Три заблуждения о речевой аналитике, или что должен знать каждый маркетолог в 2020 году

Речевая аналитика — однозначный тренд ближайших пяти-десяти лет. Она предоставляет колоссальный объем данных, ранее недоступных. Однако мало кто понимает, как их использовать.

Почему не надо гнаться за дословной расшифровкой речи, как тегировать звонки с точностью 96% и что делать с этими данными, —рассказывает Семен Суслин, менеджер продукта по речевой аналитике CoMagic.

Речевая аналитика выпустила джина из бутылки. Только представьте: вам доступны для изучения 100% разговоров клиентов с менеджерами. Не все готовы применить эти знания, но за ними будущее: если данные есть, бизнес будет их использовать. В этой статье я расскажу, какие мифы и заблуждения мешают маркетологам и менеджерам по продажам успешно использовать новые данные о клиентах и сделках.

Речевая аналитика — это основанная на методах машинного обучения технология, которая переводит речь человека в текстовый формат. В последние годы по ряду технологий величина ошибки не превышает 4–5%. И хотя расшифровка русской речи осложняется большим количеством фраз в предложении, точность распознавания достигает 80%. То есть 8 из 10 слов будут распознаны и доступны для поиска по ним нужного диалога, тегирования, обучения нейронной сети с учетом контекста.

Мы не раз слышали от клиентов: речевая аналитика не дает дословной расшифровки, в предложениях не все слова согласуются, как это читать? Но, внимание, вопрос: сотрудник, который прослушивает звонки, переводит их в текст? Нет! Он тегирует, делает пометки, находит опорные слова. Если заставить его транскрибировать услышанное и набирать текст, придется оплачивать целую роту специалистов в режиме 24/7.

Речевая аналитика ≠ транскрибация

Речевая аналитика так же, как и человек, размечает звонки по наличию обязательных и/или стоп-слов. Только человек успевает сделать это для 5–10% звонков, а программа — для 100% разговоров. Вот и вся разница.

Неверно и мнение о том, что интонация и сложность великого и могучего русского языка доступны для понимания только людям. Точность расшифровки записанной спонтанной речи человеком достигает 99%. Точность технологии распознавания речи для последующего анализа по ключевым словам, как мы уже отмечали выше, — 80%. Эта цифра успешно повышается при обучении алгоритма, дополнении словарей терминами и специфической лексикой. Так, в этом году мы добавляем в нашу систему речевой аналитики три новых отраслевых словаря: «Автомобильная тематика», «Медицина», «Недвижимость». При этом в последней тематике по ряду проектов точность тегирования уже достигает 96%.

Если принять весь массив записей за единицу, получим для человека потенциальный «охват» данных — 9,9%, для машины — 80%. Разница почти в 10 раз!

Не надо ждать идеальных расшифровок. Достаточно взять в работу массив данных на ломаном языке искусственного интеллекта и в несколько кликов найти в нём звонки, которые нужно прослушать специалисту. И если до подключения речевой аналитики сотрудник анализировал случайные 5% звонков, то после он может выполнять тот же объем работы, но лишь по тем обращениям, которые требуют особого внимания. Например, найти звонки, в которых оператор и/или клиент использовали определенное слово.

Один наш клиент прослушивал звонки с тегом «негатив» и обнаружил интересную закономерность. Оказалось, что некоторые покупатели при получении товара от курьера были недовольны доплатой за подъем без лифта на этаж или доставку за МКАД. Этот пункт добавили в скрипт. Теперь в конце разговора оператор сразу озвучивает финальную стоимость заказа и доставки. Выполнение этого пункта контролируется по всем звонкам с помощью автоматического тегирования. Источник негатива полностью устранен.

Казалось бы, задача с анализом звонков упрощается: достаточно составить список слов-маркеров и по ним тегировать звонки. И снова вопрос: сможете назвать 10–20 фраз, которые характеризуют звонок как качественный и целевой?

Определить параметры, которые характеризуют качественный, целевой звонок, должны совместно маркетологи и менеджеры по продажам. И это не блажь, а жизненная необходимость с учетом тренда на работу по всей воронке продаж. Это упражнение полезно и тем, кто пока не думает о внедрении речевой аналитики.

Наш опыт показывает, что порядка 40% компаний не имеют таких критериев либо мнение по этому поводу сильно расходится у маркетологов и менеджеров по продажам. Отсюда и тянется это вечное противостояние:

Между тем телефонный разговор, который с максимальной вероятностью приводит к продаже, всегда отличает ряд опорных пунктов. Например, это могут быть вопросы о доставке для мебельного магазина, упоминание фамилии конкретного врача для клиники. Чем их больше, тем выше вероятность продажи. Чтобы найти эти триггеры, нужно прослушать не менее 10–20 разговоров, в том числе отдельно те, которые привели к продаже, и те, которые закончились ничем.

