Как увеличить конверсию продаж с помощью нейросетей в 2023
В начале 2023 году самой популярной темой сразу после Chat-GPT и GPT-4 является тема увеличения операционной эффективности продаж. Чтобы теми же ресурсами, которые есть, продавать больше. А еще лучше, подсократить неэффективных и тоже продавать больше. Если переводить это на простой язык, то как правило, у директора по продажам есть два ключевых драйвера роста: количество лидов на входе в воронку и конверсия из лида в сделку (SQL2CW).
И все, что он делает, обычно сводится к жонглированию этими двумя показателями.Так вот в 2023 году будет все сложнее и сложнее добиваться увеличения количества лидов по следующим причинам:
Рынок РФ ограничен. В каких-то индустриях он не растет, а в каких-то падает.
Рецессия заставляет сокращать персонал и бюджеты на рекламу.
Как следствие, конкуренция растет.
Как следствие, стоимость лида растет. Но выделяемый бюджет на рекламу падает.
Значит, самое время посмотреть под капот того, что происходит внутри процесса продаж. И найти эффективные методы увеличения конверсии продаж. Потому что выглядит, что это и есть критерий эффективности.
Если в вашей компании работают представители, которые продают по телефону, то эта статья для вас.
В этом реальном кейсе мы расскажем, каким образом компания оптимизировала свой процесс продаж по телефону и увеличила конверсию с помощью SalesAI на 18% всего за 3 месяца, добившись ROI 328%, или несколько дополнительных миллионов рублей в месяц.
ROI — Возврат на инвестиции. Показывает маржу от внедрения, то есть 328% = выручка составила (1+3,28)х стоимость внедрения.
Этот кейс описывает процесс продажи B2C с небольшим чеком. Если у вас B2B и чек до 50М руб, система будет работать по такому же принципу, только потребуется более сложный фреймворк и больше лейблов для обучения.
Этот кейс не об энтерпрайз-клиенте с морем данных и кучей денег на эксперименты. Он о среднем бизнесе с data driven подходом, который считает деньги и требует от инвестиций быстрой окупаемости.Как вы тоже можете получить ROI 328% уже на этапе пилота, читайте ниже.
Чем больше первичных посещений МЦ, тем больше медцентр продаст услуг с высокой маржинальностью.
Если мы увеличим количество посещений и продаж маржинальных услуг, прибыль начнёт расти нелинейно. Наша задача — увеличить конверсию из звонка в первое посещение. Если есть первое посещение, то шансы на допродажу вырастают кратно.
Конверсия из звонка в посещение зависит от оператора. Если оператор пройдет 10 этапов фреймворка, конверсия вырастет. При этом важно не превратить человека в машину, которая зачитывает вопросы по жесткому скрипту: человечность, раппорт, эмпатия — конкурентные преимущества медцентра.
Фреймворк звонка состоит из 10 этапов: собрать анамнез, проконсультировать, обработать возражения, рассказать о преимуществах оборудования… Конкретные формулировки зависели от контекста разговора и манеры общения оператора. Жесткие скрипты заказчик не использовал, потому что они снижали конверсию.
Фреймворк звонка — это упоминание пунктов из скрипта. В отличие от скрипта с жесткой последовательностью и речевыми конструкциями, фреймворк дает больше гибкости оператору, ограничивая его только наличием темы внутри разговора и позволяет выстроить живой диалог и располагающий к себе раппорт. В этом месте ломаются старые системы Речевой аналитики 1.0: они не работают с фреймворками.
Проблемы:
Прослушивать и обучать 80 операторов — сложно и дорого.
Отдел качества из 5 человек успевает прослушать и оценить 0,5% записей.
Нет дашборда со статистикой ошибок, а значит невозможно отследить, где конкретно ошибаются все менеджеры и отдельно взятый.
Конверсия из звонка в запись на приём прыгает от месяца к месяцу. Выручка, соответственно, тоже.
Требовалась система, которая автоматически оценивает все звонки и даёт объективную оценку всех разговоров.
