Контролировать звонки и понимать клиентов: как B2B компании используют ИИ

Письма на текущий момент с помощью ИИ мы не проверяем. Здесь есть проблема — непонятно, где начало и конец цепочки. Есть переписки из двух писем, а есть из 102. Проверять каждое письмо отдельно не всегда имеет смысл. Например, если ответ — просто «Да, окей», стоит ли анализировать весь контекст? В принципе, можно, но тогда нужно либо объединять всю цепочку в одно целое, либо использовать триггеры.

Со звонками мы сейчас как раз дорабатываем логику, когда создается клиентский профиль и в нем фиксируются все обращения, входящие и исходящие звонки. Основная идея — собирать историю взаимодействий с клиентом и реагировать на важные сигналы. Например, если поступает звонок с тегом «отказ», система автоматически поднимает все звонки этого клиента за последние 30 дней и анализирует, как развивалось общение. А сейчас каждый звонок ИИ анализирует отдельно, что не всегда удобно.

К нам как раз пришли клиенты из сферы недвижимости, и там именно такая логика: РОП садится раз в месяц, открывает свою CRM-ку и смотрит отказы — какая по ним была коммуникация. РОП просто вбивает номер телефона и ищет. Прорабатывает по 50–100 отказов и делает какие-то выводы для себя.

Мы же автоматизируем этот процесс — система будет анализировать звонки в реальном времени, сразу после каждого отказа, а не в конце месяца. С технической точки зрения сложностей здесь нет, вопрос только в разработке.

Логика простая. Каждый год у нас большие планы по росту выручки и прибыли всех направлений. Мы анализируем, какие метрики можно подкрутить. В продажах это конверсия из звонка в договоренность о встрече. Чтобы понять, где есть проблемы — правильно квалифицировали клиента или нет, услышали его потребность или пропустили мимо ушей, как отработали возражения, — нужно слушать звонки. Так мы повышаем качество работы и оцениваем, есть ли у нас вообще точки роста.

Недавно слушал на одном мероприятии Илью Балахнина, управляющего партнера Paper Planes Consulting Agency. Он объяснял, что бизнес не может просто так расти на 200% год к году — во-первых, может не быть емкости рынка, во-вторых, есть технические ограничения. Например, мы анализируем звонки и понимаем: менеджеры работают идеально, отрабатывают все как надо. Конверсию на этом этапе уже не повысишь. Тогда разбираем всю воронку — видим, что тут можно прибавить 5%, а здесь — еще 5%. В итоге можно вырасти на 30%, но равномерно распределить рост на всех этапах не получится. Чтобы принимать такие решения не вслепую, а на основе данных, нужна аналитика. Что мы и делаем с помощью ИИ.

Мы тестируем разные сервисы, помогающие автоматизировать работу. Например, инструменты, которые подключаются к Zoom и делают summary встреч. Их, конечно, много — и некоторые генерируют отличные отчеты, которые можно адаптировать под разные форматы, а в конце встречи формируют список задач.

Для меня такие штуки важны: когда я пришел в компанию с идеей ИИ, моя задача была максимально автоматизировать и оптимизировать процессы. Мы смотрим, где можем разработать что-то свое, а где проще и дешевле использовать готовые решения. Особенно если их предлагают российские компании, и мы можем просто купить доступ по договору. В таких случаях логичнее брать уже существующие инструменты.

Расскажу в целом, без привязки к нашей технологии. Перечислю основные проблемы, которые мы увидели в процессах:

• Нерепрезентативная выборка. Когда в компании много созвонов, РОПы и отделы контроля качества берут на проверку лишь небольшую часть звонков и оценивают их по чек-листу. Выборка оказывается неполной, и реальная картина по всем менеджерам остается неясной.

• Субъективность. Отдел контроля качества или РОП могут подсознательно выделять «любимчиков»: кому-то засчитывается пункт, а кому-то — нет. На больших объемах выборку можно вычислить, если захотеть. Но обычно результат можно подтасовать в нужную сторону.

• Не всегда целевое использование данных. Часто все сводится к формальной оценке: вот отчет, вот KPI, этим менеджерам заплатим, этим — нет, у них 50% невыполненных пунктов. Но цель не в том, чтобы выплачивать или не выплачивать премии. Задача в том, чтобы бизнес рос. Для этого нужно не просто фиксировать ошибки, а выявлять реальные проблемы, обучать менеджеров и отслеживать влияние обучения на результат.

