Речевая аналитика — бесполезный космический корабль или локомотив эффективных улучшений?

В поезд из села Старый Добрый Мониторинг в Светлое Будущее Речевой Аналитики Сити мы садились с приличным багажом проблем: низкий AHT, почти пятая часть повторных обращений, нехватка статистики... Куда мы приехали, и на что способна речевая аналитика в руках экспертов, рассказывает Владимир Зиновьев, ведущий менеджер клиентского сервиса Teleperformance.

Обычно одна из задач путешествия — взять с собой всё необходимое с первого раза и доставить багаж из пункта А в пункт Б без перемен и приключений. Но наш багаж мы пересобирали именно по пути. Что в нём было изначально:

Само название «речевая аналитика» намекает на то, что с помощью инструмента можно изучать тот самый «голос клиента» (спойлер: и не только). Поэтому для начала мы перевели все диалоги в текст. Везёт тому, у кого есть только чаты: тогда не нужны хитроумные движки распознавания речи и долгая калибровка speech-to-text модели. Как, например, было у нас в случае с голосовыми каналами обслуживания.

Характерный звук, толчок — и поезд начал набирать скорость. А мы принялись настраивать стенд платформы речевой аналитики и интегрировать его с инфраструктурой контактного центра — чтобы практически в реальном (а можно и в реальном, если очень нужно) времени переводить аудио- и видеозаписи разговоров в текст, добавлять к ним чаты из мессенджеров соцсетей и консолидировать это всё в едином потоке взаимодействий с клиентом, где каждый диалог проиндексирован для поиска по запросу.

Шутки шутками, но именно после этого и началась настоящая магия…

Разметили маркеры для анализа «голоса клиента». Задали критерии категоризации диалогов. Захотелось видеть все диалоги, где речь про утюг — пожалуйста. Захотелось посмотреть сообщения, где клиенты благодарят бренд за это чудо техники — не проблема, несколько минут, и готово.

И это железобетонные данные, а не то, что операторы посчитали нужным отметить в системе регистрации обращений. Это тот самый кристаллизованный «голос клиента».

Наш инструмент речевой аналитики умеет строить облако тегов, которое позволяет увидеть частотность повторений тех или иных слов, произнесенных оператором или клиентом в заданный отрезок времени. И благодаря этому инструменту нашему взору предстало бескрайнее поле инсайтов. Мы увидели там специфические жалобы по технике и процессам, которые не могли заметить при стандартной прослушке разговоров. Это помогло починить NPS там, где мы даже не думали.

Настало время настроить автоматизированные мониторинговые формы, которые частично (а в перспективе и полностью) заменяют ручной контроль качества. Стопроцентный мониторинг всех разговоров создаёт эффект Большого брата в лице речевой аналитики, а осознание неминуемого наказания за ошибку, мягко говоря, дисциплинирует команду и бустит качество коммуникации с клиентами.

Дополнительно мы внедрили сценарии, по которым отслеживали, насколько чётко операторы следуют алгоритмам в случае, например, чувствительных репутационно-финансовых кейсов.

Мы установили жёсткие критерии по нежелательной лексике операторов, чтобы их речь звучала более профессионально. Из лексики агентов мы решили убрать:

В итоге за три месяца сократили процент операторских ответов с упоминанием нежелательных слов с 94% до 55%.

Улучшенная работа агентов привела к тому, что решение запроса клиентов с первого раза (First Call Resolution, FCR) мы подняли на 9%. Негатива в звонках со стороны клиентов стало меньше на 4%.

Благодаря данным из речевой аналитики мы выявили, что клиенты и операторы контактного центра тратят много времени на диагностику техники. Мы проанализировали, какие вопросы клиенты задают чаще всего, и с учётом этого внедрили решения, которые сократили длительность диагностики.

Ещё речевая аналитика подсветила тишину и флуд в разговоре. Анализ этих смысловых пустот помог сократить время обслуживания (AHT).

Речевая аналитика стала движущей силой изменений. Когда мы качественно структурировали «голос клиента» и диалоги, стало очевидно, что большую часть коммуникации можно проводить без участия или с меньшим участием оператора.

Часть процессов мы уже передали в селф-сервис: создали новые видеоинструкции, чтобы клиенты могли самостоятельно диагностировать неисправности, полностью переработали алгоритмы обслуживания и базу знаний агентов, запустили чат-бот. Продолжаем строить новый портал самообслуживания для потребителей и внедряем войс-бот.

Помимо того, что мы снизили количество обращений в контактный центр за счет селф-сервиса, а также сократили AHT, мы получили очевидный рост в NPS на ~7%.

Объём обращений перераспределился: в чат-бот ушло 55% запросов, в войс-бот и селф-сервис уйдёт еще не менее 15%. Тем самым мы освободили время операторам, и они могут уделить больше внимания клиентам с нестандартными ситуациями. Клиенты же с распространёнными запросами получают ответ на свой запрос быстрее.

На этапе проектирования цифровой инфраструктуры (боты, порталы и вот это всё) потребовалось меньше трудозатрат на аналитику, и, следовательно, мы сэкономили клиенту как минимум 10% бюджета на внедрении карты трансформации — это стало приятным бонусом при всех остальных преимуществах нашего путешествия ;)