Современный уровень развития технологий распознавания речи и обработки текстов на естественном языке уже дает возможность создавать продукты, взаимодействующие с пользователями в формате диалога. Каждый из вас наверняка хотя бы раз разговаривал с Siri, Алисой или слышал, как Alexa от Amazon советует ребенку вставить монетку в розетку в качестве развлечения. Пока мы, как в фильме «Она», лишь набираем скорость развития для создания полноценных помощников, компании уже анализируют своих клиентов, используя диалоговые данные. Как анализ диалога меняет клиентский сервис, объясняем дальше.

Компании всегда опирались на веб-аналитику — клики, количество просмотров, средняя длительность просмотра страницы и т. д. — для понимания глубинных причин поведения клиентов. Такой метод аналитики позволяет взглянуть на реакцию клиентов на предложенный товар или услугу. Однако мы понимаем, что эта реакция скорее будет вызвана работой копирайтеров и дизайнеров, а не самим предложением. Традиционная веб-аналитика не способна правильно отследить запросы и желания пользователей.

Именно поэтому все чаще используется диалоговая аналитика — новая парадигма анализа пользовательских данных. В этом случае акцент делается не на реакции пользователя, а на том, какой смысл он вкладывает в свои слова в процессе диалога. Компании, способные собирать такие данные с помощью, к примеру, диалоговых интерфейсов, смогут эффективно проявлять инициативу в процессе взаимодействия с клиентом, предоставлять гиперперсонализированное обслуживание и оптимально позиционировать себя на рынке.

Диалоговая аналитика может быть кратко описана, как компьютеризированный анализ голосового и текстового взаимодействия с клиентом — записи телефонных разговоров, SMS, онлайн-чат, общение по электронной почте и т. д. — с помощью инструментов обработки естественного языка (NLP).

По прогнозам исследовательской компании MarketsandMarkets, рынок разговорного искусственного интеллекта в мире вырастет до 18,4 млрд. долл. к 2026 году. ИИ может не только рассказать о пути самурая клиента к покупке товара или услуги, но и о том, какой вектор развития продуктов и услуг выбрать. Подобный потенциал может полностью изменить правила игры и стать больше, чем конкурентным преимуществом для пионеров в диалоговой аналитике, и вот как именно.

Доступ к глубинной аналитике

На сегодняшний день компаниям доступны инструменты различной степени сложности: от простейших, однозадачных чат-ботов до надежных масштабируемых роботов, ориентированных на пользователей. Это позволяет извлекать данные на любом этапе взаимодействия и любым бюджетом. Однако для доступа к содержательной части данных компаниям недостаточно интегрировать NLP-инструменты. Для повышения уровня вовлеченности необходимо анализировать эмоции говорящего — тон, окраску фразы или даже выбор эмоджи, если мы говорим о текстовых данных. Подобный анализ может позволить адаптироваться к настроению клиента. Например, если клиент крайне недоволен из-за просроченной даты возврата средств, его не стоит заставлять ждать на линии, а лучше переключить на оператора для быстрого решения проблемы. В случае, если клиент доволен обслуживанием, что слышно по его радостному голосу, бот может предложить приобрести дополнительные услуги, а также собрать более точные данные для дальнейшего обучения.

Кроме того, категоризация диалогов по темам позволяет отследить определенные тенденции среди высказываний пользователей — например, как они задают один и тот же вопрос. Это поможет усовершенствовать обслуживание клиентов, работу модели, а также определить приоритеты для маркетинговых задач и автоматизации работы сервисов. Добавив к этому такие уже стандартные показатели, как процент обращений, переданных живому оператору или оценка службы поддержки одним из пяти стандартных эмоджи, можно получить глубинное понимание эффективности работы сервисов, качества обслуживания и не только.