Мы как раз и сосредоточились на том, чтобы оценивать в звонках не отдельные фразы или ключевые слова, а весь контекст разговора и, главное, итоговый результат.

Простой пример. Клиент звонит, менеджер предлагает Zoom-встречу, клиент отказывается и просит отправить информацию по почте. Если анализировать звонок по словарям, получится, что клиент отказался. Но в реальности все сложнее: если менеджер продолжил диалог, отработал возражения и в итоге договорился с клиентом — это не отказ, а успешное завершение коммуникации. Контекстная модель понимает всю суть разговора и фиксирует именно итоговое решение.

Наша задача в том, чтобы анализировать максимум звонков, убрать субъективную оценку и выявлять конкретные моменты, которые действительно влияют на результат.

Бывает, что компании часто просят у нас «потестировать» ИИ-инструменты просто потому, что это модно. «О, у вас есть ИИ-модель, отлично, нам надо!» А что мы тестируем, какие там пункты, как они решают проблему бизнеса — об этом даже не задумываются.

Зачастую бизнес даже не понимает, какую именно задачу должен решать ИИ. А мы понимаем и подходим по-другому. Мы спрашиваем: «Что у вас болит?» У нас есть готовые решения, но если проблемы нет, мы не будем навязывать ИИ ради ИИ. Конечно, было бы прикольно сразу выставить счет и получить деньги, но пользы для клиента не будет.

Нам важны партнерские отношения. Мы оцениваем разницу до/после и понимаем, какие изменения действительно могут повлиять на бизнес. Наверное, именно эти предпосылки и стали отправной точкой для наших решений.

В нашем случае все звонки поступают к нам в Calltouch. Дальше мы прогоняем текст через LLM-модели — это может быть YandexGPT, GigaChat, СhatGPT или просто через API. То есть мы выбираем транскрибацию готовым инструментом.

Вся проверка идет через личный кабинет, но визуализацию данных мы делаем, например, в DataLens. Почему? Потому что у нас таблицы заточены под числовые показатели: 1, 5, 10, 150 и так далее. А нам надо выводить «Договорились» или «Не договорились», о каком продукте договорились, например, «Модель авто», «Краткое содержание».

Сейчас у нас нет задачи строить сложные отчеты, но, возможно, позже сделаем. Пока что храним данные во внешних таблицах — клиентов это устраивает.

Если кому-то нужно, мы сохраняем информацию в пользовательские поля внутри кабинета. Можно посмотреть каждый звонок вручную. А можно забирать данные и строить отчеты в своей BI-системе. Дилерские центры, например, выстраивают аналитику в разрезе своего дилерского кольца, менеджеров, руководителей, регионов. Руководители смотрят аналитику и решают, где у них проблемы, кто молодец, а кто не очень.

По сути, нужны только технарь, который настроит техническую часть, и проджект, который понимает, какие данные нужны, как их визуализировать и увязать между собой.

Но я бы рассматривал что-то готовое, как сквозную аналитику. Когда-то я изучал разные облачные системы визуализации, а потом в Calltouch увидел, что все можно сводить буквально «по мановению пальца». Тебе не нужно мучиться, пытаясь собрать данные вручную. Не нужно разбираться, почему в одном месте дубли, а в другом что-то пропало. Все уже интегрировано: указываешь номера телефонов, система сама подтягивает нужные данные — и у тебя готовый результат.

Конечно, ты можешь сделать все сам: получить транскрибацию звонков через Telegram-бот и прогнать через ChatGPT с нужным промптом, например: «Разбери разговор, оцени возражения». На небольшом объеме это работает. Один звонок разобрали — супер, полезно, вот так и надо!

Но если звонков 1000+, на выходе получишь «Войну и мир». Никто это не будет читать — ни менеджеры, ни руководители. Ты просто генерируешь кучу текста, который невозможно агрегировать.

Поэтому мы работаем с бинарными единицами, то есть выделяем: «Выполнил пункт / Не выполнил пункт». У нас есть расшифровка звонка, чтобы можно было посмотреть при желании детали, но также мы делаем краткое содержание — для того чтобы быстро верифицировать, например, точность выполнения пункта.

Но давать персональные рекомендации на каждый звонок — зачем? Прослушай сам, если их 50 штук. Человеческая точность будет выше. Вот если звонков огромное количество — тогда да, пора автоматизировать.

Мы ориентируемся на два ключевых параметра: звонок состоялся, то есть было соединение, и длительность звонка была больше минуты.