Цель пилота SalesAI
Понять, как работают операторы. От SalesAI хотели получить анализ каждого разговора по 10, а затем по 20 параметрам. Звонок должен оцениваться внутри SalesAI и отдавать метаданные в DWH. Если оператор поздоровался по стандартам медцентра, но не собрал анамнез, значит первый этап фреймворка пройден на 1, а второй на ноль. Смысл сбора данных в том, чтобы видеть и исправлять ошибки сотрудника сразу после разговора или в конце дня.
С помощью контроля и обучения сократить ошибки. Если пациента записали не туда, тратится время врача. Например, аппарат МРТ, который может принять пациента с весом более 120 кг, всего один. Каждый раз, когда оператор забывает уточнить вес, расписание забивается нерелевантными заявками и тратится время врача.Сэкономить на контроле.Сократить время на прослушку звонков и не раздувать штат в отделе контроля качества.
Заложить фундамент. Создать минимальный продукт, на который наращиваются нужные фичи, например, онлайн-подсказки операторам во время разговора с клиентом или автозаполнение карточки в CRM по итогам созвона.
Пилот
В пилотной версии клиент хотел видеть, проходит ли операторы важные для конверсии 10 этапов фреймворка:
представился и узнал имя;
собрал анамнез;
проконсультировал перед посещением;
обработал возражения;
сделал презентацию медицинского оборудования;
назвал противопоказания;
предложил доп услуги;
записал на приём;
сказал про стоимость услуги;
проговорил детали записи на приём.
Это и есть список лейблов, на которых обучалась нейросеть.
«Здравствуйте! Это сеть клиник…», SalesAI определил, что это лейбл «Приветствие».
Оператор задал обязательный вопрос на этапе сбора противопоказаний к записи на обычный аппарат МРТ, SalesAI определил смысл «Противопоказания» с вероятностью 0,939.
Как работает интеграция SalesAI с телефонией
Упрощенная схема интеграции SalesAI (если используется DWH-BI инфраструктура клиента)
Стандартная схема интеграции SalesAI с CRM
Сегодня мы уже реализовали оффлайн процесс, который позволяет провести пилот без интеграций: можно загрузить звонки в интерфейсе и SalesAI показывает результаты на дашборде:
В английском языке для расшифровки текста можно использовать язык регулярных выражений. Например, мы можем научить программу распознавать порядок слов в предложении или сказать: «Найди мне все предложения, которые начинаются на слово “записал”».
В нашем случае у этого подхода есть четыре минуса:
в русском языке порядок слов может быть любым: «Записал вас на десятое число» и «На десятое число вас записал»;
собеседники используют междометия, англицизмы и сленг, что засоряет результаты выдачи;
если оператор использует близкие по смыслу выражения, система путается в лейблах;
язык регулярных выражений проверяет текст по символам, поэтому такие системы очень медленные.
Учитывая все минусы, мы использовали методы обработки естественного языка и рекуррентные нейронные сети. В нашем случае — LSTM.
Коротко о том, как SalesAI понимает контекст. Допустим, оператор сказал о противопоказаниях: «Перед МРТ брюшной полости не ешьте ничего шесть часов, то есть с девяти утра». Чтобы понять эту фразу, SalesAI не просто ищет по ключевым словам, а запоминает и учитывает предыдущие фразы в разговоре.
Если бы SalesAI искал только по ключевым словам, то присвоил бы неверный лейбл «Запись на прием»
Разметка и обучение нейросети
Обычно, чтобы нейронка научилась точно определять лейблы*, необходимо разметить тысячи звонков и скормить их нейронной сети. За счет использования новой технологии, для обучения первых 10 лейблов, нам хватило всего 100 хороших звонков.
