Как мы реализовали ИИ-помощника для школы Седы Каспаровой, который стал анализировать тысячи сделок в месяц и считать статистику по сегментам, возражениям и отказам.
Клиент: школа «Голос может»
Крупнейший в СНГ образовательный проект по построению голоса и речи. На YouTube школы подписаны 370 тыс. человек, на Telegram-канал - 175 тыс.
Автор курса Седа Каспарова - спикер TEDx, Skolkovo и Synergy Woman Forum.
- 20 000 студентов из 73 стран прошло курсы школы
- до 3000 студентов в одном потоке
- до 50 млн руб. - объём продаж одного потока
- 20 минут - средняя продолжительность звонка
- 30 менеджеров в отделе продаж
- 8 человек в отделе контроля качества продаж.
Проблемы: огромные объёмы информации, которые невозможно анализировать вручную и, как следствие, находить ошибки и инсайты
Общая аудитория Седы Каспаровой – более полумиллиона человек. Обучение в её школе проходит потоками, один поток – это десятки тысяч лидов за один-два месяца и до 4000 активных сделок.
Первая стандартная проблема, которая возникает при таких объёмах трафика – мониторинг качества продаж (соблюдение сценариев диалогов, ошибки, умение "дожимать" сделку, причины отказов). Когда счёт продолжительности звонков идёт на сотни часов в месяц, нужен не отдел контроля качества (ОКК), а маленькая армия.
Вторая проблема - аналитика аудитории и её обратной связи. Ручная фиксация всей информации в CRM (причина обращения и тип запроса, сегмент клиента и многое другое), будет отнимать у менеджеров огромное количество времени. Но эта информация нужна, при том не только руководству для контроля, но и маркетингу, который тестирует разные каналы и должен понимать, где есть "выхлоп", а где нет.
Также у школы была потребность вести статистику по показателю триггер покупки и получать полноценную аналитику по возражениям.
Триггер покупки - это момент диалога, после которого клиент принимает положительное решение приобрести курс. Триггеры требовалось определять и фиксировать в CRM. Одна из основных целей – понимание, принадлежит сделка менеджеру, или же клиент изначально пришёл настроенным на покупку.
Аналитика возражений - то, чего не хватало бизнесу для роста и увеличения конверсии продаж. Ранее анализ возражений сводился к предположениям типа «скорее всего, на ключевой этап воронки (КЭВ) влияет возражение "дорого"». Заказчику требовалась возможность видеть зависимости и выдвигать конкретные гипотезы, на какой именно показатель влияет то или иное возражение. Для этого нужна была гибкая фильтрация возражений: по менеджеру и по периоду.
~~~ ~~~ ~~~ ~~~ ~~~ ~~~ ~~~ ~~~
Больше кейсов, а также статей и обзоров нейросетей - в нашем Telegram-канале "мAIржинальность":
~~~ ~~~ ~~~ ~~~ ~~~ ~~~ ~~~ ~~~
До внедрения "bewise" Седа Каспарова пользовалась услугами аутсорсингового ОКК; попутно с улучшением всех процессов контроля и аналитики хотелось по возможности оптимизировать затраты на них.
Попытки автоматизировать процесс с помощью ИИ-решений были, но школу не устроил сервис прошлого подрядчика.
Внедрение
Главным вызовом проекта стала статистика по триггерам покупки. Чтобы определять триггер, мы обучили нейросеть 15 критериям, по которым каждую фразу диалога можно квалифицировать как содержащую сомнение либо согласие. Слушая и анализируя диалог, искусственный интеллект обращает внимание на момент, где после фразы с сомнением следует фраза с положительным утверждением о покупке. Эту первую фразу ИИ записывает в карточке сделки в CRM.
Следующей особенностью стала реализация статистики возражений, под которую мы сделали отдельный дэшборд.
Во-первых, мы вывели на него помесячную статистику в виде матрицы: количество возражений приводится отдельно по каждому сегменту клиентов (отметим, что методика сегментации в "Голос может" своя). Возражения клиентов, которые не были квалифицированы (т.е по которым сегмент неизвестен) выводятся в отдельном столбце.
Во-вторых, мы сделали своего рода журнал последних возражений: таблицу со списком, где для каждого возражения указаны дата, менеджер, тип (например, "необходимость времени на раздумья") и саммари возражения от нейросети (например: "Клиент сказал, что планирует пойти на курс в следующем потоке").
Вся эта информация сопровождается диаграммой-"пирогом" по типам возражений, которую можно смотреть в разрезе произвольного периода.
Для контроля качества продаж мы настроили несколько специфических параметров оценки. Так, нейросеть дополнительно оценивает критерий "образные средства": он отвечает за использование менеджером речевых оборотов, метафор, сравнений, крылатых выражений и цитат. Такой приём отлично помогает в продажах, где важен эмоциональный отклик клиента. И легче всего его добиться через речь, наполненную образами. Наш инструмент позволил легко определять менеджеров, использующих образные средства, смотреть, какие именно фразы и образы они используют, какая получается конверсия – и далее масштабировать эти фразы на весь отдел.
Другие кастомные параметры – рассказ о кейсах выпускников школы (с какой проблемой человек приходил и как её решил курсами), упоминания о бонусах и возможности рассрочки.
Стандартно ИИ также оценивает критерии приветствия, квалификации, отработки возражений, фиксации следующего шага и т.д. Итого "bewise" анализирует каждый диалог по 15 критериям. Отметим, что специфика школы – длинные звонки, которые могут продолжаться по 15-25 минут, и "bewise" отлично транскрибирует весь разговор и не путается в контекстах обсуждаемых тем.
Помимо анализа звонков, в ходе проекта мы также настроили заполнение нейросетью особо важных полей в CRM: сегмент клиента (согласно принятой в "Голос может" классификации), его сфера деятельности и причина отказа.
Результаты
- Ежедневная аналитика вместо отчёта раз в 2 недели
- в 6-7 раз снизилась стоимость аналитики за звонок
- 100% звонков попадают в оценку
- с 75% до 93% повысилось качество анализа звонков (по сравнению со сторонним ОКК).