Другая сторона Искусственного Интеллекта
Другая сторона Искусственного Интеллекта
Точка А:
Кондитерская домашних тортов.
4 менеджера, которые не справляются. Не выходят на работу вовремя, увольняются, работают некачественно, забывают о клиентах, а потенциальные клиенты не доходят до покупки.
Много негатива в соц сетях и отзывах.
Рекламный бюджет сливается не понятно куда. Нет ни контроля, ни статистики.
Запрос клиента — полностью автоматизировать процесс коммуникации с клиентами на этапе приема заявок, внедрить нейро-сотрудников и автоматизировать их работу в amoCRM, чтобы больше не сливать заявки.
Мы доработали воронку продаж и настроили все процессы в AmoCRM: автоматические действия и триггеры, чтобы карточки клиентов переходили из одного этапа воронки в другой полностью автоматизированно. Параллельно мы создали двух нейро-сотрудников и встроили их в бизнес-процессы, происходящие в AmoCRM. То есть: мы прикрепляем нейро-сотрудника к конкретной воронке на том этапе, на котором он выполняет свою задачу.
Как это выглядит в воронке?
В CRM создается новый лид или сделка и открывается канал связи с клиентом, к диалогу сразу подключается нейро-сотрудник. В соответствии со своим сценарием (промптом) нейро-сотрудник ведёт диалог с клиентом вместо живого сотрудника. При движении карточки сделки по воронкам к процессу общения с клиентом подключаются другие нейро-сотрудники с разными ролями.
Точка В:
Сократили расходы на ФОТ в размере 150 000 рублей, перестали терять клиентов из-за неэффективности менеджеров. Исчезли все проблемы, связанные с менеджерами. И теперь все первые касания с клиентами автоматизированно решаются уже обученными нейро-сотрудниками, которые на связи 24/7 и работают ОЧЕНЬ быстро, эффективно и доводят каждого потенциального клиента до покупки.
Кондитерская домашних тортов.
4 менеджера, которые не справляются. Не выходят на работу вовремя, увольняются, работают некачественно, забывают о клиентах, а потенциальные клиенты не доходят до покупки.
Много негатива в соц сетях и отзывах.
Рекламный бюджет сливается не понятно куда. Нет ни контроля, ни статистики.
Запрос клиента — полностью автоматизировать процесс коммуникации с клиентами на этапе приема заявок, внедрить нейро-сотрудников и автоматизировать их работу в amoCRM, чтобы больше не сливать заявки.
Мы доработали воронку продаж и настроили все процессы в AmoCRM: автоматические действия и триггеры, чтобы карточки клиентов переходили из одного этапа воронки в другой полностью автоматизированно. Параллельно мы создали двух нейро-сотрудников и встроили их в бизнес-процессы, происходящие в AmoCRM. То есть: мы прикрепляем нейро-сотрудника к конкретной воронке на том этапе, на котором он выполняет свою задачу.
Как это выглядит в воронке?
В CRM создается новый лид или сделка и открывается канал связи с клиентом, к диалогу сразу подключается нейро-сотрудник. В соответствии со своим сценарием (промптом) нейро-сотрудник ведёт диалог с клиентом вместо живого сотрудника. При движении карточки сделки по воронкам к процессу общения с клиентом подключаются другие нейро-сотрудники с разными ролями.
Точка В:
Сократили расходы на ФОТ в размере 150 000 рублей, перестали терять клиентов из-за неэффективности менеджеров. Исчезли все проблемы, связанные с менеджерами. И теперь все первые касания с клиентами автоматизированно решаются уже обученными нейро-сотрудниками, которые на связи 24/7 и работают ОЧЕНЬ быстро, эффективно и доводят каждого потенциального клиента до покупки.
