3614
Голосовой бот для обзвона клиентов
Октябрь, 2020 год.Голосовой робот для валидации кредитных заявок в CarMoney.
Какую проблему решали
В 2020 году в компанию ежемесячно поступало 3,5 млн заявок от лидогенераторов.
Для обзвона лидов компания использовала IVR-автоинформатор, взаимодействие с которым сводилось к нажатию клавиш в тоновом режиме.
Контактность базы в результате обзвона автоинформатором низкая – клиенты завершали разговор, не соглашаясь на диалог с оператором.
Контактность базы в результате обзвона автоинформатором низкая – клиенты завершали разговор, не соглашаясь на диалог с оператором.
Односторонняя коммуникация и невозможность вести полноценный диалог не позволяла точно квалифицировать лид, определять причины отказа от коммуникации и оценивать эффективность маркетинговых каналов.
Решение проблемы
Для обзвона лидов компания внедрила голосового бота, созданного на платформе Naumen Erudite с использованием технологий искусственного интеллекта.
Робот Марина обзванивает клиентов, оставивших заявку на кредит. В ходе естественного диалога уточняет актуальность заявки, задает вопросы о наличии собственности и сумме кредитования.
В случае интереса и соответствия собеседника требованиям компании звонок бесшовно переводится на оператора, который детально рассказывает об условиях кредитования и помогает оформить кредит.
В случае интереса и соответствия собеседника требованиям компании звонок бесшовно переводится на оператора, который детально рассказывает об условиях кредитования и помогает оформить кредит.
Применяемые технологии
В архитектуру решения входят:
- Диалоговая платформа Naumen Erudite, которая включает веб-интерфейс, модуль приложения, модуль машинного обучения и модуль долгосрочного хранения данных.
- Сервис распознавания речи (ASR).
- Коммуникационная платформа Naumen Contact Center для обзвона клиентов, трансфера звонка на оператора и дальнейшего обслуживания вызовов.
Для обработки естественного языка используются токенизация по словам, лемматизация и стемминг, фильтрация стоп-слов, мешок слов, tf-idf, иерархическая кластеризация, классификация текста с CNN/DNN алгоритмами, регулярные выражения.
В обучении моделей использовались:
- порядка 3 тыс. исторических записей телефонных звонков операторов, предлагающих кредит;
- готовые датасеты для обучения бота работе с типами данных, которые встречаются в бизнес-процессах разных заказчиков.
Бизнес-процесс
До проекта:
- IVR автоинформатор для работы с заявками от лидогенераторов.
- 0,1-0,4% заявителей соглашаются продолжить диалог с оператором.
- Нет аналитики по результатам обзвонов и эффективности каналов коммуникаций.
После проекта:
- 1 млн лидов в месяц обзванивает голосовой бот, «отсеивая» нецелевой трафик.
- 1,3% лидов соглашаются на диалог.
- Только актуальные профильные запросы идут в работу операторам.
- Бесшовный перевод звонка на оператора.
- Аналитика по клиентам и лидогенераторам.
Результаты
Команда CarMoney
Татьяна Грикинис
Менеджер проекта
Сергей Сушко
Руководитель отдела системного администрирования
Анна Федина
Директор по продукту
Лев Шушпанов
Руководитель управления инфраструктуры и техподдержки ДИТ
Команда Naumen
Мария Ветошкина
Руководитель центра внедрения
Татьяна Гаврилова
Менеджер по продажам
Похожие кейсы
AI-кейсы с доказанной бизнес-эффективностью. Все проекты успешно прошли проверку комиссией из признанных экспертов в технологиях и бизнесе.
