ИИ в отделе контроля качества: как подготовить для нейросети данные отдела продаж

Нейросеть может проверять звонки, фиксировать ошибки менеджеров, собирать обратную связь для маркетинга и помогать отделу продаж быстрее видеть слабые места. Елена Спицина, собственник и руководитель компании ArtCall, на «Белой конфе» разобрала, как внедрить ИИ в отдел контроля качества и какие данные отдела продаж подготовить для нейросети. 

Сначала — разбор процессов, потом нейросеть

Компания ArtCall 7 лет проводит аудиты отделов продаж для отделов контроля качества. За это время команда подготовила к внедрению ИИ больше 50 компаний в разных нишах, в том числе онлайн-школы.

Тренд на нейросети усилил спрос на такую работу. Аудит отдела продаж даёт как раз ту глубину, которая нужна перед внедрением ИИ в отдел контроля качества: команда смотрит звонки, переписки, встречи, документы, сделки и понимает, как на самом деле устроена коммуникация с клиентом.

Техническую часть дальше забирает отдельная команда внедрения. Но до этого нужно вытащить смыслы из процессов компании: какие типы звонков есть в продажах, по каким критериям их оценивать, где менеджер ошибается, какие документы устарели, какие данные нужны руководителю отдела продаж, маркетингу и продуктовой команде.

Если эту работу пропустить, нейросеть начнёт оценивать коммуникации по неточной базе. Она будет видеть звонки, но не поймёт, что именно в них важно для конкретной компании.

Какие задачи нейросеть может взять на себя в отделе контроля качества

Внедрение ИИ в отдел контроля качества поможет закрывать несколько задач:

• контролировать работу менеджера: оценивать звонки по критериям, быстро давать обратную связь и показывать, где сотрудник растёт, где проседает и на каком этапе продажи возникают проблемы;
• фиксировать алерты, в том числе пропущенные сообщения: ловить ситуации, где менеджер не ответил, потерял заявку, не довёл разговор до следующего шага или сделал что-то откровенно не так;
• собирать обратную связь для маркетинга: вытаскивать из звонков и переписок клиентскую речь, частые формулировки, вопросы, сомнения и сигналы по качеству лидов;
• собирать NPS для улучшения продукта: находить в речи клиента нюансы, которые не лежат на поверхности, но важны для доработки продукта;
• делать анализ под конкретные задачи компании: проверять гипотезы, искать повторяющиеся проблемы и смотреть большой объём звонков или переписок по заданным параметрам.

В туризме, например, контроль качества помогает смотреть не только на проданные заявки. Компания может звонить и тем, кто обратился, но до покупки не дошёл: так руководитель видит, как менеджер отработал подбор, как сопровождал клиента и где заявка зависла.

Нейросеть быстрее показывает места, где компания теряет деньги: пропущенные сообщения, недоведённые заявки, слабую отработку возражений, некачественные лиды и повторяющиеся жалобы клиентов.

Шесть условий для успешного внедрения ИИ в отдел контроля качества

Даже при внимательной настройке нейросеть может ошибаться. Команда ArtCall два года внедряла ИИ в свои процессы и столкнулась с тем, что добиться стопроцентной точности невозможно: система всё равно иногда даёт странные ответы, если задача описана недостаточно подробно.

Хорошо показывает проблему школьный пример. В тесте по «Окружающему миру» был вопрос: «Осенний букет какой?» Варианты ответа — жёлтый, красный, красивый и большой. Формально подходят все четыре. Но правильным считался только ответ «жёлтый», потому что перед тестом был текст, на который нужно было опереться.

С нейросетью работает тот же принцип. Если компания не даёт ей контекст, тип звонка, критерии и точную задачу, ИИ выбирает ответ по своей внутренней связи. Снаружи он может выглядеть правильным, но для конкретной ситуации окажется мимо.

Поэтому перед внедрением ИИ в отдел контроля качества нужно пройти шесть условий.

Условие 1. Человек, который отвечает за анализ

Сначала в компании должен появиться человек, который отвечает за смысловую настройку. Он может работать внутри команды или прийти на аутсорс, но именно он держит в руках весь процесс: слушает звонки, смотрит переписки, проверяет CRM, Геткурс, сделки и всё, что помогает понять реальную картину продаж.

Один звонок нельзя оценивать в отрыве от ситуации. Если аналитик просто слушает разговор, он видит одну часть картины. Если он понимает, что это третье касание, знает, что было до него, что менеджер уже обещал клиенту и какая задача стояла на этом этапе, выводы будут точнее.

Аватар аналитика отдела продаж выглядит так:

• в бэкграунде — профильное обучение и обучение продажам, не только опыт;
• умеет работать с большим количеством данных и видит проблему широко;
• обладает критическим мышлением;
• умеет абстрагироваться от взаимоотношений с сотрудниками;
• уверенный пользователь таблиц;
• обладает усидчивостью статиста.

Условие 2. Аудит отдела продаж

Аудит начинается с нескольких шагов:

• оцифровать звонки, встречи и переписки;

• проверить текущие документы: скрипты, шаблоны, регламенты;
• много слушать коммуникации и разбираться с типами звонков;
• описать критерии каждого типа звонка и поставить вес;

• слушать менеджеров, фиксируя тип звонка и качество отработки;

• фиксировать важные дополнительные данные, которые помогут потом связать коммуникацию с результатом сделки.

Документы тоже нужно проверять до запуска ИИ. Скрипт, шаблон или регламент могут лежать в папке, но менеджеры давно работают иначе. 

Что смотреть в документах:

• актуальность: не устарел ли контент и применяют ли его в работе;
• соответствие бизнесу: отражает ли документ изменения в продукте, целевой аудитории и рынке;
• структура: понятно ли выстроен текст;
• практичность: работают ли по нему менеджеры и дают ли обратную связь;
• релевантность болям клиента: закрывает ли документ реальные возражения.

На этом этапе компания должна понять, как продажа должна работать дальше. Нейросеть нельзя обучать на базе «как сейчас есть», если в этой базе уже накопились ошибки, устаревшие скрипты и нерабочие шаблоны.

Условие 3. Аналитика полученных данных и формулирование выводов

После аудита у компании появляется массив связанных данных: звонки, переписки, типы коммуникаций, критерии оценки, качество отработки, документы и результаты сделок. Теперь эту информацию нужно разобрать и превратить в выводы, с которыми команда сможет работать дальше.

Выводы формулируют по трём направлениям:

• коммуникации;
• документы;
• сделки.

По коммуникациям видно, где менеджеры регулярно ошибаются, какие этапы продаж проседают и у кого из сотрудников повторяются одни и те же проблемы. 

По документам становится понятно, какие скрипты, шаблоны и регламенты устарели или не помогают менеджерам в реальных разговорах. По сделкам можно связать качество коммуникации с результатом: где клиент дошёл до покупки, где завис, где компания потеряла контакт.

После аналитики команда уже видит, какие процессы готовы к автоматизации, а какие пока рано отдавать ИИ. На этом этапе появляется прототип ТЗ оценки звонков: в нём собирают типы звонков, критерии, веса и правила оценки.

Чем точнее прописано ТЗ, тем меньше искажений даёт нейросеть. Если критерий описали слишком широко, ИИ начнёт ловить лишнее.

Результат этого этапа — решение, какие процессы точно внедрять, и первый прототип ТЗ для обучения нейросети. Здесь компания уже работает с конкретной задачей: что анализировать, по каким правилам и какой результат считать корректным.

Условие 4. Проработать точки роста и внедрить изменения

После аудита и первого ТЗ появляется список задач, которые нужно закрыть до запуска нейросети. Это могут быть обновлённые скрипты, доработанные критерии, обучение менеджеров, настройка таблиц, новые регламенты или исправление слабых мест в коммуникациях.

Эту работу лучше вести как отдельный проект. Для каждой задачи нужно назначить ответственного, поставить дедлайн и заранее определить, по каким критериям команда поймёт, что результат достигнут.

На этом этапе фиксируют три вещи:

• список задач с ответственными и дедлайнами на внедрение изменений;

• точные критерии замера результата по SMART;

• результат, после которого компания начнёт внедрять ИИ.

Здесь важно дойти до реального изменения в работе отдела продаж. Рассказать менеджерам, что теперь нужно говорить иначе, недостаточно. Нужно проверить, что они действительно начали работать по обновлённым правилам, а руководитель видит это в данных.

Условие 5. Наличие необходимых инструментов и процессов

После списка задач внедрение нужно перевести в управляемый режим. В ArtCall для этого используют спринты: короткие отрезки работы, где у каждого участника есть конкретные задачи, сроки и понятный результат.

Сначала команда собирает крупный план работ, а потом переносит задачи в недельные спринты. 

В процессе участвуют несколько ролей: куратор, аналитик, руководитель отдела продаж и руководитель отдела внедрения. Раз в неделю они встречаются на координации и сверяют, что получилось сделать, где появились затыки и что нужно изменить в работе.

У каждого участника к этой встрече должны быть два документа:

• спринт-отчёт за прошлую неделю;
• спринт-план на следующую неделю.

