Издержки сократились на 90%: опыт колл-центра с распознаванием речи

Аутсорсинговый колл-центр «Лидер» работает с холодной базой заказчиков. На прозвон одной базы операторы тратили до 20 дней.

Евгений Маштаков, владелец «Лидера», рассказывает, как он сократил время прозвона базы в 4 раза и снизил издержки в рамках каждого проекта.

«Лидер» — внешний колл-центр. Мы работаем с банками, крупными интернет-магазинами, службами такси и другими сервисными компаниями.

В основном мы берем проекты с исходящими звонками — там, где мы сами звоним от лица заказчика его клиентам. Например, рассказываем о новых акциях, проводим опросы, предлагаем новые услуги и товары.

Заказчик платит нам за успешный звонок. Успешным мы считаем тот звонок, что отвечает двум критериям:

Звонки, которые не подпадают под критерии успешного звонка, не засчитываются. За них заказчик не платит, даже если оператор потратил на такой звонок время.

Полученную оплату мы тратим на обеспечение заказа. Например, телефонию, время работы операторов и доступ к CRM-системе.

Остальная часть оплаты — прибыль компании. Чем больше успешных звонков, тем больше наша прибыль.

Операторы колл-центра обзванивают базы, которые дает заказчик. Бывает два типа баз: теплые и холодные.

Теплые базы — номера телефонов потенциальных или текущих клиентов заказчика. С такой базой работать выгоднее, потому что контакты проверены, клиенты уже знают о компании, ошибки в базе попадаются нечасто. Доля успешных звонков здесь выше.

Проблема в том, что битые номера иногда занимают до 80% базы и только 20% номеров принадлежат реальным людям.

К 2018 году эта проблема стала ощутимой. На обработку холодной базы заказчика операторы тратили до 20 рабочих дней. Все растягивалось из-за битых номеров и неуспешных звонков.

Со сроком обработки до 20 дней мы могли брать ограниченное число заказов. Какое точно, я сейчас не вспомню. Их хватало для поддержания бизнеса, но сдерживало его рост. Чтобы брать больше, нужно было увеличивать количество операторов, а это новые издержки. Замкнутый круг.

Мы поняли, что надо менять модель работы. Оператор должен брать в работу только номера реальных абонентов, без битых номеров. Вопрос в том, как их отсеивать.

Для решения этой задачи уже есть готовый инструмент — голосовые роботы. Даже на тот момент, в 2018 году, их использовали многие колл-центры. Голосовые роботы помогают отсеивать битые номера и увеличивать число успешных звонков.

На схеме обработка звонков выглядит так:

В результате оператор получает в работу успешные звонки. Важно понимать, что хотя робот и отсеивает большинство неуспешных звонков, небольшая их доля все-таки попадает на операторов.

Чтобы робот отличал голос автоответчика от голоса человека, надо подключить распознавание речи. Это отдельная технология, и ее обычно покупают отдельно.

Мы следим за техническими решениями для нашей отрасли и за тем, как работают другие колл-центры. Поэтому у нас была информация, что существует речевая технология для роботов от крупной ИТ-компании. Именно ее мы решили попробовать в своих проектах.

В 2018 году мы запустили робота с речевой технологией в рамках первого проекта. За первые недели использования результат был хорошим: доля неуспешных звонков сократилась в пять раз — с 67 до 13%.

В среднем это ускорило обработку базы в 4 раза. Операторы смогли обрабатывать большее количество контактов за меньшее время. Получилось, что эффективность работы выросла, операторы работали только с реальными контактами.

На этом я мог бы закончить кейс: мы добились того, чего хотели. Но спустя некоторое время появилась проблема.

С технологией распознавания речи от крупной ИТ-компании была сложность.

❗ Робот делал долгие паузы, и люди не выдерживали и бросали трубку. Чтобы робот распознал, с кем он сейчас говорит, он слушал речь три секунды и записывал короткий звуковой файл. Затем он отдавал его на расшифровку сервису распознавания речи. Сервис переводил речь в текст и отправлял обратно роботу. Только получив скрипт обратно и разобрав смысл, робот отвечал абоненту.

Такой способ взаимодействия робота и речевой технологии называется коротким распознаванием.

В реальности это выглядит так.

Хорошо, если абонент терпеливый и дождется ответа. Часто люди просто бросают трубку.

❗ Переплачивали за время из-за фиксированной стоимости. По условиям ИТ-компании каждый раз, когда включался голосовой робот, мы платили фиксированную стоимость. Не важно, успешный звонок или нет: если робот начал запись, мы платим.