Точка А:
Выручка магазина ~450 000 ₽
Внедрили нейропродавца на сайт и Авито
Спустя 2 месяца результат:
Выручка 650к+
Высвободилось время и фокус как
предпринимателя, так и администраторов
Упал показатель оттока клиентов за счет
качества и скорости нашего ИИ
Итог:
Вместо роста расходов на доп. сотрудника - сэкономили и
увеличили доходность
Выручка магазина ~450 000 ₽
Внедрили нейропродавца на сайт и Авито
Спустя 2 месяца результат:
Выручка 650к+
Высвободилось время и фокус как
предпринимателя, так и администраторов
Упал показатель оттока клиентов за счет
качества и скорости нашего ИИ
Итог:
Вместо роста расходов на доп. сотрудника - сэкономили и
увеличили доходность
Клиент не системно вел ТГ-канал, продаж почти не было. Основной
задачей на внедрение AI была монетизация канала.
Было решено сделать связку:
Мы заложили боту следующую задачу:
Системно вести канал ТГ с помощью нейросети, в конце каждого поста
призыв к действию и ссылка на Ai-бот, задача которого была квалифицировать
клиента, определять его потребности и записывать на созвон.
Результат:
Т.к. у компании несколько направлений, то результат по трём основным во временном отрезе: месяц (после внедрения Ai)
Автоподбор: 7 закрытых лидов (каждый автоподбор в среднем 40 т.р.) Итого: 280т.р.
Детейлинг: 15 закрытых лидов из 18-ти. В среднем 7 т.р. Итого: 105т.р.
Автосалон: 1 закрытый клиент из 3-х. Средний доход с продажи авто 50т.р.
Автосервис: 3 закрытых клиента из 8-ми. Средний чек 25т.д.
Итого: +510 т.р. за месяц, после внедрения ИИ.
задачей на внедрение AI была монетизация канала.
Было решено сделать связку:
Мы заложили боту следующую задачу:
Системно вести канал ТГ с помощью нейросети, в конце каждого поста
призыв к действию и ссылка на Ai-бот, задача которого была квалифицировать
клиента, определять его потребности и записывать на созвон.
Результат:
Т.к. у компании несколько направлений, то результат по трём основным во временном отрезе: месяц (после внедрения Ai)
Автоподбор: 7 закрытых лидов (каждый автоподбор в среднем 40 т.р.) Итого: 280т.р.
Детейлинг: 15 закрытых лидов из 18-ти. В среднем 7 т.р. Итого: 105т.р.
Автосалон: 1 закрытый клиент из 3-х. Средний доход с продажи авто 50т.р.
Автосервис: 3 закрытых клиента из 8-ми. Средний чек 25т.д.
Итого: +510 т.р. за месяц, после внедрения ИИ.
Изначальный запрос: клиенты много пишут в ВК
● Негатив забирает много энергии у собственника
● Однообразные вопросы - доп.время SMMспециалиста
● Оформление заказа - большая занятость
После внедрения нейросотрудника:
● Нейросотрудник отрабатывает до 90% негатива в автоматическом порядке, предлагая промокод на скидку
● Если клиента это не устраивает - квалифицирует “лид” - принимает заявку, из которой убирает все эмоции, оставляя только голые факты
● Клиенты стали получать ответы за 30-60 секунд на свои вопросы
● Направляет на сайт на нужную карточку товара, чтобы клиент сделал заказ
Как итог: 364 000 рублей плюсом к выручке, снижение
негатива, снижение трудозатрат штата = улучшение качества
● Негатив забирает много энергии у собственника
● Однообразные вопросы - доп.время SMMспециалиста
● Оформление заказа - большая занятость
администраторов
После внедрения нейросотрудника:
● Нейросотрудник отрабатывает до 90% негатива в автоматическом порядке, предлагая промокод на скидку
● Если клиента это не устраивает - квалифицирует “лид” - принимает заявку, из которой убирает все эмоции, оставляя только голые факты
● Клиенты стали получать ответы за 30-60 секунд на свои вопросы
● Направляет на сайт на нужную карточку товара, чтобы клиент сделал заказ
Как итог: 364 000 рублей плюсом к выручке, снижение
негатива, снижение трудозатрат штата = улучшение качества
продукта, сервиса и значительное повышение лояльности клиентской базы.
