Механизмы диалога

Запись звонков и речевая аналитика — почему это разные инструменты

Контакт-центр записывает каждый звонок. Все разговоры хранятся в системе. Технически всё на месте: запись работает, файлы доступны, отдел качества может в любой момент открыть и прослушать. Формально — полный контроль. Фактически — отдел качества физически успевает проверить менее 5% от общего объёма. McKinsey в обзоре технологий контакт-центров формулирует это прямо: ручная оценка качества ограничена малой долей разговоров, а человеческая субъективность ещё больше искажает картину.

Получается ситуация, которая знакома руководителям контакт-центров и отделов продаж. Данные формально собраны. Записи лежат на сервере. Но между записью и управленческим решением — пустота. Чтобы запись стала полезной, её нужно прослушать, оценить, сравнить с другими, найти закономерность. На тысячах звонков в месяц это физически невозможно силами людей. Именно этот разрыв — между фиксацией и пониманием — объясняет, почему рынок аналитики разговоров оценивается в 23 млрд долларов и продолжает расти.

Что умеет запись и где заканчиваются её возможности

Запись звонков решает одну задачу — фиксацию. Разговор сохранён, его можно найти по дате, по оператору, по номеру клиента. Это полезно для разбора спорных ситуаций, юридической защиты, обучения новичков на конкретных примерах. В некоторых отраслях запись обязательна по закону.

Но запись не отвечает ни на один управленческий вопрос. Она не показывает, почему конверсия упала на прошлой неделе. Не подсказывает, какие менеджеры систематически пропускают этап выявления потребности. Не сигнализирует о том, что клиенты третий месяц подряд жалуются на один и тот же продукт. Запись хранит информацию — но не извлекает из неё смысл.

Допустим, компания обрабатывает 10 000 звонков в месяц. Каждый звонок — 4-7 минут. Суммарно — от 700 до 1200 часов аудио. Даже если выделить пять человек на полную ставку только для прослушивания, они проверят около 2-3% от общего объёма. McKinsey в более ранней публикации о ценности голосовых данных указывает, что при ручном отборе организации проверяют менее 2% всех взаимодействий, и эта выборка часто оказывается нерепрезентативной.

Компания Creovai, специализирующаяся на автоматизации контроля качества, приводит показательный пример: один из их клиентов, Thrasio, подсчитал, что для ручной проверки всех взаимодействий потребовалось бы 528 аналитиков. Не десять, не двадцать — пятьсот двадцать восемь. Запись без аналитики создаёт архив, к которому почти никто не обращается.

Что происходит между записью и решением

Речевая аналитика — это цепочка обработки, которая превращает аудиофайл в структурированные данные. Цепочка состоит из нескольких последовательных этапов, каждый из которых добавляет слой понимания.

Первый этап — транскрибация. Аудио превращается в текст. Современные модели распознавания справляются с этим с точностью 85-95% в зависимости от качества записи и акцента. Текст — это уже не аудиофайл, который нужно слушать целиком. Его можно искать, фильтровать, обрабатывать автоматически.

Второй этап — разметка. Каждый разговор классифицируется по правилам: темы, продукты, причины обращения, этапы скрипта, наличие или отсутствие конкретных фраз. Разметка происходит не вручную, а по настроенным правилам и словарям. Если в разговоре прозвучало возражение «дорого» и менеджер в ответ сразу предложил скидку — это одна категория. Если после возражения менеджер задал уточняющие вопросы — другая. Разметка позволяет задавать вопросы к данным, а не к отдельным записям.

Третий этап — агрегация. Разговоры, размеченные по одинаковым правилам, складываются в статистику. Не «мне показалось, что менеджеры стали хуже работать с возражениями», а «за последние две недели этап работы с возражениями пропущен в 47% звонков у отдела Б, при том что месяц назад было 28%». Агрегация превращает разрозненные наблюдения в количественную картину.

Четвёртый этап — визуализация и отчётность. Данные отображаются на дашбордах, фильтруются по периодам, менеджерам, продуктам, причинам обращений. Руководитель видит не список звонков, а тренды, отклонения, сравнения. Видит, что происходит, и может принять решение — перестроить скрипт, провести обучение, скорректировать оффер.

Каждый из этих этапов по отдельности — техническая операция. Вместе они образуют аналитический конвейер, который отличает запись от аналитики так же, как необработанная руда отличается от металла. Руда — ценный ресурс. Но без переработки она остаётся камнем.

Масштаб рынка и направление движения

Два разных исследовательских отчёта помогают увидеть масштаб.

Market.us оценивает глобальный рынок программного обеспечения для анализа разговоров в 23,14 млрд долларов по состоянию на 2024 год. Сюда входят все решения, которые работают с разговорами: от систем записи с элементами аналитики до полноценных платформ с транскрибацией, разметкой, агрегацией и визуализацией. Прогнозируемый рост — 9,6% в год до 57,87 млрд к 2034 году.

