ИИ-анализ чатов клиентской поддержки

ИИ превращает массив диалогов поддержки в измеримые показатели: классифицирует обращения, выявляет потенциальные и состоявшиеся лиды, оценивает полноту диалога и показывает конверсию по каждому оператору.

Что болит

Через чат поддержки проходят тысячи диалогов, но руководитель может вручную разобрать только небольшую выборку. Из-за этого не видно, в каких обращениях клиент был готов к покупке, сколько таких возможностей завершились лидом и где оператор мог отработать лучше.

Что делает ИИ

После завершения диалога JivoChat отправляет вебхук с его данными. Обращения сохраняются в базе, а раз в сутки ИИ-агент анализирует накопленный массив и переводит качественные данные в структурированные показатели.

1. Получает диалог. JivoChat отправляет данные по вебхуку, когда клиент вышел из чата и обращение завершено.
2. Определяет результат. «Негатив» — жалоба, претензия или конфликт; «лид» — в диалоге есть номер телефона; «потенциальный лид» — есть интерес к покупке, консультации, замеру, расчёту или цене, но нет телефона; «другой» — остальные случаи.
3. Структурирует обращение. Агент выбирает одну из 15 категорий, оценивает полноту диалога и уровень эмпатии, составляет краткое саммари.
4. Собирает аналитику. Результаты попадают на панель с фильтрами и показателями по операторам, включая конверсию потенциальных лидов в лиды.
5. Доставляет обратную связь. Каждый оператор ежедневно получает письмо со своей конверсией и диалогами, которые можно было провести лучше.

Вариации (настраивается под клиента)

Что компания получает

• Ранее отсутствовавшую метрику конверсии из потенциальных лидов в лиды в канале поддержки.
• Анализ 100% диалогов вместо небольшой ручной выборки, руководитель видит всё.
• Возможность видеть каждый диалог, где оператор не смог сконвертировать клиента в лид.
• Общую независимую картину по эффективности работы операторов.
• Ежедневную обратную связь для операторов с рекомендациями, как улучшить их работу.
• Как следствие — повышение конверсии в канале клиентской поддержки.

Где нужен человек

• Калибровка классификации. Первые версии агента ошибались в категории и результате обращения. Качество удалось повысить через разбор ошибок и несколько итераций улучшения системного промпта.
• Качество рекомендаций. Изначально мы думали, что агенты смогут давать операторам дельные рекомендации по улучшению диалогов, но по факту из коробки они делают это плохо. В итоге от рекомендаций пока отказались, но в будущем планируем создать стандарт общения оператора и уже на базе этого стандарта перезапустить рекомендации
• Стандарт эмпатии. Без согласованного определения хорошего и плохого диалога оценка эмпатии остаётся плохой, в общем-то та же проблема, что и с рекомендациями
• Персональные данные. В переписке и номерах телефонов есть персональные данные — для хранения, доступа и передачи на анализ нужен согласованный защищённый контур.