Точка А:
8 менеджеров по продажам не успевают
обработать входящие заявки по типу (а сколько
стоит то, а сколько это)
Очень мало целевых клиентов
Много времени тратится на нецелевых
Запрос:
Автоматизировать ответы на множество входящих
вопросов и фокусироваться только на горячих клиентах
Точка Б:
● Скорость ответа сократилась с 6 часов до 30
секунд
● NPS повысился с 80% до 95%
● снизился негатив в 1,5 раза
● количество клиентов увеличилось на 10%
● освободилось время у 2-ух менеджеров, их
переключили другие задачи
Таким образом приходы увеличились на 200%, а отдел
квалификации был уменьшен на 2 менеджеров (по 70к)
8 менеджеров по продажам не успевают
обработать входящие заявки по типу (а сколько
стоит то, а сколько это)
Очень мало целевых клиентов
Много времени тратится на нецелевых
Запрос:
Автоматизировать ответы на множество входящих
вопросов и фокусироваться только на горячих клиентах
Точка Б:
● Скорость ответа сократилась с 6 часов до 30
секунд
● NPS повысился с 80% до 95%
● снизился негатив в 1,5 раза
● количество клиентов увеличилось на 10%
● освободилось время у 2-ух менеджеров, их
переключили другие задачи
Таким образом приходы увеличились на 200%, а отдел
квалификации был уменьшен на 2 менеджеров (по 70к)
Точка А:
● 2 куратора с зарплатой по 50к/мес.
● Собственник хочет еще +2 (итого 4), 👉200к/мес.
Есть 3 тарифа обучения:
1) база за 40к
2) ViP за 125к
3) Супер ViP за 250к
Приняли решение заменить кураторов на Ai ассистента.
Спустя 2 месяца результат:
● Нанимать новых не пришлось (экономия 100к)
● Те 2 куратора вместо фуллтайма работают
посменно и уделяют по 30 минут в день на
контроль ИИ
● Высвободилось время, и они ушли в другие
задачи. Создали экономию для компании в 80к
● Упал показатель оттока студентов за счет качества
и скорости нашего ИИ-куратора
● ИИ стал допродавать апгрейд, в результате -
несколько допродаж на 300к
Вместо роста расходов на 100к клиент сделал +500к,
внедрив один инструмент.
● 2 куратора с зарплатой по 50к/мес.
● Собственник хочет еще +2 (итого 4), 👉200к/мес.
Есть 3 тарифа обучения:
1) база за 40к
2) ViP за 125к
3) Супер ViP за 250к
Приняли решение заменить кураторов на Ai ассистента.
Спустя 2 месяца результат:
● Нанимать новых не пришлось (экономия 100к)
● Те 2 куратора вместо фуллтайма работают
посменно и уделяют по 30 минут в день на
контроль ИИ
● Высвободилось время, и они ушли в другие
задачи. Создали экономию для компании в 80к
● Упал показатель оттока студентов за счет качества
и скорости нашего ИИ-куратора
● ИИ стал допродавать апгрейд, в результате -
несколько допродаж на 300к
Вместо роста расходов на 100к клиент сделал +500к,
внедрив один инструмент.
Как в два 2 быстрее закрывать вакансии
Точка А:
● компания занимается клинингом
● нанимает персонал с Авито
● низкая конверсия в найм (долго закрывают
вакансию)
● Не качественные соискатели
На консультации выяснили:
● обработка кандидатов сильно “хромает”
● скрипт на уровне односложеных ответов на
вопросы кандидата: да/нет
● скорость ответа до 2ч, ночью до 10ч
Решение:
Разработали цифрового сотрудника таким образом, чтобы
он вел диалог и забирал инициативу на себя.
Вместо односложных ответов, сразу начинает вести
кандидата по воронке, квалифицируя и закрывая на созвон с
менеджером, если соискатель подходит.