Лейбл — это смысл или кластер данных. Например, известный всем фреймворк квалификации BANT имеет 4 лейбла: Бюджет, Принятие решения, Потребность и Сроки. В описываемом кейсе использовалось 10 лейблов: представился и узнал имясобрал анамнезпроконсультировал перед посещениемобработал возражениясделал презентацию медицинского оборудования и тдФразы клиента, которые отмечаются лейблами, записываются в CRM и обрабатываются для построения прогнозных моделей продаж и определения теплоты клиента (скоринг).Фразы оператора также помечаются (другими) лейблами, записываются в БД и обрабатываются для оценки качества его работы и для построения наиболее эффективных скриптов продаж. Process Mining.
Если у вас есть чек-лист для контроля качества звонка, то каждая галочка в вашем чек-листе, это лейбл.
В процессе разметки мы вынуждены были оценить качество работы штатных супервайзеров нашего клиента. Наши разметчики обратили внимание заказчика на несоответствие реальных лейблов оценкам в чек-листе. То есть, лейбла на самом деле в разговоре не было, а в чек-листе супервайзера он стоял. Когда ребята из МЦ раскрутили эту историю, оказалось, что между некоторыми супервизорами и операторами возникли неформальные отношения, в результате, по понятным причинам, им завышали оценки, которые влияют на мотивацию… Случайно нашли еще одно преимущества нейросетей перед человеком)
Люди и время
На разработку, обучение и отладку ушло два месяца. На тестирование — еще один. С нашей стороны на проекте работало 5–10 человек и со стороны заказчика — три.
У медцентра появилась система, которая понимает контекст разговора и оценивает все диалоги. Если раньше супервайзеры выборочно отслеживали максимум 0,5% звонков, то теперь контролируют 100% диалогов. Данные по каждому оператору с разными фильтрами выводятся на дашборд и дают супервайзеру возможность быстро принимать управленческие решения.
До внедрения конверсия в запись на приём прыгала с 10% до 20%, теперь держится на уровне 20%. Для заказчика каждый процент — это миллионы рублей в месяц. Наша следующая цель поднять конверсию до 25% за три месяца.За время пилота выручка увеличилась на 3%, ROI составил 328%.
Было опасение, что сотрудники начнут жаловаться на нововведение, но этого не произошло. Первая причина — точность определения фраз. Вторая — медцентр использует аналитику, чтобы обучить оператора, а не наказать.Когда мы внедрили лейблы, то увидели, что супервайзер ставит галочки в чек-листе просто так. Например, оператор не рассказал об акции, но супервайзер отметил, что этап «промо» пройден. Когда ребята из медцентра копнули глубже, оказалось, что между некоторыми супервайзерами и операторами были неформальные отношения, которые завышали мотивацию. Так мы нашли еще одно преимущество SalesAI и нейросетей в целом.
Каждый диалог теперь разделен на 10 смыслов, каждый смысл — это кластер данных, который хранится в БД и обрабатывается также, как набор числовых данных. Большая выборка позволяет определить наиболее удачные фразы для каждого контекста.
Эти же данные, обогащенные цифровым следом клиента, позволят в дальнейшем делать онлайн подсказки для операторов.
Как сделать максимально быстрый пилот, чтобы увеличить вашу конверсию с помощью SalesAI
Команда SalesAI тоже не стояла на месте и за это время мы разработали максимально быстрый и экономичный образ пилота, чтобы каждый клиент мог оценить, как можно увеличить конверсию продаж с помощью нейросетей и еще получить кластеризованные данные прямо в CRM. Максимально экономичный вариант пилота выглядит так:
— Никаких интеграций
+ Даете ваш чек-лист качества звонка/встречи или фреймворк квалификации.
+ Даете записи звонков.
+ Мы размечаем датасет под ваш чек-лист.
+ Создаем математическую модель и разворачиваем нейросеть. Тестируем. Выдаем вам интерфейс.
+ Каждый сейл загружает в нее записи новых звонков.
Кейсы
Неделя рекламы 
Новости 
How to 
Интервью и дискуссии 
Маркетинговые исследования 
Просто о сложном 
Проверено ADPASS 
Рекламные кампании 
