Классификация диалогов: как экономить 20% рекламного бюджета на лидогенерации

Классификация диалогов: как экономить 20% рекламного бюджета на лидогенерации

Сегодня мы с вами поговорим о том, как устроена технология классификации диалогов и зачем она бизнесу.

​В B2C-отраслях — таких как авто, недвижимость, банки, медицина — компании выделяют огромные средства на привлечение лидов, которые чаще всего выражаются в звонках или заявках на перезвон менеджера. Маркетинговые расходы достигают нескольких процентов годового бюджета, и эффективность трат зависит от двух основных факторов: качество поставляемых маркетинговым агентством лидов и работы колл-центра.

Как анализировать качество звонков?

Самый простой и эффективный способ — прослушать записи разговоров. Однако такой вариант не подходит, если количество звонков в день составляет сотни и тысячи.

В данном случае на помощь приходят технологии, способные обрабатывать любые объемы информации.

Так, например, на нашей платформе входящий звонок маршрутизируется на оператора, затем разговор записывается и делится на два канала (отдельно голос клиента, отдельно — оператора), далее диалог транскрибируется и в текстовом виде передается модели для аналитики. 

Как происходит обработка диалогов?

Если кратко, то на основе полученного массива текстов выделяются отдельные термины и их сочетания, с опорой на которые машина должна научиться делать выводы о тематиках разговора. Разметка происходит в несколько этапов:

  1. Составление словаря терминов и сочетаний слов — выделение битермов (пар слов, употребленных в одном сообщении, но не обязательно стоящих рядом) и триграмм (последовательности слов);
  2. Разрешение многозначности — выявление всех возможных значений слова в контексте;
  3. Поиск совместных слов — анализ текста в окне, где определенные слова традиционно располагаются рядом и могут быть проанализированы вместе безотносительно порядка их расположения.

Пример нативного словаря для автобизнеса.

Готовый словарь загружается в модель, которая выстраивает закономерности и начинает выявлять смыслы разговора самостоятельно.

Особенность процесса заключается в том, что словарь составляется под определенную тематику, и, например, создав модель для финансового сектора, ее можно доработать для любого банка с учетом особенностей его предложений, вместо того чтобы делать проект с нуля.

Как применять классификатор на практике?

Разберем на примере сферы недвижимости. Дорогой товар обуславливает крайне высокую стоимость привлечения одного лида — от нескольких тысяч до нескольких десятков тысяч рублей. Основываясь на данных одного из застройщиков, можно назвать сумму в 60 млн рублей, которые ежемесячно уходят маркетинговому агентству за генерацию звонков и заявок.

Пример классификатора для недвижимости.​

В данном случае принципиально понимать, насколько эффективно расходуется бюджет как с точки зрения качества лидов, так и с точки зрения профессионализма операторов колл-центра, обрабатывающих звонки.

Кейс #1: качество лидов

Чтобы отработать KPI, агентства нередко инициируют фейковые звонки: одни и те же люди звонят с разных номеров, по разным объектам недвижимости, иногда даже записываются на просмотр квартиры и приезжают, но никогда не заключают сделку.

Задача состоит не только в том, чтобы сравнить номера, с которых приходят звонки, но и проверить голос звонящего — сколько раз он звонил, какими объектами интересовался. Если эти объекты относятся к одной категории (совпадают район, количество комнат и т.д.), запрос считается релевантным. Если же вопросы касаются разных по характеристикам квартир, и, кроме того, статусы в CRM-системе говорят, что общение с этими клиентами никогда не приводило к продаже, звонящий определяется как спамер.

С помощью голосовой биометрии были проанализированы несколько тысяч разговоров. Затем те записи, что машина определила как похожие, были повторно проверены экспертами. В результате 4,5% звонков оказались подозрительными, что в денежном выражении составляет 2 700 000 рублей в месяц.

Кейс #2: профессионализм операторов

Не только маркетинговые агентства находят способы упрощения своей работы. Менеджеры колл-центров предпочитают сотрудничать с клиентами, готовыми купить квартиру здесь и сейчас, остальные же звонки помечают в CRM-системе как нецелевые и забывают про эти заявки в дальнейшем. В результате компания теряет сотни потенциальных сделок.

В рамках второго кейса задача состояла в том, чтобы проанализировать звонки со статусом «нерелевантный» и найти среди них целевые. Таковым считается разговор, в котором упоминается вопрос приобретения квартиры: маркерами в данном случае выступали упоминания названий объекта, бюджета, количества комнат и метража. Отдельно также выявлялась готовность к дальнейшим действиям (приехать на просмотр, перезвонить) и готовность к ипотеке.

В результате 72% записей из не взятых в работу были определены как целевые, из них:

  • 47% клиентов готовы к дальнейшим действиям;
  • 29% рассматривают возможность ипотеки;
  • 25% клиентов озвучивают бюджет;
  • 73% клиентов озвучивают желаемое количество комнат.

Таким образом, классификатор диалогов дает возможность контролировать и совершенствовать процесс лидогенерации, оценивая звонки по заданным критериям. Кроме того, технология позволяет находить звонки в CRM-системе по ключевым словам и задавать выполнение определенных действий при срабатывании триггера.

Теги:
B6A24216-9891-45D1-9D1D-E7359CEB8282 Created with sketchtool.

Комментарии(0)

Добавить ваш комментарий

Пожалйуста, заполните это поле.

Рекомендации

Зарегистрируйтесь, чтобы получить бесплатный аккаунт
разработчика, или свяжитесь с нашими специалистами
Зарегистрироваться