Результат:
● набрали 7 качественных клинеров
● ранее такая вакансия закрывалась бы за 2 месяца
● клиент сэкономил время, силы, ЗП менеджеру по персоналу и набрал качественных сотрудников в штат.
Точка А:
● компания занимается клинингом
● нанимает персонал с Авито
● низкая конверсия в найм (долго закрывают
вакансию)
● Не качественные соискатели
На консультации выяснили:
● обработка кандидатов сильно “хромает”
● скрипт на уровне односложеных ответов на
вопросы кандидата: да/нет
● скорость ответа до 2ч, ночью до 10ч
Решение:
Разработали цифрового сотрудника таким образом, чтобы
он вел диалог и забирал инициативу на себя.
Вместо односложных ответов, сразу начинает вести
кандидата по воронке, квалифицируя и закрывая на созвон с
менеджером, если соискатель подходит.
Результат:
● набрали 7 качественных клинеров
● ранее такая вакансия закрывалась бы за 2 месяца
● клиент сэкономил время, силы, ЗП менеджеру по персоналу и набрал качественных сотрудников в штат.
Разработали Ai-технологию для увеличения эффективности работы call-центра компании «АльфаСтрахование».
Какую проблему решали:
Ежедневно сотрудники «АльфаСтрахование» взаимодействует с клиентами для продления полисов ОСАГО.
Обзвон клиентской базы полностью лежит на операторах call-центра. Возможности компании ограничены числом сотрудников, увеличение нагрузки возможно только через расширение штата. СМС-рассылка не оптимизирована: сообщения общего характера отправляются всем клиентам.
Мы разработали бота на основе ИИ, который обзванивает клиентскую базу без участия операторов call-центра и может общаться параллельно с неограниченным количеством клиентов. Он самостоятельно валидирует базу, переводя на операторов только релевантные звонки. Также, теперь СМС со ссылкой на продление полиса направляются только заинтересованным клиентам.
Применяемые технологии:
NLP (Классификация смыслов в текстах)
Алгоритм работает на основе векторных представлений слов (Word embeddings) и сверточных нейронных сетей (CNN). Дополнительные алгоритмы seq2seq autoencoder. transfer-learning и fine-tuning позволяют учитывать знания, полученные от других моделей в прошлом, и передавать их новым моделям.
STT (Распознавание речи)
Используется гибридная техника распознавания речи из нескольких компонентов — акустической модели на основе нейронной сети (TDNN-F), статистической языковой модели и модели построения вектора представления спикера.
NLP (Автоматизация построения скрипта разговора)
С помощью алгоритма STT, который позволяет определить время произнесения фразы, аудио переводится в текст и строится хронологическая последовательность фраз собеседников. Алгоритмы NLP учитывают контекстные и семантические зависимости фраз в диалоге и восстанавливают структуру диалога. Используя полученный скрипт разговора уже возможно использовать его в качестве диалоговой модели.
До проекта:
В ИТОГЕ:
В 1.5 раза увеличилось количество продлений полисов ОСАГО
На 146% выросло число звонков в день
На 37% снизилась стоимость одной минуты общения с клиентом
150 параллельных линий может обрабатывать робот, даже при максимальной загрузке
Какую проблему решали:
Ежедневно сотрудники «АльфаСтрахование» взаимодействует с клиентами для продления полисов ОСАГО.
Обзвон клиентской базы полностью лежит на операторах call-центра. Возможности компании ограничены числом сотрудников, увеличение нагрузки возможно только через расширение штата. СМС-рассылка не оптимизирована: сообщения общего характера отправляются всем клиентам.
Мы разработали бота на основе ИИ, который обзванивает клиентскую базу без участия операторов call-центра и может общаться параллельно с неограниченным количеством клиентов. Он самостоятельно валидирует базу, переводя на операторов только релевантные звонки. Также, теперь СМС со ссылкой на продление полиса направляются только заинтересованным клиентам.
