Топ-3 ошибки, мешающие получить реальный бизнес-эффект от речевой аналитики

Речевая аналитика (РА) как продукт давно существует на рынке. Однако ее реальная польза для бизнеса не всегда очевидна для заказчиков: речевую аналитику часто рассматривают как инвестиционный проект с сопутствующими рисками, а применение на практике ограничивается парой базовых функций.

На самом деле, РА предполагает понятное практическое применение и прозрачную бизнес-ценность для клиента — но только в случае ее правильного использования.

Разбираемся, какие задачи РА решает на практике, а также как ее использовать для того, чтобы получить максимум пользы.

Ошибки внедрения речевой аналитики

Ошибка № 1: полная автоматизация вместо точечного улучшения

Речевая аналитика выглядит идеальным решением проблем классического ручного QM, и здесь велик соблазн вообще отказаться от контроллеров и решать их задачи искусственным интеллектом. Но, несмотря на то, что идея стопроцентной автоматизации кажется заманчивой, надо признать, что на данный момент она утопична. Основной проблемой здесь являются даже не технологические ограничения (о них ниже), а то, что для полной автоматизации нужно полностью переизобрести процесс оценки качества и вывести совершенно новые стандарты. Это превращает внедрение речевой аналитики в дорогостоящий проект длиной от 6 месяцев до года и большим стартовым инвестициям, которые не так просто обосновать.

Именно поэтому внедрение речевой аналитики должно быть не столько заменой существующей ручной оценки качества, сколько ее усилением. Таким образом, мы не переизобретаем процесс с нуля, а даем его участникам новый инструмент, который позволит избавиться от элемента случайности в формировании выборок, не пропускать редкие критические ошибки и предоставлять реальную картину по всем сессиям вместо анализа 1% диалогов.

Точка взаимодействия человека и искусственного интеллекта здесь определяется ограничениями системы речевой аналитики:

  1. Система не способна с достаточной точностью оценивать субъективные критерии разговоров, для которых нужна минимальная человеческая эмпатия (пассивная агрессия, улыбка в голосе, доброжелательный настрой и т. д.);
  2. Оценка эмоциональных параметров (особенно сложных) не может быть до конца объективной, а поэтому затруднительна в рамках строгих алгоритмов речевой аналитики. Такую задачу лучше поручить сотруднику;
  3. Система может просто не иметь доступа к дополнительной информации, на основе которой выносится оценка по сессии. Например, к действиям оператора в других информационных системах (с которыми нет интеграции) во время звонка.

Таким образом, в качестве оптимального варианта мы приходим к компромиссному подходу, где система Речевой Аналитики оценивает объективные параметры диалога, выделяет маркеры внутри диалога, предоставляет текстовую расшифровку и дает полную выборку на основе 100% сессий. При этом, человек может дооценить (или переоценить) каждую сессию на предмет любых других параметров. Именно такого подхода мы придерживаемся с Naumen Conversation Intelligence (Naumen CI).

Ошибка № 2: оценка всего спектра речевых параметров вместо узких кейсов

Технологии речевой аналитики позволяют анализировать беспрецедентное количество данных и параметров речи из каждого разговора. И первый импульс заказчика — проанализировать абсолютно все, упаковать в дашборды и отслеживать в надежде получить инсайты. Однако, если критически оценить важность этих данных, выяснится, что не все они имеют даже минимальную бизнес-ценность. Основной проблемой здесь является фокус на следствии, вместо причины.

Приведем несколько примеров:

01

Анализ количества пауз в диалогах, процента молчания оператора и одновременной речи.

Все это любопытные, на первый взгляд, метрики, которые могут быть индикацией наличия проблемы, однако никак не приближают к ее решению или к конкретизации. Тишина, паузы и перебивания — следствия определенных событий, произошедших в диалоге, и анализировать необходимо в первую очередь событие. Нет смысла бездумно отмечать факт наличия длинной паузы — необходимо проанализировать предшествующую ему реплику от клиента и выявить паттерны диалога, которые ставят оператора в затруднение. Таким образом можно выявить реальные точки сокращения AHT (среднее время обработки вызова). Соответственно, алгоритм анализа должен подбираться под конкретную проблему КЦ.

02

Анализ эмоциональной окраски диалога.