Снижаем расходы за счет анализа клиентского пути

Туристическое агентство Blue Bay Travel использовало диалоговую аналитику для оптимизации маркетингового бюджета и более глубокого понимания клиентского пути. Благодаря анализу массива данных телефонных разговоров у компании появилось четкое представление о каждом шаге клиента от клика на баннер в Facebook до покупки тура. Более того, классификация целей звонков клиентов транслируется напрямую в рекламный кабинет, а все данные о звонках подгружаются в CRM-систему для оператора. Как следствие, удается оптимизировать рекламный бюджет и не тратить время клиента на бесполезные консультации. В результате компании удалось снизить цену одного бронирования клиента на 32%, а также увеличить конверсию из посещения на сайте в звонок на 62%.

Гиперперсонализация как способ минимизации ручного труда

Ни для кого не секрет, что большинство клиентов интересует ответы на одни и те же вопросы, автоматизация которых дает компаниям возможность освободить своих операторов от выполнения рутинной работы. Так, диалоговая аналитика может не только помочь автоматизировать ответы на часто задаваемые вопросы, но и корректировать свои ответы в соответствии с настроением пользователя и его уникальным вопросом.

Если традиционно клиентский сервис строился на выверенных скриптах, составление которых занимало немало времени и человеческих ресурсов, то инструменты диалоговой аналитики способны составить мануалы на основе загруженных данных без помощи человека, минимизируя тем самым количество перенаправленных в контакт-центр звонков и писем. В этом случае в процессе разговора главным героем становится не оператор и не успешная продажа, а клиент.

Освобождаем операторов с помощью персонализации

В крупнейшую сеть пиццерий в России «Додо-пицца» ежемесячно поступает 450 тыс. звонков, а в контакт-центре компании работает 150 операторов. При этом средняя продолжительность разговора с клиентом составляет 2 минуты. Произведя нехитрые вычисления, можно понять, что загруженность операторов на линии составляет 80%. Использование диалоговой аналитики позволило не только распознавать жалобы клиентов, отменять заказ, изменять способ доставки и обрабатывать другие шаблонные звонки с точностью 85%, но и определять продукты, упомянутые в отзыве (название пиццы, салат, соус и т. д.). В каждом отзыве бот проставляет соответствующие теги и отправляет в систему «Додо». Так, к 2021 году компания стала экономить на обработке входящих звонков более 1 млн. руб. в месяц, а клиенты стали меньше «висеть» в ожидании оператора.

Улучшайте свои предложения

Понимая желания своих клиентов, вы получаете значительное преимущество перед конкурентами. Согласно исследованию международной консалтинговой компании PwC, клиенты тратят на 16% больше, если они получили положительный клиентский опыт. Как мы упоминали раньше, традиционная веб-аналитика хоть и показывает реакцию пользователей на товар или услугу, ограничивает информацию о желаниях клиентов. Диалоговая аналитика позволяет отследить, что клиентам «зашло», а также на какие пробелы клиентского сервиса стоит обратить внимание. Так, компании могут корректировать свой бюджет в зависимости от реакции пользователей.

Определяем слабые места и точки роста

Эффективность маркетплейсов во многом зависит от качества обслуживания и удовлетворенности пользователей самим сервисом. Для оптимизации работы в этом случае необходимо проанализировать работу каждого агента, определить слабые места скрипта и самих работников, а также найти новые точки роста. Однако использование диалоговой аналитики дает возможности ускорить этот процесс, загрузив массив данных для обработки. В результате анализа компания видит диалоги, которые привели или не привели к сделке. Это позволяет определить точки эффективности коммуникации, понять, что можно допродать клиентам, а также как оптимизировать и контролировать работу отдела продаж. Использование диалоговой аналитики повысило общие показатели продаж в компании на 32%, а дополнительные — на 14%.

Основная цель диалоговой аналитики — сделать ваших клиентов главных звеном развития компании. Разговорная аналитика ломает парадигму реакций, от которых зависел клиентский сервис, сдвигая фокус на клиента. Вернее на то, о чем и как он говорит. И чем скорее компании сдвинут этот фокус, тем скорее данные станут не просто массивом, а конкурентным преимуществом.