ИИ против «мертвых» клиентских баз: как ML-модели помогают контакт-центрам экономить до 40% бюджета

Традиционный массовый обзвон строится по относительно простой логике: чем больше попыток — тем выше шанс дозвона и конверсии в покупку. Контакт-центры увеличивали объемы исходящих коммуникаций, расширяли операторские команды и наращивали количество касаний с клиентом. Такая экстенсивная модель все чаще перестает работать. Прежде всего, по экономическим причинам: затраты на маркировку исходящих вызовов и телефонию растет, а базы контактов становятся менее качественными.

В результате операторы тратят значительную часть времени на контакты, которые изначально имеют низкую вероятность конверсии в целевой действие. Для бизнеса это означает рост себестоимости коммуникаций без сопоставимого роста результата.

Проблема особенно заметна в проектах исходящих коммуникаций: телемаркетинговые продажи, информирование о наличии задолженности, рекрутинг, сервисные коммуникации. Во многих случаях классический подход по-прежнему предполагает обзвон базы «по порядку, от А до Я» — без понимания того, кто с наибольшей вероятностью готов к контакту и заинтересован, а кто не ответит вообще.

Почему «мертвые» базы обходятся бизнесу слишком дорого

На практике значительная часть базы в любой момент времени оказывается неэффективной для коммуникации. Абонент может быть недоступен, номер временно не использоваться, а клиент отвечать только в определенные часы. Часть контактов «выгорает» после предыдущих попыток дозвона, вероятность конверсии становится минимальной. Если расходовать на такие контакты ресурсы — операторское время, телефонию, фонд оплаты труда и инфраструктурные мощности, то одна конверсия может требовать 5-10 попыток контакта. Для крупных проектов это быстро превращается в существенную нагрузку на юнит-экономику.

Дополнительный фактор последних лет — изменение законодательства и пользовательского поведения. Пользователи реже отвечают на незнакомые номера, а обязательная маркировка вызовов и рост стоимости коммуникаций заставляют бизнес значительно внимательнее относиться к эффективности каждого исходящего вызова.

Фактически рынок постепенно переходит от модели массового обзвона к модели приоритизированной коммуникации.

Что делает ИИ-скоринг

ИИ-скоринг — это система интеллектуального ранжирования контактов на основе ML-моделей и предиктивной аналитики. Скоринговые ИИ-модели в результате анализа данных отвечают на три ключевых вопроса:

1. Насколько вероятен успешный дозвон?

2. Когда лучше сделать вызов?

3. Насколько перспективен конкретный клиент для коммуникации?

Для ответа на эти вопросы одновременно используются несколько типов моделей. Одни оценивают вероятность дозвона, другие помогают определять «спящие» номера, третьи прогнозируют оптимальное время контакта и анализируют поведенческие паттерны клиента.

На выходе каждый контакт получает скоринговый-балл, например, по шкале от 0 до 100. Далее система автоматически ранжирует базу по вероятности результата: приоритетные контакты обрабатываются в первую очередь, менее перспективные — позже или исключаются из активной коммуникации. После такого «аналитического прореживания» оператор или робот начинают работать не со случайной выборкой, а с наиболее перспективной частью базы.

Зачем нужно «уплотнение» конверсии

Cовременные скоринг-системы фокусируются не только на вероятности ответа, но и на «уплотнении» конверсии в первые попытки дозвона. Это необходимо для экономии бюджета без потери ключевых KPI и максимального учета наиболее настроенных на покупку клиентов, за счет сокращения лага до первого контакта.

На одном из проектов центра коммуникаций VOXYS внедрение ИИ-скоринга позволило:

• увеличить контактность в первые 1-3 попытки на 25%;

• сократить среднее количество попыток с 3,7 до 2,4;

• снизить затраты на телефонию на 30%.

Скоринг контактов способствовал: экономии бюджета, снижению нагрузки на операторов, сокращению времени достижения KPI, систематизации коммуникаций на проекте.

Трансформация операционной модели

Интересно, что эффект от внедрения скоринга постепенно выходит за пределы показателей роста дозвона. В проектах с большими объемами трафика ИИ-скоринг начинает менять организацию исходящих коммуникаций. Сокращается нагрузка на команды, быстрее закрываются квоты, уменьшается объем «пустых» касаний и повышается прогнозируемость результата.

Например, в одном из кейсов, реализованных VOXYS, применение интеллектуальной приоритизации контактов позволило:

• сократить стоимость лида на 40%;

• уменьшить необходимое количество операторов на 30%;

• ускорить закрытие квот с 3 дней до 1,5.

На другом проекте эффективность обзвона выросла на 130%, а план согласий стал выполняться в 2,3 раза быстрее при меньшем количестве попыток контакта.

Почему рынок движется в сторону data-driven коммуникаций

ИИ-скоринг является частью более масштабного процесса трансформации контакт-центров из «телефонных фабрик» в платформы анализа и использования данных для формирования коммуникационных и маркетинговых стратегий. Ключевым активом становятся данные и способность интерпретировать вероятность результата еще до звонка.

Работа с данными меняет подход к традиционному планированию. Например, расчет целевой численности операторов и пропускной способности каналов на проекте при работе с новой базой трансформируется за счет использования скоринга для оценки качества базы и прогноза итоговых показателей по ней еще до начала обзвона.

Необходимость более аналитически-обоснованного подхода диктует рост стоимости коммуникаций, дефицит и высокая стоимость персонала, растущая конкуренция за клиента и снижение терпимости пользователей к навязчивым звонкам.