Этот кейс практически повторяет первый: понимать негативный эмоциональный окрас диалога недостаточно для того, чтобы исправить ситуацию. Гораздо важнее отслеживать критические ошибки операторов, которые могли привести к негативу клиента. Бизнес-эффект от исправления таких ошибок становится виден довольно быстро, в то время как определение эмоционального окраса диалога не несет ценности в отрыве от понимания точек влияния на него. При этом, как уже было упомянуто в разделе про Ошибку № 2, точность определения эмоций на данном этапе развития речевых технологий оставляет желать лучшего.

Таким образом, задача речевой аналитики — не выдача сырых данных о сессиях, а поставка готовой информации, из которой можно вывести понятный план действий. В противном случае, речевая аналитика превращается в долгий и сложный проект, результат которого — полотно данных обо всех диалогах КЦ. При этом, совершенно непонятно что делать с этими данными дальше и как окупать затраты на внедрение системы.

Здесь возникает вопрос: какие параметры стоит отслеживать и как это делать?

Можно выделить 4 основные области, прекрасно знакомые каждому сотруднику КЦ: AHT, сервис, продажи и поддержка. Чтобы получить реальный эффект, сначала нужно определить, в какой из этих областей есть проблема, а потом подобрать конкретный алгоритм для ее решения.

Ниже — примеры частых кейсов в каждой из областей:

01

AHT.

Кейсы по выявлению проблемных вопросов со стороны клиентов, которые являются причинами удержаний и трансферов со стороны операторов (самых острых болей в области AHT).

Выявив пул самых проблемных вопросов и событий-причин удержаний, КЦ при помощи точечных обучений или изменения методологии может научить операторов работать с этими вопросами (индивидуально или массово), а далее продолжать контролировать корректность этой работы с помощью речевой аналитики.

02

Сервис.

На уровень сервиса и NPS (индекс потребительской лояльности) огромное влияние имеют критические ошибки со стороны операторов и факты мошенничества. Остальной пласт менее значительных параметров для КЦ, являющегося лишь одной из многих точек в CJM (customer journey map) клиента, влияет на NPS минимально. Однако каждая критическая ошибка (пусть они и редки) может стоить клиента, поэтому здесь речевая аналитика является идеальным инструментом стопроцентного покрытия.

03

Продажи.

Ключевой параметр линии продаж — конверсия. А на конверсию, в свою очередь, сильно влияет качество отработки возражений оператором. На отработке возражений часто упускается до половины всего объема продаж КЦ. Поэтому контроль того, как операторы работают с конкретными возражениями, является прекрасным примером узкого кейса с огромным эффектом для бизнеса.

04

Поддержка.

Здесь — по аналогии с AHT — имеет смысл отслеживать вопросы, ставящие операторов в тупик, и точечно решать эти проблемы. Такие вопросы, кроме раздувания длины сессии, опасны также снижением FCR (доли клиентских вопросов, решенных во время первого обращения в службу поддержки) и общего уровня лояльности клиентов, чья проблемы не решаются быстро.

Однако, практически все описанные кейсы довольно сложны с технической точки зрения и требуют не просто фиксации факта наличия каких-либо реплик, но и полноценного анализа взаимодействия между оператором и клиентом (например, ответов оператора на вопросы клиента). Для работы с такими кейсами в рамках Naumen CI мы создали отдельный алгоритм Сценариев. В этом алгоритме мы позволяем отслеживать событие-триггер в канале клиента и проверять корректно ли оператор отреагировал на это событие. Ниже приведен пример настройки корректных реакций оператора на возражения клиента в процессе продажи:

В качестве результата мы получаем дашборд с информацией о том, с какими событиями сталкивался оператор (возражения) и как на них реагировал (отработка возражений), что позволит выявить его слабые и сильные места.

Ошибка № 3: поиск маловероятных аномалий вместо событий по определенным чек-листам

Далее следует целый кластер похожих друг на друга кейсов, направленных на выявление каких-либо аномалий в работе линии КЦ. В таких случаях КЦ обычно надеется, что речевая аналитика позволит засечь неизвестную новую проблему как можно раньше и даст возможность быстрой реакции и превентивных действий.

