Как мы внедрили ИИ-помощника в EdTech-компании из топ-10 РФ: разгрузили отдел контроля качества, помогли выявить критичные возражения клиентов и сделали специальный дэшборд для отдела маркетинга, обновляющийся в реальном времени.
Клиент: EdTech-платформа (под NDA)
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.
- 500+ млн руб. выручки в год
- 10 специалистов в отделе контроля качества
- 75 000 звонков на 138 000 минут в месяц
- 100+ менеджеров в отделе продаж
Проблемы: сложная квалификация клиента, сезонный найм и срочные задачи от маркетинга
Крупный бизнес с тысячами клиентов бросал 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.
~~~ ~~~ ~~~ ~~~ ~~~ ~~~ ~~~ ~~~
Больше кейсов, а также статей и обзоров нейросетей - в нашем Telegram-канале "мAIржинальность":
~~~ ~~~ ~~~ ~~~ ~~~ ~~~ ~~~ ~~~
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:
- 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.
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.
Анализ этапов квалификации клиента и презентации продукта.
В рамках проекта мы разработали ряд уникальных критериев, которые нейросеть анализировала в ходе речевой аналитики:
- 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.
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.
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
- на 6% выросла конверсия на КЭВ (вводный урок)
- Проходить высокий сезон без найма позволила автоматизация
- 30% рабочего времени стали экономить менеджеры на заполнении CRM
- 3 человека в ОКК теперь хватает на все SLA
- с 50 до 8 рублей за минуту сократилась стоимость специалиста ОКК
- в 5 раз быстрее маркетинг и продуктологи стали получать отчёты по гипотезам.