Слышать клиента, слушать оператора: как речевая аналитика повышает эффективность общения с клиентами

𝓲

Сергеей Алексеев

Речевая аналитика как базовый инструмент эффективного клиентского сервиса

Автоматическое распознавание устной речи с транскрибацией и последующим контент-анализом все чаще системно используется крупными компаниями для повышения эффективности бизнес-процессов.

В дистанционном клиентском сервисе речевые модели и искусственный интеллект задействованы в анализе обратной связи клиентов, используются для автоматизации контроля качества работы операторов, автоматической оценки эмоциональной окраски диалогов, реже – для голосовой идентификации клиентов по цифровому слепку голоса.

Внедрение даже простых по конфигурации и функционалу систем речевой аналитики позволяет получить и отслеживать динамику объективных метрик, необходимых для оценки производительности и повышения эффективности работы операторов контакт-центра. Например, с помощью речевой аналитики можно определять соответствие диалогов скриптам по ряду ключевых параметров, выявлять использование запрещенных слов и речевых оборотов, отслеживать соблюдение стандартов информационного обслуживания.

Анализ голосовых обращений клиентов позволяет объективно определить как степень удовлетворенности клиента продуктом или услугой, так и работой специалиста контактного центра.

Понимание реальных потребностей клиентов достигается за счет:

• выявления наиболее частотных причин претензионных обращений;
• сегментации тематик обращений;
• определения причин повторных обращений в службу поддержки.

Анализ речи операторов и сотрудников клиентского сервиса позволяет:

• гарантировать соблюдение сценариев и корпоративных стандартов обслуживания;
• анализировать характер и эффективность работы с негативом;
• оперативно выявлять сотрудников в зоне коммуникационных рисков, своевременно купируя возможные репутационные издержки.

Слушай и анализируй, контролируй и улучшай

Одно из самых востребованных направлений использования систем автоматизированной аналитики речи в контакт-центрах – повышение качества обслуживания через контроль взаимодействий операторов с клиентами.

Автоматический контроль соблюдения скриптов позволяет фиксировать перебивание клиента, критические паузы в диалогах, использование ненормативной лексики, stop-слов, жаргонизмов. На основании полученных данных автоматически, исключая человеческий фактор и необъективную оценку, формируется рейтинг сотрудников, отражающий не только количество принятых или совершенных каждым оператором исходящих вызовов, но и средний балл для всех диалогов, а также количество допущенных каждым специалистом ошибок. Как DevOps-сервис помогает «разгрузить» высоконагруженные системы BPMSoft 2 т

На основе полученных данных формируется общий план корректирующих мероприятий: дополнительное обучение или тренинги, разрабатываются индивидуальные рекомендации для каждого оператора. За этими мероприятиями следует постоянный мониторинг и оценка, позволяющие выявить факты повторных ошибок и отразить повышение индивидуального рейтинга эффективности оператора.

Объективный подход к оценке работы операторов, а также оперативное выявление проблемных зон и причин низкого качества работы позволяет формировать индивидуальные планы корректирующего развития для каждого сотрудника, проводить дополнительно обучение, тем самым влияя на качество работы, жизненный цикл и мотивацию специалистов контакт-центра.

Как показывает практика VOXYS, выявление проблемных зон средствами речевой аналитики с последующей разработкой и реализацией корректирующего плана дополнительной подготовки сотрудников позволяет увеличить средний процент выполнения скрипта на проекте с 84,4% до 97,3%.

Омниканальность, или даже у стен могут быть умные уши

Оформившаяся из тренда в сложившийся стандарт омниканальность в клиентском взаимодействии диктует необходимость внедрения сквозной омниканальной речевой аналитики. Анализируется все. От заочного голосового взаимодействия – переписки с клиентами в web-чатах, общения от лица бренда в социальных сетях, взаимодействие клиентов с голосовыми роботами и чат-ботами, до записей очных диалогов с клиентами в точках продаж в ходе консультирования, сопровождения продажи, оформления гарантийного обслуживания.

Только системный сбор и анализ информации независимо от канала и формы коммуникации с клиентом – одинаково важна устная и письменная речь – позволяет обеспечить полноценный мониторинг качества обслуживания, прозрачность и соответствие характера общения специалистов с клиентами актуальным бизнес-задачам: повышение продаж, увеличение осведомленности о продуктах и услугах, стимулирование перекрестных продаж, повышение качества послепродажного сервиса.

CJM, продуктовый подход и речевая аналитика

Инструментарий исследований потребительского поведения, используемых при разработке карт клиентского пути (CJM): выборочные опросы и фокус-группы, методика «тайного покупателя», построение прогноза поведения клиентов на основе анализа данных CRM, сегодня может быть существенно расширен за счет данных речевой аналитики.

