Как мы анализируем 96% диалогов 40 тысяч операторов и находим инсайты в миллионах звонков

В крупных контакт-центрах специалисты контроля качества вручную выборочно переслушивают около 1% звонков. Это как пытаться понять качество работы ресторана, попробовав одно блюдо из ста. Можно случайно нарваться на удачный диалог и упустить системную проблему. А можно услышать только негатив и не заметить, что 99% операторов работают отлично.

Наша платформа «Речевая аналитика» анализирует диалоги и дает объективную картину того, что происходит в клиентском сервисе. В статье рассказываем, на каких технологиях она работает, какие есть инструменты и как они помогают бизнесу находить точки роста.

Основа любой речевой аналитики — научиться находить нужные диалоги среди миллионов. Для этого у нас есть словари — наборы слов и фраз, объединенные темой. Сейчас их больше 7400: от словаря негатива до профессиональных терминов. Платформа автоматически находит диалоги, где встречаются эти фразы, и помечает их тегами. Теги настраиваются вручную один раз — дальше система проставляет их сама. Это позволяет быстро отфильтровать, например, все звонки с жалобами или все чаты, где оператор забыл попрощаться.

Когда нужно найти не просто фразу, а паттерн, в дело идет последовательный поиск. Можно задать до четырех фильтров по порядку: например, найти диалоги, где клиент сказал «дорого», потом оператор отработал возражение, а клиент ответил «я подумаю». Это помогает отслеживать эффективность скриптов. А умный семантический поиск работает еще тоньше: вводишь «клиент хвалит оператора» — и платформа находит диалоги не только с этой фразой, но и с похожими по смыслу, даже если слова звучали иначе.

Самый трудозатратный процесс в контроле качества — оценивать каждый диалог по чек-листу. Мы автоматизировали это через автооценку. В платформу загружается форма с критериями — теми же, по которым раньше работали люди, — и ML-модель начинает проставлять оценки. Точность сейчас достигает 85%. Этого достаточно, чтобы руководитель видел общую картину по всем звонкам, но для финальных выводов о конкретных сотрудниках иногда подключают ручную оценку. Она же используется для расчета мотивации, потому что только человек может учесть нюансы.

Ручная оценка в платформе никуда не делась — она просто стала удобнее. Оценщик выбирает звонки по заданным критериям (например, сотрудники с низким баллом или проблемные темы) и заполняет форму в интерфейсе. Также есть отчеты, в которых можно смотреть динамику изменения метрик по фильтрам по оператору, группе операторов или направлению. А модуль «Развитие качества» используется, чтобы оспорить оценку, которую выставили оператору или дать обратную связь после оценки. В обсуждении могут участвовать руководитель, оператор и оценщик, а также можно запросить мнение высоких руководителей в случае длительного оспаривания.

Часть инструментов Речевой аналитики построена на машинном обучении и больших языковых моделях. Например, определение негатива по интонации: модель улавливает сарказм даже там, где слова звучат нейтрально. Поиск возражений в продажах помогает понять, почему клиенты отказываются: «дорого», «подумаю», «не интересно». Модель поиска перебиваний находит диалоги, где оператор не дает клиенту договорить, с настройкой по времени или доле перебиваний.

Insights отвечает на частые вопросы руководителей: почему клиенты покупают или не покупают товары и услуги, зачем обращаются в поддержку, чем бывают недовольны. В отличие от словарей и отчетов Речевой аналитики, Insights не просто показывает, где возникает проблема, а помогает разобраться в ее причине. Инструмент работает без интернета и внешних сервисов — на базе T-Pro, нашей LLM-модели на 32 млрд параметров. Диалоги с клиентами обрабатываются внутри банка и не используются для обучения ИИ. Модель учитывает контекст и особенности русского языка, чтобы делать точные и глубокие выводы.

За распознавание речи отвечает VoiceKit — наша собственная технология, которая дает до 96% точности даже на некачественных аудио с просторечиями и дефектами произношения. Производительность платформы позволяет обрабатывать тысячи звонков за пять минут. Архитектура построена так, чтобы масштабироваться под нагрузку контакт-центра с 40 тысячами операторов. При этом интерфейс остается интуитивным и не требует специальных навыков для администрирования.

Речевая аналитика закрывает три ключевые задачи:

• Увеличение конверсии в продажи за счет анализа успешных диалогов и частых ошибок операторов.
• Сокращение оттока клиентов: отчеты показывают, на что жалуются чаще всего и какие проблемы ведут к повторным обращениям.
• Идеи для улучшения сервиса: платформа определяет реальные боли клиентов, которые можно зашить в доработки продуктов. Все это строится на данных, а не на догадках.