Как Речевая аналитика повышает продажи в FMCG

Компания «Напитки Вместе» производит пиво марок Bud, Efes, Stella Artois, а также лимонад и энергетические напитки. Наши основные клиенты — магазины «у дома», супермаркеты, торговые сети, отели и рестораны.

Мы поставляем напитки в магазины по всей России. Чтобы охватить такую территорию, организовали многоканальную систему продаж. Клиенты оформляют заказы по телефону, на нашем собственном B2B-маркетплейсе и через торговых представителей. Последние работают напрямую с магазинами: приезжают на точку, помогают с выбором и рассказывают о новинках.

Обработкой входящих и исходящих звонков занимается колл-центр на аутсорсе. Его специалисты ежедневно проводят 8 тысяч диалогов, из них 80% — это продажи по телефону. Еще 20% — поддержка клиентов: операторы отвечают на вопросы, связанные с заказами, например об оплате, доставке, возврате, документах.

Чтобы контролировать качество работы операторов на первых этапах работы колл-центра, мы решили прослушивать звонки вручную. Нанимать для этого отдельного сотрудника не стали, а добавили задачу в обязанности действующих специалистов: супервайзеров и руководителей отдела продаж.

Со временем стало понятно, что у наших сотрудников не хватает времени на анализ диалогов. Получалось прослушать только 1,5% от всех звонков за месяц, при этом случайная выборка могла полностью состоять из положительных разговоров. Это создавало неверное представление, что все операторы работают хорошо, а клиенты довольны. На деле же мы упускали проблемы. Например, оператор забывал рассказать о новинках, клиент их не заказывал — а мы не могли понять, почему новый ассортимент плохо продается.

Чтобы разгрузить руководителей и увеличить долю прослушиваемых диалогов, мы планировали запустить отдел контроля качества. Сначала думали о классическом варианте со специалистами, которые вручную проверяют диалоги. Но потом решили сразу перейти к Речевой аналитике — технологии, которая автоматизирует контроль качества и отслеживает 100% разговоров.

Решающими критериями при выборе сервиса были скорость и качество транскрибации. Из-за ошибок в тексте можно неправильно оценить настроение клиента, пропустить ключевые слова. Например, если не распознать частицу «не», фраза поменяет смысл на противоположный.

Мы рассматривали несколько решений и проводили пилотные проекты: загружали записи своих звонков в разные сервисы и проверяли, как они распознают аудио. В результате выбрали Речевую аналитику от Центра разработки Т-Банка. Эта платформа переводила аудио в текст максимально точно — качество распознавания диалогов у других вендоров было хуже.

Мы запустили Речевую аналитику в феврале 2024 года. И поскольку 80% всех звонков в колл-центр связаны с продажами, сначала мы сосредоточились на них. В скрипте выделили четыре блока, которые влияют на продажи, — оператор должен уделить внимание каждому из них:

• предложить товары, которые раньше заказывали в торговую точку;
• попробовать увеличить объем заказа;
• рассказать о товарах с сезонными или праздничными скидками;
• познакомить с новинками и предложить добавить их к заказу.

Когда наши сотрудники оценивали звонки выборочно, качество казалось высоким: мы считали, что скрипт соблюдают на 90%. Но после запуска автооценки в Речевой аналитике выяснилось, что операторы соблюдают скрипт только на 40%, то есть могут пропустить больше половины необходимых вопросов и фраз.

Еще Речевая аналитика выявила операторов с высокими показателями продаж. Мы провели с ними интервью и выяснили, что они используют нестандартные приемы и фразы, которые подталкивают клиентов к покупке. Чтобы другие операторы тоже могли их использовать, фразы добавили в скрипт.

Сейчас в колл-центре каждое утро проходит короткая планерка, где супервайзеры изучают отчеты Речевой аналитики, а потом дают обратную связь операторам. Раз в неделю мы встречаемся с руководителем колл-центра и обсуждаем результаты каждого сотрудника.

Вместе с напитками мы поставляем собственные холодильники в торговые точки, с которыми работаем. Когда клиент закрывает магазин, ему больше не нужен холодильник. Тогда он звонит нам и просит забрать оборудование как можно скорее.

Чтобы вернуть холодильник, нам нужно подготовиться: согласовать дату и время вывоза с клиентом и внутри компании, найти водителей и грузчиков. Если оператор затянет решение ситуации, мы можем лишиться дорогостоящего оборудования: клиент выставит холодильник на улицу.

В Речевой аналитике мы создали словарь фраз, связанных с холодильниками. Если в разговоре звучит тревожная фраза из словаря, например «забирайте свой холодильник», в CRM-систему приходит оповещение. Супервайзер берет ситуацию под контроль и отслеживает, как оператор ее решает.

За год использования Речевой аналитики нам удалось достичь следующих результатов.

Повысили процент следования скрипту с 40 до 70%. Речевая аналитика помогла найти операторов, которые отклоняются от скрипта, и скорректировать их работу. Сотрудники стали активнее применять техники для увеличения объема заказа и лучше работать со всеми категориями товаров: новинками, акционными позициями и товарами, которые магазин уже заказывал.

Увеличили продажи колл-центра. С одним магазином-заказчиком работают и торговые представители, и операторы колл-центра. Торговые представители могут годами взаимодействовать с одними и теми же клиентами, регулярно общаться и даже дружить — из-за этого они обычно продают больше.

С Речевой аналитикой мы узнали, что если оператор следует скрипту и проговаривает все четыре блока, то продает на одну товарную позицию больше, чем торговый представитель. Это выглядит незначительным, но на самом деле это потрясающий результат, потому что личные продажи всегда были больше телефонных.

Нас полностью устраивает, как работает Речевая аналитика: все отчеты быстро грузятся, поиск выдает результат моментально. Поэтому мы хотим расширить применение технологии.

Настроить автооценку для службы поддержки колл-центра. Опыт использования Речевой аналитики в продажах оказался успешным, и теперь мы хотим использовать платформу для оценки разговоров операторов поддержки. Будем уделять внимание тому, как сотрудник ведет диалог с клиентом, насколько грамотно отвечает на вопросы, может ли выслушать не перебивая.

Анализировать чаты. У нас только 15% клиентов оформляют заказы в чатах, но их количество растет. Поэтому в будущем мы планируем подключить Речевую аналитику к чатам, чтобы проверять с ее помощью и текстовые сообщения: фиксировать скорость ответа и отклонения от скрипта.