Автоматический анализ дата-сетов коммуникаций с клиентами позволяет определять эффективность скриптов, выявлять лучшие практики в коммуникации, формулировать стратегии избегания негатива и работы с возражениями, выявлять наиболее частотные потребности и пожелания клиентов к продуктам и сервисам. При этом снимаются вопросы о репрезентативности выборок для традиционных опросов и фокус-групп, аудитория которых всегда ограничена. В речевой аналитике контент-анализ производится по всему массиву данных и учитывает каждое взаимодействие, каждый диалог с клиентом.

Данные речевой аналитики все чаще востребованы маркетологами, продакт-менеджерами и адептами пришедшего из сферы IT продуктового подхода. После сбора данные маркируются и анализируются, формируются зоны и тематики для контроля и развития системы коммуникационного взаимодействия с клиентами. Сводный массив данных позволяет существенно улучшить качество CJM, оперативно определить динамику изменения потребительского поведения, тестировать продуктовые гипотезы, вносить корректировки в продуктовую или сервисную линейку, более полно формировать профили клиентов, а также разрабатывать сегментированные или индивидуальные предложения.

Примеры внедрения речевой аналитики в работу контакт-центров

Специалисты центра коммуникаций VOXYS внедряют системы речевой аналитики разной конфигурации в бизнес-процессы клиентского сервиса для ведущих российских компаний.

Вот лишь пара успешных примеров, отражающих функциональные возможности и потенциал автоматизированной речевой аналитики для повышения эффективности дистанционного взаимодействия бизнеса с клиентами.

Пример: как речевая аналитика помогла повысить уровень удовлетворённости клиентов и избавиться от негатива в общении с клиентами

Заказчик:

• крупный пассажирский перевозчик.

Ситуация:

• выборочная (ручная) оценка устных диалогов операторов службы поддержки с клиентами;
• в ручном режиме каждый месяц оценивалось порядка 14 500 диалогов или около 3% от общего ежемесячного объема диалогов;
• качество диалогов на протяжении полугода не превышало 67 баллов по чек-листу (целевой таргет – 80 баллов);
• доля негативных диалогов достигала 24%.

Что было сделано специалистами VOXYS:

• настроена автоматическая оценка каждого диалога по чек-листу;
• проведен анализ уровня удовлетворенности клиентов, классифицированы наиболее частотные причины возникновения негатива, сформирован рейтинг причин в разрезе сотрудников и сервисов компании;
• проведено дополнительное обучение операторов с фокусом на проблемные зоны в коммуникациях с клиентами;
• отредактированы скрипт-процедуры;
• внесены изменения и дополнения в базу знаний проекта (справочник оператора).

Результат:

• на 42% сократилась доля негативных диалогов (с 24% до 13,9%);
• на 34% выросло качество диалогов (с 67% до 83,7%);
• на 26% сократилось количество жалоб;
• 600 000 руб. – оптимизация ежемесячных затрат на ФОТ аудиторов (сокращение количества с 21 до 4 штатных единиц).

Пример: речевая аналитика для повышения эффективности продаж, или что и как стоит говорить, чтобы больше продавать

Заказчик:

• крупный российский банк.

Ситуация:

• выборочная (ручная) оценка диалогов операторов контакт-центра с клиентами. В ручном режиме каждый месяц оценивалось порядка 17 000 диалогов или около 3% от общего ежемесячного объема диалогов;
• наблюдался высокий уровень фиктивных согласий и системная потеря клиентов – 89% неотработанных первичных сопротивлений;
• отсутствие отработки возражений (52% диалогов).

Что было сделано:

• настроена автоматическая оценка каждого диалога оператора контакт-центра по чек-листу;
• средствами речевой аналитики выявлены причины фиктивных согласий, настроены маркеры фиктивных согласий, проведено дополнительное обучение персонала;
• проведен анализ и корректировка алгоритма снятия первичных сопротивлений, вывялены проблемные зоны, составлен ТОП антилидеров, проведена серия дополнительных тематических тренингов для операторов;
• выявлены лучшие и худшие практики отработки возражений;
• скорректированы скрипты – удалены неэффективные фразы, добавлены новые речевые обороты и фразы с высокой долей частотности в проанализированных ранее диалогах с высоким процентом конверсии.

Результат:

• на 23% выросло качество диалогов (с 71% до 89.8%);
• на 34% сократилось количество фиктивных согласий;
• на 47% сократилась неотработка первичных сопротивлений (с 89% до 42%);
• на 8% сокращено отсутствие отработки возражений.