Если выделить более узкий сегмент — речевую аналитику как отдельную технологию, — цифры выглядят компактнее, но динамика заметнее. Grand View Research оценивает этот сегмент в 2,82 млрд долларов (2023) с ростом до 7,73 млрд к 2030 году при среднегодовом темпе 15,7%. Mordor Intelligence даёт похожие цифры: 3,48 млрд в 2025 году, рост до 8,16 млрд к 2031 при 15,27% в год.

Разница между широким и узким сегментом показательна. Рынок записи звонков — зрелый. Транскрибация становится товаром: распознавание речи встроено в телефонии, CRM-системы, облачные платформы. Стоимость распознавания одной минуты записи за последние годы упала в разы. Сам по себе «текст звонка» перестал быть конкурентным преимуществом.

Рост рынка идёт за счёт того, что происходит после транскрибации: разметка, правила, чек-листы, агрегация, дашборды. Компании готовы платить не за распознавание, а за ответы на вопросы. Это принципиально другой продукт — и именно он определяет траекторию рынка на ближайшие годы.

Почему записи годами лежат без пользы

Ситуация, которую мы в imot.io наблюдаем регулярно: компания записывает звонки несколько лет. Десятки тысяч файлов. Всё хранится, ничего не удаляется. При этом руководитель признаёт, что систематически слушает звонки только при разборе конфликтов с клиентами.

Это не халатность. Это следствие простой арифметики. Прослушать один звонок — 5-7 минут. Оценить по чек-листу — ещё 3-5 минут. На один звонок уходит 10-12 минут рабочего времени. Если звонков 200 в день — это 2000-2400 минут, или 33-40 часов. Полная рабочая неделя одного супервайзера — на прослушку одного дня.

Поэтому компании идут на компромисс: слушают выборку. Пять звонков в неделю на менеджера. Иногда десять. Иногда — только «проблемные», которые подсвечивает CRM по длительности или результату. Качество оценивается не по реальной картине, а по фрагменту, который может оказаться совершенно нетипичным.

Когда мы начинаем работать с клиентом и подключаем аналитику ко всему объёму, результаты часто удивляют самого руководителя. В одной из медицинских сетей, с которой мы работали, аналитика показала: почти треть администраторов не предлагают пациентам записаться на повторный приём. Руководитель был уверен, что этот этап выполняется стабильно, — потому что в выборочных прослушках всё выглядело нормально. На сплошной аналитике по тексту всех разговоров картина оказалась другой.

Это типичная ловушка выборки. Когда проверяешь 3-5% звонков, ты видишь срез, а не картину. Систематические ошибки — те, которые повторяются изо дня в день у конкретных сотрудников — прячутся в оставшихся 95%. Запись их фиксирует. Но без аналитики — не показывает.

Что меняется, когда аналитика покрывает весь объём

Gartner в опросе 321 руководителя клиентского сервиса (сентябрь-октябрь 2025) зафиксировал: 91% респондентов испытывают давление со стороны руководства внедрить AI не только для эффективности, но и для прямого улучшения клиентского опыта. Давление объяснимо — руководители видят, что выборочная проверка не даёт управляемости.

Когда аналитика работает на всём объёме, меняется сам способ управления.

Первое — видны системные паттерны. Не отдельные удачные или неудачные звонки, а устойчивые закономерности: какие этапы чаще пропускаются, какие формулировки коррелируют с успешным результатом, в какие часы конверсия падает, у каких менеджеров и по каким продуктам.

Второе — появляется возможность сравнения. Менеджер А задаёт уточняющие вопросы в 80% звонков и закрывает с конверсией 35%. Менеджер Б пропускает этап квалификации в половине разговоров — конверсия 18%. Эта связь не видна, пока данные не размечены и не агрегированы.

Третье — сокращается время реакции. Отклонение от нормы — резкий рост пропусков этапа, всплеск возражений по конкретному продукту, падение качества у конкретной смены — фиксируется автоматически, а не через месяц в ежеквартальном отчёте.

McKinsey в обзоре речевой аналитики (сентябрь 2022) приводит конкретные результаты: контакт-центры, выстроившие полноценную аналитику поверх транскрибации, сокращают время обработки обращения до 40% и увеличивают конверсию из сервисного звонка в продажу почти вдвое.

При этом сама технология — лишь часть уравнения. В том же обзоре McKinsey оценивает, что 67% проектов речевой аналитики терпят неудачу, и не только из-за технологии. Основная причина провалов — организационная: нет цели, нет ответственных, нет процесса, который превращает данные в действия.

Аналитика — это проект, а не подписка

Стоит сказать об этом прямо, потому что здесь часто возникает ложное ожидание. Компания подключает речевую аналитику, ждёт месяц и спрашивает: «Где результат?» Результат появляется, когда аналитика встроена в процесс управления. Когда есть конкретная цель: «увеличить конверсию из звонка в запись» или «снизить процент необработанных возражений по цене». Когда есть человек, который смотрит на данные и принимает решения. Когда чек-листы настроены под реальный бизнес-процесс, а не скопированы из шаблона.

Когда мы в imot.io размечаем звонки, мы видим по тексту диалога, какие этапы выполняются, а какие пропускаются. Видим, как строится разговор — задаёт ли менеджер уточняющие вопросы или сразу переходит к предложению. Видим, появляется ли возражение «дорого» и что происходит после него. Эта разметка работает на всём объёме звонков, без выборки — и даёт количественную картину, на основании которой можно действовать.

Но инструмент сам по себе не меняет ничего. Меняет процесс: цель, люди, регулярный цикл «увидели проблему — приняли решение — проверили результат». В медицинской клинике это может выглядеть так: аналитика показывает, что администраторы не предлагают повторный приём в 30% звонков. Руководитель проводит обучение, корректирует скрипт, через две недели смотрит данные снова — процент снизился до 12%. Ещё через месяц — до 7%. Это не магия аналитики. Это управленческий цикл, в котором аналитика играет роль измерительного прибора.

AssemblyAI в обзоре рынка отмечает, что компании, внедрившие системы анализа разговоров, фиксируют типичное улучшение показателя выигранных сделок на 15-20% и сокращение цикла продаж на 10-15%. Но за этими цифрами стоит не «подключили и забыли», а перестройка процесса работы с данными.

Итоги

Запись звонков — необходимый фундамент, но сам по себе фундамент не заменяет здание. Архив из тысяч аудиофайлов без аналитики — это иллюзия контроля, в которой между данными и решениями нет связующего звена.
Ручная проверка качества покрывает 2-5% звонков, и этот объём не обеспечивает репрезентативности. Системные проблемы — пропуск этапов, неотработанные возражения, отсутствие предложений на повторный визит — прячутся в оставшихся 95% и остаются невидимыми для руководителя.
Речевая аналитика — это не усовершенствованная запись. Это отдельный инструмент с собственным конвейером обработки: транскрибация, разметка по правилам, агрегация, визуализация. Каждый этап добавляет слой понимания, которого нет в исходной записи.
Рынок анализа разговоров растёт на 15% в год и оценивается в десятки миллиардов долларов — потому что бизнес платит не за распознавание речи, а за ответы на управленческие вопросы.
Аналитика работает, когда за ней стоит цель, ответственные люди и процесс «данные — решение — проверка результата». Инструмент без процесса — это ещё один дашборд. Процесс с инструментом — это управляемые изменения.

Если хотите увидеть, как аналитика работает на ваших звонках, — запишитесь на демо. Покажем на реальных разговорах, какие паттерны видны по тексту и какие метрики можно отслеживать

Оставить заявку на демо »

Источники:

McKinsey & Company (2026). AI mastery in customer care: Raising the bar for quality assurance. https://www.mckinsey.com/capabilities/operations/our-insights/operations-blog/ai-mastery-in-customer-care-raising-the-bar-for-quality-assurance

McKinsey & Company (январь 2022). From speech to insights: the value of the human voice. https://www.mckinsey.com/capabilities/operations/our-insights/from-speech-to-insights-the-value-of-the-human-voice

McKinsey & Company (сентябрь 2022). The hidden value of voice conversations: Part 1, Trends and technologies. https://www.mckinsey.com/capabilities/operations/our-insights/the-hidden-value-of-voice-conversations-part-1-trends-and-technologies

Market.us (2024). Conversation Intelligence Software Market Report — рынок оценивается в $23,14 млрд (2024), прогноз $57,87 млрд к 2034, CAGR 9,6%. https://market.us/report/conversation-intelligence-software-market/

Grand View Research (2024). Speech Analytics Market Size — $7,73 млрд к 2030, CAGR 15,7%. https://www.grandviewresearch.com/press-release/global-speech-analytics-market

Mordor Intelligence (2025). Global Speech Analytics Market — $3,48 млрд (2025), $8,16 млрд к 2031, CAGR 15,27%. https://www.mordorintelligence.com/industry-reports/global-speech-analytics-market-industry

AssemblyAI (2025). Real-time conversation intelligence — 15-20% рост win rate, 10-15% сокращение цикла продаж. https://www.assemblyai.com/blog/real-time-conversation-intelligence

Gartner (декабрь 2025). Опрос 321 руководителя клиентского сервиса — 91% испытывают давление внедрить AI. https://www.gartner.com/en/newsroom/press-releases/2025-12-17-customer-service-and-support-leaders-must-prioritize-blending-human-strengths-with-ai-intelligence-in-2026

Creovai (2025). How to automate call center QA — пример Thrasio (528 аналитиков для ручной проверки). https://www.creovai.com/blog/how-to-automate-call-center-qa