В итоге получается, что если взять, скажем, 1500 звонков и отфильтровать их по этим двум параметрам, то остается примерно 30%. То есть из 1500 звонков только 500 содержат полноценный диалог.

Остальные – это:

• Клиенты, которые не взяли трубку.
• Клиенты, которые сбросили вызов.
• Ситуации, когда клиент звонит, просит соединить с менеджером, но все заняты, и разговор заканчивается в пределах 1 минуты.

Такие звонки не несут смысла для анализа, потому что анализировать нечего.

Считаю, что оптимальная точка для автоматизации — от 500 качественных звонков в месяц. Это тот объем, который вручную обработать уже сложно.

Хотя к нам приходят клиенты и с 200 звонками, и даже со 100, но здесь уже вопрос в цене.

У нас минимальный тариф на подписку — 40 тысяч рублей в месяц. И есть еще разовая оплата за внедрение — от 120 тысяч рублей.

Стоимость звонка — 12–18 рублей на больших объемах. Но если у клиента 100 качественных звонков, то каждый проверенный звонок обходится ему в 360 рублей. Некоторых это устраивает — они видят пользу, а 40 тысяч рублей — всего лишь еще одна строка в бюджете.

Стоимость внедрения зависит от количества чек-листов и доработок к ним, а также от количества внешних интеграций. По стандартным запросам или с минимальными доработками внедрение стоит до 150 тысяч рублей.

Мы можем делать нестандартные чек-листы. Например, к нам пришла компания с запросом проверять звонки по соискателям, HR-направление. У нас такого не было предусмотрено, но мы проработали запрос и реализовали все пожелания. В итоге платёж за внедрение получился около 350 тысяч рублей. Сейчас они загружают к нам свои исходящие звонки, мы их транскрибируем и анализируем. Так что мы под любую тематику можем подстроиться.

Здесь две истории: про входящие звонки и про лидогенерацию, активный поиск новых клиентов.

• Входящие звонки

Наша первая цель — понять, кто звонит и зачем. Нужно отобрать только звонки, связанные с продажами, и отсеять, например, уже действующих клиентов, которые хотят что-то уточнить по сервису.

Дальше мы выясняем, какие вопросы были заданы. Например, знаком ли клиент с компанией, рассматривает ли альтернативные предложения от конкурентов, с какой проблемой пришел и так далее.

На основе этих данных строятся отчеты и уведомления о проблемных звонках. Дальше их анализирует робот и выявляет сложные ситуации.

Например, если в разговоре не было договоренности о следующем шаге, система это фиксирует. Допустим, клиент обсуждал бюджет в 2 миллиона, но встречу или дальнейшее общение ему не назначили. Это сигнал, что контакт требует внимания.

Также система анализирует рекламные каналы, откуда пришел клиент (Яндекс, ВК и т. д.) — это каналы лидогенерации, а значит, нужно уделить звонку особое внимание.

Робот оценивает, насколько клиент заинтересован. Если он просто спросил, например, про email-трекинг за 1000 рублей, но не проявил большого интереса, можно не тратить на него дополнительные ресурсы.

Так и получается, что автоматическая классификация звонков помогает быстро обрабатывать обращения и выделять среди них приоритетные.

Есть куча сервисов, которые выдают классные итоги по каждому звонку: делают полную транскрибацию, выделяют главные пойнты, формируют список задач. Это полезная история для важных звонков, и я внедрил такой инструмент в рамках компании на многие подразделения, потому что это упрощает жизнь: можно вернуться к звонку, все посмотреть, проверить договоренности.

Но если звонков 1000+, менеджеры просто не смогут все это прочитать. Здесь полезнее структурированная проверка: выполнил пункт или нет, отработал возражение или нет, договорился о встрече или нет.

• Лидогенерация и холодные звонки

Здесь мы имеем дело с привлечением новых клиентов и работаем с холодными продажами.

Например, мы используем такие инструменты, как Войс Таргет: получаем данные от мобильных операторов в виде захэшированных телефонных номеров и формируем список новых контактов, заинтересованных в продукте. Потом звоним: «Здравствуйте! Видим, что вам интересна сквозная аналитика. Мы можем предложить решение с крутыми дашбордами. Интересует?»

После звонка система определяет, с кем мы говорили — был ли это ЛПР?

Если нет, удалось ли получить контакт нужного человека? Если да, как прошел разговор? Договорились о встрече? Дальше работа идет по той же логике, что и в основных продажах: анализ, сегментация, квалификация клиентов.

