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.