Из-за фиксированной стоимости получается следующая картинка. Абонент взял трубку, а потом через пару секунд ее бросил. Для нас это неуспешный звонок, мы не получаем за него плату от заказчика. При этом мы уже потратили на него деньги: стоимость времени оператора и работы голосового робота.

❌ В итоге это привело к росту стоимости обработки одного вызова на 15%.

Мы знали: чтобы избежать долгих пауз, нужна технология с другим способом распознавания — потоковым. Поясню, как это работает.

✅ Робот моментально обрабатывает речь и сразу же отвечает абоненту. В данном случае робот сразу записывает сказанное, параллельно отправляет на расшифровку, получает обратно текст и может тут же понять, о чем говорит абонент. Ждать несколько секунд ему не надо.

Люди воспринимают такой диалог как естественную речь и с большей вероятностью слушают рекламное сообщение.

✅ Нет переплаты. Оплата считается только за те секунды, когда говорит робот. Другое преимущество такого распознавания — в цене. Стоимость потокового распознавания речи предполагает посекундную оплату. К примеру, робот распознал отрезок речи за 2 секунды. Вот за 2 секунды колл-центр и платит.

Если бы наш голосовой робот работал с потоковым распознаванием речи, мы бы выиграли:

Несмотря на преимущества потокового распознавания речи, мы продолжали использовать короткое распознавание. Ниже объясню почему.

Чтобы робот мог работать с более выгодным распознаванием речи, потоковым, его надо соединить с телефонией. Это сервис, через который операторы звонят клиентам. Для интеграции робота и телефонии нужен коннектор — программа, которая их соединит.

В 2018 году мы работали с телефонией Asterisk. Тогда на рынке был только один коннектор между потоковой речевой технологией и этой телефонией — у вендора из США. Одна лицензия стоила 80 $. На 100 операторов нам бы пришлось тратить 8000 $ каждый месяц.

Чтобы отбить расходы, мы бы включили эти 8000 $ в стоимость услуг для заказчиков. Это привело бы к многократному росту цен, и мы бы потеряли клиентов. Простой пример на продуктах: если во всех магазинах помидоры стоят в среднем 100 ₽, а кто-то один решил продавать их за 900 ₽, будут ли у этого смельчака клиенты?

Этот вариант нам явно не подходил. Мы не могли тратить столько денег на программу, поэтому продолжали использовать роботы с речевой технологией от ИТ-компании.

Хотя мы и продолжали работу с ИТ-компанией для распознавания речи, параллельно изучали, какие еще решения есть на рынке.

Применяли обычный поиск в интернете. Увидели, что нужная нам технология распознавания речи есть в Т-Банке, называется Voicekit от Т-Банка. Мы заполнили заявку на сайте, на следующий день с нами связался менеджер и предложил рассказать подробнее.

Voicekit от Т-Банка предлагал потоковое распознавание. В отличие от технологии ИТ-компании у Т-Банка уже был коннектор для интеграции технологии распознавания с нашей телефонией — Asterisk.

Решающим фактором стало то, что Т-Банк давал возможность бесплатного тестирования технологии для оценки ее качества. Буквально на той же неделе мы заключили договор и начали установку Voicekit от Т-Банка.

Тут стоит рассказать об установке подробнее.

👍 Установкой занимались наши разработчики, по сложным и спорным вопросам обращались к разработчикам Т-Банка. Технические специалисты VoiceKit от Т-Банка участвовали в тестировании и отладке интеграции.

👍 Некоторые компоненты программы Т-Банк доработал специально под нашу компанию и помогал принять успешные архитектурные решения при масштабировании технологии. Такая доработка позволила операторам одновременно принимать большее количество звонков.

На запуск ушло семь дней. В 2018 году наш колл-центр стал одним из первых клиентов технологии Voicekit от Т-Банка. Насколько я знаю, интеграцию технологии с телефонией Asterisk доработали и сейчас внедрить ее в колл-центр можно быстрее.

Сотрудничество с Т-Банком помогло решить несколько задач.

✅ Сократили издержки в рамках проектов. Сейчас, в 2022 году, мне сложно усреднить, как именно упали издержки. Но были проекты, где падение достигло 90% по сравнению с работой до внедрения голосовых роботов. В рамках некоторых проектов мы и вовсе смогли полностью отказаться от операторов и перевести все общение с абонентами на роботов.

✅ Выросло число успешных звонков. Мы избавились от пауз в диалогах, робот быстрее реагировал на речь абонентов и переводил их на операторов. Это отразилось и на прибыли.

✅ Сэкономили 8000 $ на интеграции. Нам не пришлось обращаться к сторонним производителям и докупать дополнительные программы. Телефонию, робота и речевую технологию мы объединили бесплатно благодаря готовому решению от Т-Банка.