Современный контакт-центр – сложная система, через которую проходят тысячи разговоров в день. При таком объеме невозможно полагаться только на внимательность сотрудников: человек физически не в состоянии помнить контекст каждого обращения и уловить все сигналы недовольства.
Именно поэтому компании все чаще обращаются к технологиям, которые умеют работать с большими массивами данных. Одно из таких направлений — предиктивная аналитика. В этой статье разберем, как она устроена и какие задачи решает лучше всего.
Что такое предиктивная аналитика
Главная идея предиктивной аналитики в том, что у похожих ситуаций часто бывают похожие последствия. Если клиенты с определенным поведением раньше уходили, жаловались или возвращались с повторным вопросом, то и новые клиенты с похожим поведением, скорее всего, поведут себя так же. Предиктивная аналитика позволяет оценить вероятность таких исходов.
Для этого одновременно используется много разных видов информации: история обращений, частота звонков, причины жалоб, и многое другое.
Например, клиент может еще не жаловаться открыто, но уже несколько раз вернулся с повторным вопросом или поставил среднюю оценку вместо высокой. Для человека такие мелочи легко теряются в потоке работы, а для системы они становятся сигналом риска.
Как работает предиктивная аналитика
Ключевые этапы работы предиктивного ИИ:
-
Сбор данных. Сначала собираются данные о прошлых событиях и приводятся в порядок, чтобы в них не было ошибок и повторов. Затем выявляются устойчивые связи между признаками и результатами — например, между долгим ожиданием и жалобой или между несколькими неудачными разговорами и уходом клиента.
-
Моделирование. На основе собранных данных создается модель — набор правил на основе устойчивых закономерностей, по которым система делает выводы. Когда появляется новая ситуация, модель сравнивает ее с прошлым опытом и оценивает, насколько высок риск.
-
Дообучение. Предиктивная аналитика учится постепенно. Чем дольше она работает, тем точнее становятся ее прогнозы. Каждый новый случай добавляет данных, помогает уточнить связи и подсказывает, где раньше были ошибки.
Предиктивная аналитика умеет работать не только с тем, что клиент говорит, но и с тем, как он это делает — интонациями, паузами и т.д. К тому же, она учитывает контекст вокруг обращения: время суток, день недели, недавние новости о компании или сбои в работе сервиса. Благодаря этому система может реагировать на ситуацию в целом — примерно так, как это делает внимательный человек.
В контакт-центре предиктивная аналитика работает особенно хорошо, потому что именно здесь появляются первые признаки недовольства. Если эти сигналы заметить вовремя, ситуацию часто можно исправить до конфликта.
Контакт-центр каждый день обрабатывает большой поток обращений. У сотрудников ограничено время, и они не всегда могут изучить всю историю клиента перед разговором. Здесь на помощь и приходит предиктивная аналитика.
Вот несколько областей применения:
Управление нагрузкой контакт-центра. Если в прошлом задержки доставки или изменения тарифов приводили к росту звонков, система может заранее предупредить о похожем риске. Руководитель усилит смену, подготовит ответы и снизит время ожидания. Для сотрудников это означает меньше неожиданностей в работе. Когда наплыв обращений ожидаем, к нему можно подготовиться спокойно. Операторы получают понятные объяснения, руководители заранее распределяют задачи, а клиенты меньше ждут на линии.
Прогноз повторных обращений. Система видит, что определенные формулировки помогают решить вопрос, а другие — наоборот, приводят к эскалации в разговоре и последующим обращениям по этому же вопросу. С помощью этих паттернов можно предсказать, вернется ли человек с вопросом — а также улучшить скрипты и регламенты для операторов так, чтобы эффективнее закрывать вопросы с первого раза.
Распределение обращений между сотрудниками. Сложные или эмоционально напряженные случаи можно направлять более опытным операторам. Так клиент быстрее получает грамотную помощь, а новички не остаются один на один с ситуацией, к которой они еще не готовы.
