Как прокачать колл-центр с помощью нейросети

Этот кейс о том, как сеть медицинских центров научилась контролировать эффективность этой машины на 100% с помощью SalesAI.

Заказчик — сеть медицинских центров с филиалами в Москве, Санкт-Петербурге и Великом Новгороде. Подробности пока под NDA. Разработчик — SalesAI. Наш сервис понимает контекст разговора, оценивает диалоги операторов и выгружает аналитику руководителям.

Этот кейс не об энтерпрайз-клиенте с морем данных и кучей денег на эксперименты. Он о среднем бизнесе с data driven подходом, который считает деньги и требует от инвестиций стопроцентной окупаемости. Как мы получили ROI 328% уже на этапе пилота, читайте ниже.

Точка А

Личные отношения между операторами и супервайзерами мешают оценивать качество звонков, прослушиваются только 0,5% разговоров, разброс конверсии — от 10 до 20%.

Мы начали работу с медцентром в июле 2022 года. На тот момент у ребят было 80 операторов, которые принимали 40 000 звонков в месяц, и пять супервайзеров для контроля.

Скрипт оператора состоял из двух частей: регламентированной части и фреймворка. В регламенте прописаны конкретные вопросы: например, при записи на МРТ обязательно уточнить вес. Фреймворк состоял из этапов: собрать анамнез, проконсультировать, обработать возражения, рассказать о преимуществах оборудования... Конкретные формулировки зависели от контекста разговора и манеры общения оператора. Жесткие скрипты заказчик не использовал, потому что они снижали конверсию.

Чем больше первичных посещений клиники, тем больше медцентр продаст услуг с высокой маржинальностью.

Если мы увеличим количество посещений и продаж маржинальных услуг, прибыль начнёт расти нелинейно.

Конверсия из звонка в посещение зависит от оператора. Если оператор пройдет 10 этапов фреймворка, конверсия вырастет. При этом важно не превратить человека в машину, которая зачитывает вопросы по жесткому скрипту: человечность, раппорт, эмпатия — конкурентные преимущества медцентра.

Понять, как работают операторы. От SalesAI хотели получить анализ каждого разговора по 10, а затем по 20 параметрам. Звонок должен оцениваться внутри SalesAI и отдавать метаданные в DWH. Если оператор поздоровался по стандартам медцентра, но не собрал анамнез, значит первый этап фреймворка пройден на 1, а второй на ноль. Смысл сбора данных в том, чтобы видеть и исправлять ошибки сотрудника сразу после разговора или в конце дня.

С помощью контроля и обучения сократить ошибки. Если пациента записали не туда, тратится время врача. Например, аппарат МРТ, который может принять пациента с весом более 120 кг, всего один. Каждый раз, когда оператор забывает уточнить вес, расписание забивается нерелевантными заявками и тратиться время врача.

Сэкономить на контроле. Сократить время на прослушку звонков и не раздувать штат в отделе контроля качества.

Заложить фундамент. Создать минимальный продукт, на который наращиваются нужные фичи, например, онлайн-подсказки операторам во время разговора с клиентом или автозаполнение карточки в CRM по итогам созвона.

Глобальная цель проекта — влиять на конверсию, и не тратить деньги на неэффективную рекламу и дополнительных контроллеров.

Пилот

В пилотной версии ребята из медцентра хотели видеть, проходит ли операторы важные для конверсии 10 этапов.

На каждом этапе фреймворка операторы произносят похожие фразы. Чтобы SalesAI понимал эти фразы, мы присвоили им лейблы. Например, «Здравствуйте, вы позвонили в медцентр, меня зовут Артём», — это лейбл «Приветствие». «Записала вас на 22 ноября», — лейбл «Запись пациента». «У нас проходит акция <такая-то>», — лейбл «Промо». Задача лейблов — отследить, какие стадии забывает проходить оператор, и как это влияет на конверсию.

Размеченных данных для такой бизнес-задачи нет, поэтому разметку делали сами. Так мы разделили фразы оператора на 10 лейблов:

«Здравствуйте! Это сеть клиник…», SalesAI определил, что это лейбл «Приветствие».

Оператор задал обязательный вопрос на этапе сбора противопоказаний к записи на обычный аппарат МРТ, SalesAI определил лейбл «Противопоказания» с вероятностью 0,939.

В английском языке для расшифровки текста можно использовать язык регулярных выражений. Например, мы можем научить программу распознавать порядок слов в предложении или сказать: «Найди мне все предложения, которые начинаются на слово “записал”».

В нашем случае у этого подхода есть четыре минуса:

Учитывая все минусы, мы использовали методы обработки естественного языка и рекуррентные нейронные сети. В нашем случае — LSTM.

Коротко о том, как SalesAI понимает контекст. Допустим, оператор сказал о противопоказаниях: «Перед МРТ брюшной полости не ешьте ничего шесть часов, то есть с девяти утра». Чтобы понять эту фразу, SalesAI не просто ищет по ключевым словам, а запоминает и учитывает предыдущие фразы в разговоре.

Обычно, чтобы нейронка научилась точно определять лейблы, необходимо разметить тысячи звонков и скормить их нейронной сети. За счет использования новой технологии, для обучения первых 10 лейблов, нам хватило всего 100 хороших звонков.

В процессе разметки мы вынуждены были оценить качество работы штатных супервайзеров компании. Наши разметчики обратили внимание заказчика на несоответствие реальных лейблов оценкам в чек-листе. То есть, лейбла на самом деле в разговоре не было, а в чек-листе супервайзера он стоял. Когда ребята из МЦ раскрутили эту историю, оказалось, что между некоторыми супервизорами и операторами возникли неформальные отношения, в результате, по понятным причинам, им завышали оценки, которые влияют на мотивацию… Случайно нашли еще одно преимущества нейросетей перед человеком)

На разработку, обучение и отладку ушло два месяца. На тестирование - еще один. С нашей стороны на проекте работало 5-10 человек и со стороны заказчика — три.

Мы планируем развивать систему и дальше. В ближайших итерациях добавим подсказки для операторов в реальном времени и научим SalesAI определять настроение клиента. В общем, будем делать всё, чтобы увеличить конверсию и принимать решения на основе данных.

Получить тестовый доступ к SalesAI бесплатно: