Стратегическое целеполагание в речевой аналитике

Рынок речевой аналитики растет. MarketsandMarkets прогнозирует, что к 2028 году его объем достигнет $5.7 млрд. Технология перестала быть инновацией и стала нормой.

Но доступность технологий создала проблему. Компании внедряют тотальный контроль, но прибыли это не приносит. Оценки качества растут, а выручка и LTV стоят на месте.

Дело не в софте, а в том, как мы ставим цели. Давайте разберем, как превратить контроль качества из надзирателей в аналитиков, которые влияют на деньги.

Проблема абстрактного качества и Закон Гудхарта

Есть такой Закон Гудхарта: «Когда мера становится целью, она перестает быть хорошей мерой».

Если KPI — это галочки в чек-листе, сотрудники будут работать на галочки, а не на клиента. Оператор поздоровался, предложил акцию, попрощался — скрипт соблюден. А то, что клиент ничего не купил и ушел раздраженным, в отчете не видно.

McKinsey пишет об этом прямо: компании, которые смотрят только на AHT (время звонка) и скрипты, теряют в клиентском опыте и деньгах.

Получается «квалифицированная неэффективность»: по отчетам все молодцы, а продажи стоят.

Надо менять подход. Речевая аналитика должна отвечать не на вопрос «Соблюден ли стандарт?», а «Как разговор повлиял на прибыль?».

Методология постановки цели в речевой аналитике

Чтобы аналитика работала, нужно искать связь между словами и деньгами. Не пытайтесь «улучшить всё сразу». Ищите, где воронка продаж протекает сильнее всего.

Вот как это выглядит на реальных данных наших клиентов.

↪︎ Кейс No.1 EdTech: квалификация отказа как точка роста

Ситуация: образовательная платформа Lerna. Лиды дорогие, много отказов в разговоре.

Как думали раньше: клиент не покупает, значит ему дорого. ОКК проверял, предложил ли менеджер скидку.

Что нашли в данных: мы проанализировали 300 000 минут разговоров. Оказалось, 75% отказов вообще не про цену. Людям страшно: «не потяну», «сложно», «нет времени». Менеджер предлагал скидку, а клиенту нужна была поддержка.

Что сделали: переписали скрипты. Перестали давать скидки всем подряд, начали объяснять, как кураторы помогают в учебе.

Итог:
Конверсия выросла на 10%.
Себестоимость прослушки минуты упала с 18 до 2 рублей.

↪︎ Кейс No.2 Медицина: проактивность вместо информирования

Cитуация: большая сетевая клиника, 80 операторов в колл-центре.

Как думали раньше: выборочно слушали 1-5% звонков. Оценка качества — 95%. Все вежливые, все хорошо.

Что нашли в данных: загрузили 100% звонков в аналитику. Реальное качество — 71%. Операторы иногда работали как справочное бюро: называли цену и не объясняли. Пациент в растерянности клал трубку.

Что сделали: ввели метрику «Попытка записи». Если пациент спросил цену, оператор обязан предложить слот для визита.

Итог:
Конверсия в запись выросла на 4% за 3 месяца.
Для сети с выручкой 7 млрд рублей это существенный прирост.

↪︎ Кейс 3. Девелопмент: Спор маркетинга и продаж

Cитуация: застройщик, лид стоит 35 000+ рублей. Продавцы помечают кучу звонков как «Спам» и ругают маркетинг за плохой трафик.

Что нашли в данных: проверили звонки со статусом «Спам». В 40% случаев там были реальные клиенты: спрашивали про ипотеку и сроки сдачи.

Что происходило: менеджеры просто сливали «сложных» клиентов, которые не готовы купить прямо сейчас, чтобы не портить себе статистику.

Итог: вернули эти лиды в работу – стоимость привлечения клиента упала на 20-30%.

Скрипт как гипотеза

Скрипт – это лишь гипотеза. Ее нужно проверять.

Harvard Business Review пишет клиентам не нужен «вау-сервис». Им нужно, чтобы было просто. Чем меньше усилий тратит клиент, тем охотнее он платит.

Как это проверить: запустите A/B тест.

группа А работает по старому длинному скрипту
группа Б – по короткому, сразу к делу

Сравните конверсию на 1000 звонках. Часто оказывается, что «неправильные» менеджеры, которые говорят по-людски, продают больше.

Как поставить цель за 3 шага

Чтобы не придумывать метрики из воздуха, идите от денег. Вот простой алгоритм, который мы используем на стратегических сессиях с клиентами.

Шаг 1. Найдите место, где «болит» в P&L
Не смотрите на скрипты. Смотрите в финансовый отчет.

много тратим на маркетинг, но мало продаж? → проблема в конверсии лида
клиенты покупают один раз и уходят? → проблема в LTV и удержании
слишком дорогой контакт-центр? → проблема в среднем времени разговора или повторных звонках

Шаг 2. Переведите «боль» в событие звонка
Что должно произойти (или НЕ произойти) в разговоре, чтобы эта цифра изменилась?

если низкая конверсия: менеджер не отрабатывает возражения или не назначает следующий шаг
если низкий LTV: оператор хамит или не может решить проблему с первого раза
если высокое время разговора: оператор долго ищет информацию в базе знаний

Шаг 3. Оцифруйте это событие
Теперь превратите это в метрику для робота.

«Менеджер предложил запись» (Да/Нет).
«Оператор решил вопрос без перевода на вторую линию» (FCR).
«Наличие слов-паразитов» (если они реально раздражают клиентов и снижают NPS).

Вот ваша цель: «Увеличить [Метрику из шага 3] на X%, чтобы исправить [Боли из шага 1]».

Формула Четырёх

В imot.io мы используем «Формулу 4». Чтобы проект начал работать, нужны четыре компонента. Именно в таком порядке:

Цель. Зачем нам это? (Деньги, отток, расходы).
Люди. Кто будет работать с данными? (Аналитик, РОП).
Процессы. Что мы делаем, когда видим проблему?
Инструмент. Сам софт.

Инструмент – на последнем месте. Даже самый умный AI бесполезен, если вы не знаете, зачем он вам и кто с ним будет работать.

Чек-лист: проверяем цель

Проверьте свою цель перед стартом:

Где деньги?
✔ снизить отток на 5% = сэкономить миллион
✘ повысить лояльность

Как измеряем?
✔ конверсия в запись 80%
✘ приятная атмосфера в диалоге

Что нужно клиенту?
✔ решить вопрос с первого раза (FCR)».
✘ быстрее закончить разговор

Заключение

Ценность речевой аналитики измеряется не терабайтами обработанных данных, а качеством управленческих решений. Сдвиг фокуса с контроля («все ли сказали спасибо») на экономику («почему мы теряем 30% лидов») меняет роль контакт-центра в компании. Он перестает быть центром затрат и становится источником прибыли.

Начните с правильного вопроса. Не «как нам внедрить аналитику?», а «какую проблему в P&L мы хотим решить?». Технология подтянется.