GPT в помощь: как правильная оценка звонков помогает улучшить результативность отдела продаж и при чем здесь ИИ

Еще 5-10 лет назад можно было продавать по скриптам. Это было просто внедрить, легче контролировать, кроме того, такой подход приносил результат. Сегодня этот алгоритм уже не работает. Потому что нет ничего хуже, чем когда настойчивые продавцы просто пытаются вам продать, продолжая говорить по заученному тексту. Кирилл Гуреев, продакт-менеджер проекта platferrum.ru ("Северсталь платформа"), рассказывает о том, почему сейчас намного важнее адаптироваться к разговору, слышать своего клиента, уметь задавать правильные вопросы, а не просто "тораторить" скрипт.

В век современных технологий стоимость привлечения лида постоянно растет, а значит каждый потерянный клиент, в результате плохого контакта, стоит все дороже и дороже.

С одной стороны, от сотрудников отделов продаж требуются все более серьезные навыки коммуникации при звонке, особенно во время первого контакта. С другой – стоимость каждого лида постоянно растет и доходит до 50-60 тысяч рублей в некоторых отраслях, например, в секторе недвижимости. В результате, всего несколько процентов плохих звонков могут привести к огромным финансовым потерям для компании.

Попытки внедрить оценку качества коммуникаций отдела продаж появились практически сразу, как только стали доступны аудиозаписи телефонного разговора. Но на рынке все еще нет компаний, которые бы оценивали 100% всех коммуникаций. Это просто невозможно и зачастую финансово неэффективно.

Чтобы отдел качества успевал перепроверять 100% коммуникаций вам потребуется примерно такое же количество сотрудников отдела качества, как сотрудников отдела продаж. Кроме того, в ручное последовательное прослушивание вмешивается еще и человеческий фактор – проверяющий субъективен и должен быть достаточно компетентен, чтобы проводить качественную оценку.

В итоге практически ни одна компания среднего и крупного бизнеса не применяет 100% оценку коммуникаций отдела продаж.

Внедрение ИИ в оценку звонков

Сегодня генеративный ИИ пытаются применять повсеместно. Но самое главное, что умеет LLM – это понимать человеческий язык.

Это позволяет использовать его в оценке коммуникаций той или иной компании со своими клиентами.

Как это реализуется технически:

Сначала нам нужно транскрибировать речь в текст. Для этого есть множество решений, одно из лучших – Google speech2text, который в том числе использует телеграмм для расшифровки аудиосообщений в своей платной подписке. После того, как мы превратили каждый звонок в текст – мы можем попросить одну из LLM его оценить. При этом удивительно то, что уже "из коробки", то есть даже если мы не зададим критерии по которым модель должна оценить звонок – мы уже получим весьма приемлемый результат.

Далее нам стоит доработать продукт, мы можем дополнить задачу, задав критерии оценки коммуникации, которые есть у каждого приличного отдела продаж. Это делается при помощи промтинга (процесса составления типовых заданий для chatGPT или другой LLM). На этом шаге у нас будет очень качественный результат с подробной оценкой и высокой степенью точности. Можно пойти еще дальше и дополнить процесс добавлением альтернативной LLM модели (например, Llama) для оценки результата работы первой.

Получается следующий алгоритм:

1. Перевести аудиозапись в текст
2. Попросить одну из LLM оценить звонок по заранее оптимизированным и протестированным промтам
3. После получения оценки – отправить текст звонка, а также критерии оценки и сам ответ от первой LLM во вторую и попросить перепроверить результат и улучшить его.

Это сложная, но крайне эффективная связка автономных агентов, которые автоматически обучаются друг об друга. А на выходе мы получаем систему, которая позволяет практически мгновенно проводить оценку звонка с точностью больше 90%.
Кроме того мы можем дополнительно собирать данные по каждому менеджеру, выявлять его типичные ошибки и акцентировать его внимание на наиболее слабых сторонах, которые ему надо подтянуть.

При этом сама система строится на некоторой скоринговой модели. То есть мы проверяем наличие тех или иных моментов в коммуникации и присваиваем каждому критерию шкалу баллов. ИИ проверяет по такому алгоритму наличие критерия и проставляет балл

Пример из жизни: как автоматизация анализа звонков помогает в продажах

Я довольно давно работаю с компанией Prime.ru – агентство элитной недвижимости с офисами в Москве, МО и Дубаи. Средняя стоимость одного потенциального клиента (лида) превышает 50 тысяч рублей. А средняя цена недвижимости 100 млн рублей. Клиенты крайне требовательные к качеству сервиса, а плохой разговор с ним – это и потеря огромных денег на рекламу, но что еще хуже – потеря репутации на рынке и потенциальной сделки на 100 миллионов рублей

Prime уже довольно давно занимается внедрением отдела качества, задача которого следить за результатами работы брокеров и вовремя реагировать на ошибки. А также отправлять специалистов на дополнительное обучение. В конце концов чем лучше брокер, тем больше зарабатывает и он сам и компания. Компания добилась больших успехов в процессе построения системы качества. Они создали гибкие системы оценки, чек-листы и критерии. Написали регламенты коммуникации, создали систему академию для брокеров и систему аттестации.

Но даже при такой огромной проделанной работе отдел качества успевал оценивать лишь 20-30% звонков.

Я предложил разработать продукт, который позволит интегрировать генеративный ИИ во всю цепочку коммуникаций. Разработка системы, ее тестирование и отладка заняли у меня и команды Prime чуть более полугода. С первого раза многое не получалось, пришлось провести больше 1000 экспериментов, разработать уникальные промты, протестировать различные модели. Но после внедрения системы полной аналитики и оценки звонков с использованием генеративного ИИ, под скоринг попадают все 100% звонков, а средняя конверсия в показ (когда брокер по итогам телефонного разговора с клиентом согласует встречу на объекте) увеличилась на 15% за два месяца. В объеме бизнеса это несколько десятков сделок в год или больше 1 млрд рублей дополнительных продаж.

Минусы GPT

Самый главный минус – ИИ ошибается. Иногда некорректно распознает саму запись, особенно если были посторонние шумы, например, клиент разговаривал на улице. Как любой алгоритм, он иногда работает слишком в "лоб" и все еще не способен оценить важные эмоциональные оттенки. В итоге может давать не объективную оценку.

Но не надо полагаться на ИИ полностью, в кейсе с Prime мы не отказались от отдела качества, а внедрили технологию оценки при помощи ИИ как дополнительную и встроили ее в процесс.

Сам продукт аналитики звонков дает предварительную оценку, позволяя как можно быстрее выявлять те коммуникации, которые требуют наибольшего влияния. Отделу качества, живым людям, достаточно обращать внимание лишь на те, где на взгляд LLM есть сомнения, перепроверять их и применять меры по исправлению, если это необходимо. Например, в нашем случае те звонки, которые получили оценки ниже 80 баллов из 100 и не привели к назначению показа (встречи)

Кажется, что уже сейчас ИИ-технологии в оценки коммуникаций становятся обязательным компонентом. Тот, кто не начнет их внедрять уже завтра будет проигрывать, поскольку такие технологии позволяют получить намного более эффективные результаты продаж и влиять на качество и производительность работы персонала намного быстрее.

И несмотря на то, что прикладное применение технологий пока что бывает с ошибками и требует аккуратного и итерационного подхода к внедрению и совершенствованию, в области аналитики коммуникаций она уже незаменима.