Да, именно так. Итоги звонков, дашборды, анализ соответствия чек-листам — всё это смотрит и оценивает РОП.

«Да, конверсия встреч выросла на 37%, показатели выросли в два раза» — вот тебе классический ответ!

Если серьезно, то мы, конечно, фиксируем цифры, но этим занимаются другие люди: РОП, маркетологи, есть отдельный руководитель по привлечению трафика. Поэтому назвать какие-то цифры не смогу.

В целом для компаний история с анализом звонков — динамичная. В процессе могут поменяться чек-листы, компании корректируют свои бизнес-процессы. Могут появляться новые продукты. Например, не было апсейлов, а теперь они есть. Ведь как иногда можно вырасти в два раза? Да просто добавить апсейл.

Иногда бывает, что на старте чек-лист согласовывает один человек, а потом подключается другой, который эти отчеты непосредственно использует. И появляются вопросы: «Почему нет вот такого пункта? И зачем нам вот этот?». Чтобы избежать таких ситуаций, важно сразу устанавливать контакт с конечным пользователем — с тем, кто будет работать с результатами.

Бывает, приходит генеральный директор и говорит: «Нам нужен ваш ИИ, срочно подключайте!». Мы подключаем. Через пару месяцев: «Отключайте». Почему?

Оказывается, никто не пользуется, руководитель отдела продаж даже не открывает отчеты. Берем контакты РОПа, выясняем, в чем проблема — а он просто не заинтересован в изменениях.

И таких историй много — когда ты понимаешь, что на старте нужно было говорить не только с ЛПР по оплате, но и с ЛПР по LTV. Потому что получается, что клиент тебе вроде бы заплатил, но если он оплатил сервис не на год, а на месяц-два — то это так себе оплата.

В среднем закрываем стандартные кейсы за полторы недели, иногда быстрее. Но всё зависит от загрузки. Бывает, что в один момент все хотят что-то подключить, параллельно проходит по пять встреч, и все менеджеры в мыле. Тогда возможны небольшие задержки.

Сложные запросы тоже требуют больше времени. Например, в кейсе с HR-направлением всё было завязано на передачу звонков, настройку и отладку процессов. Но даже там за две недели внедрили все чек-листы и процессы на нашей стороне.

Во-первых, после подключения инструмента менеджеры сразу начинают работать лучше. Они чувствуют, что за ними кто-то стоит, контролирует. Само внедрение уже дает эффект: для менеджера как будто «горит красная кнопка» — это влияет на качество работы.

Во-вторых, когда менеджеры не просто знают, что за ними следят, но еще и получают уточняющие вопросы по конкретным звонкам, они видят, что это не просто какая-то формальность, а реально работающий и полезный инструмент. Соответственно, они начинают больше стараться.

У нас был забавный кейс. Пришел застройщик: «Ребята, можете запустить тест?» Мы согласились в порядке исключения. Через неделю они пришли и сказали: «У нас нет нормальных скриптов продаж, сейчас наведем порядок и вернемся». Получается, мы повлияли на их внутренние процессы и улучшили их даже без внедрения наших инструментов. Недавно ребята вернулись и подключились — значит, все было не зря.

Важно не просто подключить инструмент, но и работать с ним. Просто подключить ИИ, который будет выдавать отчеты, недостаточно. Нужно понимать, кто будет с этим работать, кто будет слушать, анализировать и внедрять изменения. Если этого нет, ничего не изменится.

У нас стандартные кейсы нацелены на работу с упущенными клиентами. В B2B, например, это могут быть отказы от продления или негативные отзывы. Даже если это один звонок из двадцати, он может быть критически важным.

Представьте, у вас Enterprise-клиент с заказом на 20 миллионов. Получить такой звонок вовремя, чтобы ответственные лица его не пропустили и отреагировали, — это дорогого стоит. Иначе придется искать нового заказчика на 20 миллионов. Но если вовремя заметить упущенного клиента, можно удержать его: предложить скидку, назначить персонального менеджера, дать какой-то приятный бонус.

Во многих компаниях такие звонки просто теряются и не доходят до тех, кто может что-то изменить. Поэтому важно не только смотреть на количество звонков, но и на их ценность. Потенциальные потери от игнорирования могут быть огромными.

Мы как раз прорабатываем эти моменты с клиентами. Например, в нашем брифе есть вопросы: как вы теряете клиентов, что помогает их удерживать. Это дает понимание, какие боли у бизнеса, и позволяет настроить инструмент под реальные задачи.