В современных контакт-центрах используются два основных типа систем:
1. QM на базе речевой аналитики с ИИ: оценка 100% обращенийЭто современные системы, использующие алгоритмы машинного обучения для анализа диалогов без участия человека:
- Распознавание речи с высокой точностью;
- Анализ эмоциональной окраски диалогов;
- Выявление ключевых слов или фраз;
- Оценка тональности общения (вежливость, стресс);
- Автоматическая генерация отчетов по качеству.
Как это работает?После записи диалога система автоматически транскрибирует разговор, анализирует его по заданным параметрам (например, соблюдение скрипта или эмоциональный фон). На основе этого формируется оценка качества взаимодействия без необходимости прослушивания каждым контролером вручную.
Преимущества:- Масштабируемость: можно анализировать тысячи обращений за короткое время;
- Скорость: отчеты формируются мгновенно;
- Глубина анализа: выявление скрытых паттернов поведения клиентов или операторов.
Пример внедрения:Телекоммуникационная компания внедрила систему QM на базе речевой аналитики с ИИ для анализа всех входящих обращений. В результате было выявлено несколько сценариев недопонимания между операторами и клиентами (например, использование сложных терминов или неправильное понимание потребностей). На основе этих данных скорректировали скрипты общения операторов, что привело к снижению повторных обращений на 25% за квартал.
2. QM для автоматизации ручной оценки диалоговЭто решение предназначено для проведения оценки диалогов специалистами контроля качества вручную:
- Работа с анкетами, ведомостями, обратной связью в единой системе контакт-центра;
- Удобный интерфейс для поиска нужных аудиозаписей по фильтрам (дата, оператор, тип обращения и др.);
- Инструменты для формирования ведомостей и отчетности по проведенным оценкам с возможностью загрузки на компьютер в формате xls для дальнейшего анализа.
Как это работает?Без автоматизации все оценки проводятся в отдельных файлах/системах. К ним нужно привязывать аудиозаписи, вручную формировать отчеты и осуществлять отправки e-mail по проведенным оценкам, таким образом контролеры совершают большое количество операций и ручные процессы занимают много времени снижая эффективность работы службы КК. В случае использования QM для автоматизации ручного контроля качества контролер в едином интерфейсе КЦ формирует список обращений для оценки, выбирает подходящие диалоги и проводит их оценку отвечая на вопросы анкеты. Система автоматически производит подсчет баллов и сохранят анкету после её заполнения. После проведения оценок контролер формирует ведомость контроля качества. В том числе такой подход упрощает взаимодействие с оператором, предоставление обратной связи и подачи апелляции в случае несогласия с результатом оценки.
Почему это важно?Автоматическая система с ИИ не всегда может полностью понять контекст или нюансы ситуации, поэтому ручные проверки остаются важными инструментами экспертного контроля качества обслуживания.
Пример использования:Страховая компания использует оба подхода: автоматическую оценку всех обращений с помощью модуля QM с Речевой аналитикой и ИИ, а также выборочные проверки обращений специалистами службы контроля качества наиболее сложных случаев или жалоб клиентов с помощью автоматизированного ручного QM. Такой гибридный подход позволяет повысить точность оценки качества на 15% за квартал и своевременно реагировать на нестандартные ситуации.
3. Почему важно правильно сочетать решения? Влияние на бизнес. Выбор между системами зависит от целей бизнеса:
- Если важна масштабируемость процесса при минимальных затратах времени — выбирайте системы с ИИ.
- Если необходим глубокий разбор сложных кейсов или экспертная оценка нестандартных ситуаций — используйте решения для автоматизации ручных проверок.
Наиболее эффективным считается комбинированный подход: автоматическая оценка всех обращений + автоматизация процессов выборочных ручных проверок экспертами позволяют получить наиболее полную картину качества обслуживания.
Объединение технологий дает следующие преимущества:1. Масштабируемость: автоматическая система оценивает все взаимодействия без пропусков.
2. Глубина анализа: ручные проверки позволяют понять причины проблем или сложности.
4. Скорость реакции: мгновенные отчеты позволяют оперативно реагировать на проблемы.
5. Повышение мотивации операторов: прозрачная обратная связь способствует развитию профессиональных навыков.
6. Рост уровня клиентского сервиса: снижение количества жалоб и увеличение лояльности клиентов до +20%.