Применяемые технологии:
NLP (Классификация смыслов в текстах)
Алгоритм работает на основе векторных представлений слов (Word embeddings) и сверточных нейронных сетей (CNN). Дополнительные алгоритмы seq2seq autoencoder. transfer-learning и fine-tuning позволяют учитывать знания, полученные от других моделей в прошлом, и передавать их новым моделям.
STT (Распознавание речи)
Используется гибридная техника распознавания речи из нескольких компонентов — акустической модели на основе нейронной сети (TDNN-F), статистической языковой модели и модели построения вектора представления спикера.
NLP (Автоматизация построения скрипта разговора)
С помощью алгоритма STT, который позволяет определить время произнесения фразы, аудио переводится в текст и строится хронологическая последовательность фраз собеседников. Алгоритмы NLP учитывают контекстные и семантические зависимости фраз в диалоге и восстанавливают структуру диалога. Используя полученный скрипт разговора уже возможно использовать его в качестве диалоговой модели.
До проекта:
- Операторы call-центра совершают в среднем 500 звонков в день. Входящие звонки не обрабатываются.
- Сотрудники тратят время на «недозвоны», незаинтересованных клиентов, эффективность работы снижается из-за человеческих факторов.
- Наш голосовой робот обзванивает 100% контактов и проводит повторную продажу полиса ОСАГО без участия человека. При согласии продлить полис – отправляет счет смс-сообщением.
- Операторы «переключились» на обработку входящих лидов, они эффективнее расходуют рабочее время, не тратя его не «недозвоны» и незаинтересованных клиентов.
В ИТОГЕ:
В 1.5 раза увеличилось количество продлений полисов ОСАГО
На 146% выросло число звонков в день
На 37% снизилась стоимость одной минуты общения с клиентом
150 параллельных линий может обрабатывать робот, даже при максимальной загрузке
Автоматизация контакт-центра компании ДоДо Пицца
Какую проблему решали:
В контакт-центр «Додо Пиццы» поступает около 350 000 звонков в месяц. Операторы отвечали на однотипные вопросы по заранее разработанным скриптам. При этом стоимость минуты работы специалистов контакт-центра очень высока. Из-за высокой загрузки операторов клиентам приходилось долго ожидать на линии. Это плохо сказывалось на их лояльности.
Необходимо было ускорить обработку входящих звонков, уменьшить нагрузку на операторов и сократить расходы на содержание контакт-центра.
Вместо переобучения людей в «Додо Пицце» решили автоматизировать контакт-центр. Мы разработали и внедрили голосового ассистента, NLP-платформу для процессинга системы zDialog и платформу чат-бот аналитики OneDash.
Голосовой помощник отвечает на звонок клиента и с точностью 95% определяет его запрос. Затем он фиксирует запрос в информационной системе Dodo IS для получения данных о заказе. 97% правильно распознанных запросов бот закрывает самостоятельно.
Ассистент интегрирован с системой телефонии Enghouse Interactive и может при необходимости перевести звонок на оператора колл-центра или менеджера пиццерии. Сотрудники работают только с теми запросами, на которые бот пока не знает ответа.
Применяемые технологии:
Бот с голосовым интерфейсом написан на базе фреймворка для создания чат-ботов и системы автоматизации контакт-центров zDialog. Модель позволяет описывать сценарии взаимодействия пользователей и определять их запросы.
Для аналитики используется решение OneDash. Оно помогает отслеживать поведение пользователей при взаимодействии с ботом, фиксировать их потенциальные проблемы и контекст разговора.
Благодаря использованию технологий синтеза речи робот отвечает клиентам человекоподобным голосом с естественными интонациями и плавной речью.
До проекта:
На 35% больше обращений может обработать контакт центр
87% клиентов оценили работу голосового бота на 5 балов из 5-ти
350 000 рублей ежемесячная экономия на ФОТ
Какую проблему решали:
В контакт-центр «Додо Пиццы» поступает около 350 000 звонков в месяц. Операторы отвечали на однотипные вопросы по заранее разработанным скриптам. При этом стоимость минуты работы специалистов контакт-центра очень высока. Из-за высокой загрузки операторов клиентам приходилось долго ожидать на линии. Это плохо сказывалось на их лояльности.