Удержание клиентов. Люди обычно уходят не сразу, а постепенно — cначала они реже пользуются услугой, потом сравнивают условия с конкурентами, а затем принимают решение об отказе. Если такие признаки замечены вовремя, ситуацию можно изменить. Сотрудник предлагает помощь, объясняет условия или решает старую проблему, которая копилась несколько месяцев.
Проактивное предложение услуг. Компании могут заранее определять потребности клиента на основе его поведения — например, в банках это может быть транзакционная история, на основе которой можно определить вероятность возникновения финансовых трудностей или интереса к инвестиционным продуктам — и в нужный момент предложить релевантное решение.
Контроль качества. Если после разговоров на определенную тему клиенты часто ставят низкие оценки, это сигнал не только о работе отдельных сотрудников. Предиктивная аналитика помогает увидеть повторяющуюся причину недовольства. Руководство может упростить объяснения, изменить инструкции или обучить сотрудников. В итоге улучшается вся цепочка обслуживания.
Как предиктивная аналитика меняет работу КЦ
Для клиента главное отличие в том, что его начинают воспринимать иначе: оператор видит, что человек недавно сталкивался с трудностью, или что ситуация требует особого внимания.
Клиент реже сталкивается с долгим ожиданием. Когда система заранее предсказывает наплыв обращений, смена усилена, ответы подготовлены, а очередь движется быстрее. И даже если вопрос сложный, его чаще удается решить с первого раза, потому что оператор предупрежден о риске повторного звонка и старается закрыть тему полностью.
Для сотрудника работа становится понятнее, поскольку рядом есть подсказка, которая помогает подобрать правильное предложение или формулировки с первых секунд.
Меняется и распределение нагрузки. Сложные разговоры идут к опытным коллегам, а простые – стажерам. Это снижает стресс, уменьшает число ошибок и помогает людям обучаться постепенно.
Компания может видеть полную картину эффективности своего сервиса, а не опираться на отдельные жалобы или направления. Руководство замечает проблемы раньше, чем они превратятся в массовый отток.
Удержание клиентов обходится дешевле: признаки скорого ухода замечаются заранее, и у компании появляется время предложить помощь, пока человек еще готов слушать.
Удовлетворенность и лояльность клиентов повышается. Прежде всего за счет того, что клиент получает более персонализированный сервис и предложения о решении своих проблем еще до того, как выразил потребность.
В итоге выигрывают все три стороны одновременно. Клиент получает внимание и быстрые решения, сотрудник — спокойную и осмысленную работу, а компания — стабильный сервис, который меньше зависит от случайностей и человеческой усталости.
| Для клиента | Для оператора | Для компании |
|---|---|---|
|
Персональный подход: Аналитика помогает сразу подойти к проблеме без повторения проблемы и даже предложить решение проблемы еще до того, как клиент ее сформулировал |
Снижение нагрузки: Аналитика берет на себя мониторинг клиента, что позволяет сотруднику быстрее сориентироваться и решить проблему без дополнительных трудностей |
Удержание клиентов: Поскольку история взаимодействия с клиентом хранится в базе данных аналитики, система может заранее предложить сценарии общения с клиентом при обращении в КЦ, что позволяет улучшить с ним отношения |
|
Качество и скорость поддержки: КЦ может быстрее и точнее решить вопрос клиента |
Помощь в сложных случаях: Система дает оператору подсказки, чтобы тот проще ориентировался в кейсе клиента |
Возможность заранее отследить проблемы: Предиктивная аналитика выявляет закономерности на основе множества данных, что позволяет заранее определить потенциальные причины оттока клиентов |
Тем не менее, аналитика работает только тогда, когда ее подсказками действительно пользуются. Самая точная модель бесполезна, если оператор игнорирует предупреждения, а руководитель не меняет процессы там, где система раз за разом показывает одну и ту же причину недовольства.
Предиктивная аналитика становится посредником между клиентом и контакт-центром. Клиенту не приходится каждый раз начинать с нуля, объяснять предысторию и доказывать, что его проблема важна. Оператор, в свою очередь, перестает работать вслепую: он заранее понимает, с какими проблемами приходит человек на другом конце линии. Из этого рождается то, чего сложно добиться одними скриптами и регламентами — ощущение, что обращение действительно услышано.