Задача координации — синхронизировать участников, найти узкие места, принять решения по ним и скорректировать работу. 

Результат этого условия — контролируемый процесс внедрения на основе плана и замера результата. Срок зависит от компании и объёма данных: у подготовленной команды процесс может занять месяц, два или три. Примерно через месяц уже можно начинать загружать информацию в нейросеть и смотреть, как она обучается.

Условие 6. Системные процессы для поддержания высокого уровня работы нейросети

После запуска ТЗ нужно докручивать: пополнять архив звонков, переписок и встреч, уточнять типы коммуникаций, корректировать критерии и точнее настраивать сегменты целевой аудитории.

Чем подробнее компания описывает свои данные, тем точнее нейросеть возвращает результат. Например, сначала квалификация клиента может выглядеть общей. Потом аналитик видит, что её нужно дробить по сегментам, запросам или типам обращений, и дообучает ИИ уже на более точных правилах.

Обязательный процесс — регулярная работа аналитика в связке с руководителем отдела продаж. Аналитик продолжает слушать звонки выборочно, проверяет, как нейросеть ставит оценки, замечает искажения и возвращает уточнения в ТЗ.

Дополнительно нейросеть может работать с запросами от других отделов:

• маркетинг может собирать клиентскую речь, проверять гипотезы и смотреть качество лидов;
• методисты и продуктологи могут искать в звонках информацию о продукте, обучении, ожиданиях и болях клиентов;
• другие команды могут получать данные из большого массива коммуникаций, если нужные сигналы звучат в разговорах или переписках.

Компания продолжает кормить ИИ новыми данными, проверять качество оценки и уточнять правила под свои задачи.

Что компания получает после такой подготовки

После всей подготовительной работы компания получает ИИ-ассистента, который берёт на себя часть задач РОПа и аналитика. Он быстрее проходит по большому объёму данных, не устаёт от повторяющихся звонков и оценивает коммуникации по тем правилам, которые ему задали.

Ассистент помогает:

• экономить время РОПу и аналитику;
• оценивать звонки без личного отношения к менеджерам;
• работать с большим количеством данных на высокой скорости;
• со временем точнее анализировать именно данные конкретной компании;
• с текущими задачами на своём уровне;
• ускорять развитие компании за счёт более быстрых решений.

Здесь важна не сама нейросеть, а качество её обучения. Сервис может прийти со стандартными критериями, но стандартные критерии редко попадают точно в процессы конкретного бизнеса. Если компанию это устраивает на старте, дальше всё равно придётся доучивать ассистента под свои звонки, продукты, сегменты и задачи.

Иначе ИИ начнёт отдавать «корявые» данные. Руководитель будет смотреть на отчёты, делать выводы и менять работу отдела продаж, но опираться при этом на искажённую картину.

Что может пойти не так

На первый взгляд внедрение ИИ в отдел контроля качества выглядит простым: собрать данные, обучить нейросеть, запустить ассистента и начать получать отчёты. Но в этой работе быстро всплывают нюансы.

• Первая проблема — нейросеть может «сойти с ума», если компания плохо разобралась с типами звонков, критериями и весами. 

Она начнёт оценивать разговоры по неточным признакам, ловить лишнее или пропускать важное. Дальше эти ошибки попадут в отчёты и исказят картину для руководителя.

• Вторая проблема — аудит и внедрение могут занять больше времени, чем компания рассчитывала. 

Даже при плане появляются затыки: нужно переслушивать звонки, уточнять критерии, переписывать документы, доучивать менеджеров и заново проверять результат.

• Третья проблема — типы звонков не всегда очевидны даже человеку. 

Поэтому оценку нейросети нужно выборочно контролировать. ИИ может неверно считать формулировку, слишком широко понять критерий или отнести разговор не к тому типу.

• Четвёртая проблема — бюджет. 

Ассистент стоит денег, поэтому небольшой компании нужно заранее посчитать, окупится ли внедрение сейчас. Иногда на первом этапе разумнее собрать данные руками, навести порядок в процессах и только потом подключать ИИ.

Главное — подготовить нейросеть до запуска

Внедрение ИИ в отдел контроля качества сработает точно только тогда, когда компания заранее разобрала звонки, переписки, документы, типы коммуникаций, критерии и веса.

После запуска работу всё равно нужно контролировать: аналитик проверяет оценки, уточняет ТЗ и доучивает ассистента на новых данных.

ИИ помогает быстрее видеть слабые места в продажах, но не заменяет смысловую подготовку и регулярную проверку.