другой — экономят супервайзерам время и силы, которые не нужно тратить на ручное составление отчётов.

В рамках проекта мы сделали солидный набор дэшбордов, который включил:

Касательно слитых сделок отметим, что все они не просто фиксируются на дэшбордах, а автоматически возвращаются в работу, повторно падая на распределение. В каждой слитой сделке нейросеть пишет комментарий, что ей кажется подозрительным.

И ещё одним блоком работ стала настройка автозаполнения CRM. Нейросеть, распознавая диалог, после этого сама вносит информацию в десятки полей в сделке, значительно экономя время менеджеров.