Можно долго спорить, что машина не понимает нюансов нашей речи. Но факты говорят об обратном: при анализе звонков в любой отдельно взятой тематике алгоритму машинного обучения достаточно 15–20 слов-триггеров для тегирования звонков. 15–20, Карл!

Что человеку важно, например, при заказе роллов? Время ожидания, стоимость и срок доставки, скидки, количество имбиря и палочек. Или возьмем звонок в агентство недвижимости: цена, площадь, ипотека, отделка, договор, гарантии, срок сдачи. И неважно, звонит ли молодая мама-фрилансер или седой профессор. В обычной жизни они могут говорить по-разному, но при заказе товаров и услуг будут использовать одни и те же понятные и конкретные формулировки.

Чтобы определить необходимый набор фраз, нужно отталкиваться от задач: изучение потребностей клиентов, работы менеджеров по продажам, выявление определенных категорий звонков. Ниже приведен фрагмент расшифровки и выделены слова, которые могут быть такими маркерами.

И это еще один аргумент в пользу того, что 100%-ого качества расшифровки не требуется. Вы просто программируете систему на поиск важных для вашего бизнеса слов, и, поверьте, большинство из них алгоритм без труда распознает. Если критичны отдельные бренды, марки, терминология — всему этому система без проблем обучается. Достаточно посмотреть несколько расшифровок, отметить сложные слова и дополнить ими словарь.

У нас есть клиенты, которые используют автоматическое тегирование параллельно с тегированием звонков сотрудниками. Затем прослушиваются звонки, где метки расходятся. Далее можно дать обратную связь оператору, получить дополнительные вводные по работе с клиентами, скорректировать скрипт.

По одному из проектов автоматическая сверка чек-листа в рамках речевой аналитики показала неожиданный результат. Прописанный в компании скрипт работал хуже, чем его вольная интерпретация сотрудниками. Собрали инсайты из звонков, которые приводили к продажам, составили новый скрипт и увеличили конверсию в сделку.

С точки зрения статистики выборка из 10% звонков исключает «скопление» при прослушивании самых успешных или, наоборот, только провальных. Для средней температуры по больнице этого и правда достаточно. Вы поймете, как в целом сотрудники транслируют преимущества, выборочно узнаете реакцию на те или иные предложения. Если кто-то косячит, можно с ним поговорить, и он исправится.

А если прослушать все похожие неудачные разговоры и найти проблему? Возможно, обучение устарело, мотивация не работает. Или найти не один - два, а все разговоры, где клиенты хвалят менеджера, — можно ли найти в них что-то общее, скорректировать бизнес-процесс? Что именно приводит к такому результату? То, что при анализе 10% звонков — погрешность, при прослушивании всего объема — точка роста.

Один наш клиент — крупный магазин бытовой техники — за счет автоматического тегирования обнаружил интересную категорию звонков. Клиенты спрашивали о дополнительных товарах, но ничего не покупали. В компании посчитали, сколько таких звонков поступает и сколько денег на этом теряется. Прослушали обращения, скорректировали скрипт продавцов, разработали для них новый KPI. В результате удалось увеличить продажи на 20%.

Подробнее об этом кейсе, а также о самом продукте мы даже записали вот такое видео:

Алгоритм протегирует 500, 1000 и даже 10 000 звонков, зафиксирует заданные вами ключевые моменты. Например, при звонке клиента в автосалон определит, обращался ли он в сервис или хотел записаться на тест-драйв. Покажет, рассказал ли оператор о важных акциях, не использовал ли запрещенные слова. Далее специалист может выбрать для прослушивания любую категорию звонков и делать выводы, выдвигать гипотезы, основанные на реальных данных, в том числе ретроспективных.

За один только 2019 год мы в CoMagic прошли путь от тестирования бета-версии речевой аналитики до подключения десятков компаний, нативной интеграции со сторонними сервисами телефонии без участия программистов клиента, научились расшифровывать wav- и mp3-файлы, поставили на поток дополнение словарей и обучение алгоритма в наиболее востребованных тематиках «Автомобили», «Медицина», «Недвижимость». В этом году планируем продолжить работу по преднастройке тегов по тематикам бизнеса, чтобы свести к минимуму этап обучения нейросети и еще быстрее давать качественный результат.

Больше подробных статей о наших продуктах читайте в блоге CoMagic.