Начинайте не с технологии, а с вопроса
Формулировка «хотим анализировать все звонки искусственным интеллектом» звучит масштабно, но не отвечает на главный вопрос: зачем. Для одной компании важно находить нарушения обязательного сценария, для другой – причины повторных обращений, для третьей – возражения перед отказом.
Чем конкретнее задача, тем проще проверить качество анализа. Система должна не просто выдавать оценку разговору, а помогать быстрее находить случаи, которые требуют внимания.
Что удобно искать автоматически
Массовый анализ полезен для повторяющихся признаков: тем обращения, упоминаний продукта, причин отказа, обязательных шагов, длинных пауз, частых повторных вопросов. На больших объёмах это даёт карту, которую вручную собрать сложно.
Ещё один сильный сценарий – отбор. Вместо случайных пяти звонков руководитель может получить выборку разговоров с определённым риском: например, с жалобой или пропущенным обязательным условием, а затем проверить их глубже.
Где нужен человек
Автоматическая оценка плохо переносит неясные критерии. «Оператор был достаточно заботлив» – сложная формулировка даже для двух живых руководителей, не говоря уже о модели. Поэтому субъективные параметры нужно либо переводить в наблюдаемые действия, либо оставлять на ручную проверку.
Особенно осторожно стоит относиться к выводам о намерениях и эмоциях клиента. Текст и интонация дают сигналы, но окончательное решение по спорному случаю должен принимать специалист, который видит контекст разговора.
Как провести пилот
Выберите один критерий, по которому уже есть ручная разметка. Например, корректно ли оператор сообщил обязательное условие. Возьмите несколько сотен разговоров, сравните автоматический результат с оценкой специалистов и посмотрите не только на совпадения, но и на типичные ошибки.
После этого правило можно уточнить: добавить контекст, исключения, словарь терминов. Только когда результат становится предсказуемым, имеет смысл расширять задачу. Такой путь медленнее презентации «автоматизируем всё», зато быстрее реального внедрения.
Не превращайте итоговый балл в магическое число
Единая оценка разговора удобна для отчёта, но за ней должны быть понятные причины. Руководитель должен видеть, какие критерии сработали и какой фрагмент разговора привёл к выводу. Иначе сотруднику невозможно дать нормальную обратную связь, а ошибку системы – оспорить.
Для бизнеса полезнее несколько прозрачных показателей: соблюдение обязательных шагов, причины отклонений, темы обращений, динамика по командам. Это даёт материал для действий, а не только красивую диаграмму.
Какие данные подготовить для внедрения
До запуска полезно собрать небольшой эталонный набор разговоров, уже оценённых специалистами. В нём должны быть и нормальные, и проблемные случаи, разные операторы, типы клиентов и качество связи. На такой выборке проще понять, где автоматический анализ совпадает с ожиданиями, а где системно ошибается.
Также заранее нужен словарь внутренних названий, продуктов и типичных сокращений. Без него модель может неверно интерпретировать важные термины, а поиск – пропускать нужные разговоры. Подготовка данных выглядит менее эффектно, чем демонстрация технологии, но именно она обычно определяет качество результата.
Сначала автоматизируйте отбор, а не приговор
Самый безопасный первый шаг – поручить системе не ставить финальную оценку, а находить кандидатов для проверки. Например, разговоры с вероятной жалобой, упоминанием отмены или отсутствием обязательного шага. Специалист просматривает эту выборку и подтверждает вывод.
Так компания быстрее получает пользу от масштаба и одновременно собирает данные о точности. Когда критерий становится достаточно устойчивым, часть проверки можно автоматизировать глубже. Это разумнее, чем сразу связывать непрозрачный итоговый балл с премиями сотрудников.
Следите за изменением языка клиентов
Словари и правила нельзя считать вечными. Появляются новые продукты, акции, сленг, названия услуг, а клиенты начинают формулировать старую проблему по-новому. Если модель обучалась на старой выборке, качество отбора со временем может снижаться. Поэтому периодически нужно пересматривать ошибки и обновлять примеры, особенно после заметных изменений бизнеса.
Как встроить автоматический анализ в систему качества
Лучший результат получается, когда технология не заменяет отдел качества, а меняет его фокус. Машина перебирает большой массив и выделяет случаи, специалист разбирает контекст, обучает команду и корректирует критерии. Получается замкнутый цикл улучшения.
Такой контроль качества можно организовать вместе с Инфотелл: определить критерии, настроить массовый отбор и оставить экспертную проверку там, где она действительно нужна. Тогда искусственный интеллект работает как инструмент контроля, а не как самостоятельный судья над разговорами.