Звучит привлекательно, но есть две фундаментальные проблемы:

Первая проблема — в самом объекте, который мы пытаемся найти в сессиях, а именно в аномалии в работе линии КЦ, с которой мы ранее не сталкивались (например, новая причина стихийных обращений клиентов или резкий скачок спроса). Такая аномалия сама по себе непредсказуема и маловероятна (отсюда и кейс — попытка к этому адаптироваться). Сочетание этих факторов (непредсказуемость + маловероятность) делают расчет экономического эффекта от работы с такими аномалиями практически невозможным. То есть, вероятность зафиксировать такую аномалию есть, но не факт, что эта ситуация возникнет и что ее предотвращение окупит для КЦ затраты на внедрение речевой аналитики.

Вторая проблема — в обучении системы для поиска таких аномалий. Неопределенный характер искомой аномалии заставляет бесконечно расширять спектр отслеживаемых системой событий. Если у системы есть ограниченный спектр возможных событий для отслеживания — вероятность распознать такое событие велика. Однако, чем сильнее мы расширяем этот спектр, тем сложнее отличать события друг от друга и тем выше вероятность ошибки. В случае с непредсказуемым объектом поиска, нужен огромный дата-сет и внушительная работа по обучению системы — а это долго и дорого. Ведь даже облако тегов без предварительной подготовки представляет собой не более, чем белый шум из служебных слов, не несущих в себе полезной информации. Чтобы пользоваться таким инструментом эффективно, нужно сначала показать ему, куда смотреть. Учитывая все описанные выше ограничения, реализовать это долго и дорого.

Таким образом, комбинация из двух проблем — непредсказуемости эффекта и сочетания сложности и дороговизны инструмента — превращает такие проекты по внедрению Речевой Аналитики в огромные инвестиции без понятного срока окупаемости.

Здоровая альтернатива — помимо уже описанных выше примеров более узких кейсов — оценка сессий искусственным интеллектом по уже заданным чек-листам оценки качества, адаптированным под конкретные бизнес-цели КЦ (или, например, тематизация всех сессий по уже заданным причинам обращений). В этом случае мы работаем не со случайным событиями с неизвестным эффектом, а с конкретными проблемами и их последствиями. Эффект от решения этих проблем можно легко подсчитать, предсказать и отслеживать его динамику для понимания срока возврата инвестиций.

В рамках Naumen CI мы позволяем клиентам создавать собственные простые и сложные чек-листы для оценки сессий искусственным интеллектом, которые работают в комбинации с ручной оценкой. Система позволяет отслеживать события на стороне оператора и клиента, а также создавать разные комбинации событий, которые могут стать условием правильно отработанного чек-поинта.

В результате клиент получает дашборд со взвешенной оценкой, отражающий полную картину качества работы группы операторов.

Таким образом, сессии каждого оператора можно детально проанализировать и работать с индивидуальными или повторяемыми в рамках группы ошибками. Такой подход позволяет прицельно работать со слабыми местами каждой группы операторов и постепенно улучшать бизнес-показатели линии. При этом, в случае возникновения аномалий систему можно быстро дообучать работе с новыми кейсами, если есть шанс, что они повторятся и если от работы с ними действительно есть эффект.

Принципы эффективного использования речевой аналитики

В процессе внедрения речевой аналитики довольно легко провалиться в долгий и дорогой проект по поиску чего угодно. Однако, на наш взгляд эта технология является уже достаточно зрелой, чтобы превратиться в доступный сервис с понятным и предсказуемым эффектом от использования. Для этого важно помнить об основных принципах эффективного использования такого продукта:

  1. Выделить целевую область, в которой нужно достигнуть бизнес-эффекта;
  2. Определить целевой бизнес-эффект;
  3. Подобрать конкретный инструмент, нацеленный на достижение целевого эффекта;
  4. Принять существование неизбежных ограничений технологии и необходимость настройки наиболее эффективного формата взаимодействия речевой аналитики и менеджеров оценки качества.

Развивая Naumen CI, мы стараемся придерживаться сервисного подхода и фокусируемся скорее на решении конкретных задач КЦ, чем на получении широкого спектра сырых аналитических данных.

В начало

Пилотирование речевой аналитики: как не слить бюджет на проект и добиться бизнес-эффекта уже на стадии пилота

Чек-лист вопросов для клиента перед стартом пилотного проекта и лучшие практики для эффективного пилота от Naumen Conversation Intelligence.

Читать

Обсудите с нами ваши задачи

Хотите узнать, какую пользу платформа Naumen Conversation Intelligence может принести вашей компании?

Оставьте заявку, и наши специалисты помогут разобраться.

Стоимость использования продукта рассчитывается индивидуально