Conversation Intelligence: как LLM-аналитика меняет качество клиентского сервиса

Что изменилось в речевой аналитике с появлением LLM?

— Главное изменение — переход от анализа слов к анализу смысла диалога. Системы речевой аналитики «первого поколения» были ограничены функционалом контент-анализа: они искали ключевые слова и фразы в диалогах. Большие языковые модели способны на гораздо большее, чем контент-анализ. Прежде всего, на определение контекста разговора: почему клиент обращается, на каком этапе в диалоге возникает эмоциональное напряжение, какие факторы приводят к негативу.

Появляется новый класс технологий — сonversation intelligence — в российской бизнес-практике устоявшегося термина пока не сформировалось, чаще всего используют названия «интеллектуальный анализ речи» или «ИИ-анализ диалогов».

LLM позволяют автоматически анализировать 100% диалогов, выявлять причины обращений, повторяющиеся проблемы и сложные сценарии общения. Используя речевую аналитику с LLM, компания начинает анализировать коммуникации как сводный поток, совокупность данных о взаимодействии с клиентами.

Отраслевые исследования подтверждают: LLM-системы способны эффективно анализировать речевые паттерны, эмоциональные сигналы и структуру диалогов, помогая компаниям лучше понимать поведение и мотивации клиентов.

По оценке McKinsey, внедрение генеративного ИИ в клиентском сервисе способно повысить производительность сотрудников на 30–45%, поскольку значительная часть анализа коммуникаций и подготовки ответов автоматизируется.

Таким образом, речевая аналитика с LLM это более продвинутый и эффективный инструмент оценки взаимодействия бизнеса с клиентами.

Как использование усовершенствованной технологии влияет на качество обслуживания клиентов?

— Когда начинаешь анализировать весь объем коммуникаций, сразу становятся видны системные проблемы. Например, аналитика может показать, что тысячи обращений связаны с одним и тем же процессом: сложной процедурой оформления или неочевидными условиями оказываемой услуги.

В одном из проектов VOXYS LLM-анализ диалогов помог проводить автоматическую оценку CSI. Как правило, на проекте только 25-30% клиентов после общения операторов проходят опрос, оставляя оценку качества обслуживания по диалогу. Благодаря внедрению большой языковой модели у нас появилась возможность получать эту оценку по каждому диалогу.

Пожалуй, самое интересное, что оценка с клиентом по оценённым диалогам в 90% случаев была релевантной. Помимо этого, LLM автоматически формулирует причину низкой оценки и дает рекомендации оператору: как можно было улучшить оценку, предоставляет оператору ссылки на соответствующе записи в базе знаний. Таким образом, мы не только смогли улучшить данный индекс на 27%, но и помогли оператором в своем личном кабинете оперативно видеть ошибки, видеть целевую обратную связь и «верный клиентский путь» — то, как оператор должен был проконсультировать клиента, чтобы получить оценку 5 за работу. Отмечу также, что такой подход позволил экономить время руководителей групп, освободив их для работы с более сложными случаями, которые приводили к финансовым потерям или репутационным рискам.

Какой эффект технология даёт бизнесу?

-Коммуникации — один из самых точных источников информации о том, как работает компания. Когда мы анализируем миллионы диалогов, становится понятно:

• какие проблемы чаще всего возникают

• где клиенты теряются в процессе обслуживания

• какие сценарии приводят к повторным обращениям.

Например, в одном из проектов VOXYS LLM-аналитика позволила выявить сценарии, увеличивающие длительность разговоров. После корректировки процессов среднее время обработки обращения (AHT) сократилось примерно на 15%. Прямой операционный эффект — меньше нагрузка на операторов, ниже стоимость обслуживания.

Если говорить про затраты и возврат инвестиций в LLM-технологии, то по данным исследований, проекты речевой аналитики в контакт-центрах в среднем окупаются примерно за 11 месяцев, а ROI со второго года может превышать 26%.

Помогает ли речевая аналитика самим сотрудникам?

— Да, и это один из самых недооценённых эффектов. Дистанционный клиентский сервис и контакт-центры — это эмоционально сложная среда, ведь сотрудники чаще всего работают с жалобами, негативом, сложными и конфликтными ситуациями.

LLM-аналитика позволяет автоматически выявлять эмоционально напряжённые диалоги, понимать причины стресса и вовремя поддерживать сотрудников. Кроме того, аналитика помогает точнее строить обучение. За счет выявления сложных сценариев, мы можем готовить операторов именно к тем ситуациям, которые с большей долей вероятности будут наиболее стрессовыми

По отраслевым оценкам, внедрение аналитики коммуникаций помогает компаниям повысить удовлетворённость клиентов примерно в 49% случаев, что косвенно снижает и нагрузку на сотрудников.

Кроме того, LLM-системы помогают сотрудникам. Модуль речевой аналитики, внедренный в бота-суфлера — цифрового ассистента оператора, дает подсказки оператору в фоновом режиме прямо во время разговора с клиентом и помогать быстрее находить релевантную информацию в базе знаний или предлагать то или иное решение.

Совместное исследование MIT и Stanford показывает, что использование ИИ-ассистентов повышает производительность сотрудников клиентского сервиса в среднем на 14%, а для новых операторов эффект может достигать 34%.

Речевая аналитика помогает развивать голосовых роботов?

— Это очень тесно связанные технологии. Прежде всего, LLM-анализ помогает типировать обращения и показывает, какие из них могут быть наиболее эффективно автоматизированы и сразу направляться на голосового ассистента.

На одном проектов VOXYS анализ коммуникаций позволил выявить несколько типовых сценариев. После программирования голосового робота для из обработки, 35% таких обращений удалось перевести в полностью автоматический режим процессинга.

Также LLM-аналитика помогает улучшать сценарии работы роботов и понимать, где что-то нужно и можно улучшать, а где всё-таки нужен оператор.

С чего компаниям стоит начинать внедрение LLM-аналитики?

— Лучше всего начинать с вопросов, которые позволят сделать постановку прикладных задач. Вот три классических вопроса, которые стоит задать:

• почему не снижается или растет количество повторных обращений?

• почему падает конверсия?

• какие проблемы чаще всего возникают у клиентов?

После этого выбирается один сценарий для анализа и запускается пилотный проект. Практика показывает, что даже такой небольшой, локальный старт быстро демонстрирует практическую ценность технологии. Зачастую после демонстрации эффективности следует масштабирование и расширение области применения технологии.

Можно ли сказать, что, за счет использования языковых моделей, речевая аналитика становится стандартным инструментом клиентского сервиса?

— Да, компании постепенно переходят от простого контроля скриптов к системному анализу коммуникаций. Ценность же LLM речевой аналитики в том, что она позволяет одновременно решать три задачи: улучшать клиентский опыт; повышать эффективность операций; снижать нагрузку на сотрудников. Сочетание этих эффектов делает Conversation Intelligence одной из ключевых технологий эффективного клиентского сервиса.