Необходимо было ускорить обработку входящих звонков, уменьшить нагрузку на операторов и сократить расходы на содержание контакт-центра.
Вместо переобучения людей в «Додо Пицце» решили автоматизировать контакт-центр. Мы разработали и внедрили голосового ассистента, NLP-платформу для процессинга системы zDialog и платформу чат-бот аналитики OneDash.
Голосовой помощник отвечает на звонок клиента и с точностью 95% определяет его запрос. Затем он фиксирует запрос в информационной системе Dodo IS для получения данных о заказе. 97% правильно распознанных запросов бот закрывает самостоятельно.
Ассистент интегрирован с системой телефонии Enghouse Interactive и может при необходимости перевести звонок на оператора колл-центра или менеджера пиццерии. Сотрудники работают только с теми запросами, на которые бот пока не знает ответа.
Применяемые технологии:
Бот с голосовым интерфейсом написан на базе фреймворка для создания чат-ботов и системы автоматизации контакт-центров zDialog. Модель позволяет описывать сценарии взаимодействия пользователей и определять их запросы.
Для аналитики используется решение OneDash. Оно помогает отслеживать поведение пользователей при взаимодействии с ботом, фиксировать их потенциальные проблемы и контекст разговора.
Благодаря использованию технологий синтеза речи робот отвечает клиентам человекоподобным голосом с естественными интонациями и плавной речью.
До проекта:
- Операторы отвечают на типовые вопросы клиентов по скрипту.
- Длительное время ожидания на линии.
- Высокая стоимость работы операторов.
- Голосовой ассистент отвечает на звонки клиентов.
- Больше 85% из них ассистент закрывает без участия операторов.
- Информация о разговоре автоматически поступает в бэк-офис системы Dodo IS.
На 35% больше обращений может обработать контакт центр
87% клиентов оценили работу голосового бота на 5 балов из 5-ти
350 000 рублей ежемесячная экономия на ФОТ
Виртуальный ассистент для упрощения повседневных задач HR для компании Burger King
Какую проблему решали:
Каждая заявка с сайта и горячей линии обрабатывалась вручную.
Из 10 000 заявок в месяц 35% нерелевантны и впустую тратят время HR.
Оператор общался с соискателем и заполнял анкету: возраст, гражданство, город, предпочитаемый район работы. Данные передавались менеджерам ресторанов на местах для назначения интервью.
Мы разработали и внедрили голосового робота, который общается с соискателем по телефону, выявляет потребность в работе и задает базовые вопросы о вакансии по скрипту. Данные автоматически заносятся в систему, и HR уже знает результаты первого контакта с соискателем. Если кандидат подходит компании — платформа переводит его на HR менеджера, передавая текстовую расшифровку общения.
Применяемые технологии:
В проекте мы использовали решения:
До проекта:
1. 0% нерелевантных заявок
2. Значительное сокращение времени на работу HR менеджера
3. В 5 раз данная технология дешевле труда человека
4. HR менеджеры выполняют более интересные и целевые задачи, повышается мотивация и эффективность
5. Соискатели получают качественный быстрый ответ и не уходят к конкурентам, значительное повышение лояльности кандидатов
6. Оперативная и детальная аналитика каждого этапа отбора
Какую проблему решали:
Каждая заявка с сайта и горячей линии обрабатывалась вручную.
Из 10 000 заявок в месяц 35% нерелевантны и впустую тратят время HR.
Оператор общался с соискателем и заполнял анкету: возраст, гражданство, город, предпочитаемый район работы. Данные передавались менеджерам ресторанов на местах для назначения интервью.
Мы разработали и внедрили голосового робота, который общается с соискателем по телефону, выявляет потребность в работе и задает базовые вопросы о вакансии по скрипту. Данные автоматически заносятся в систему, и HR уже знает результаты первого контакта с соискателем. Если кандидат подходит компании — платформа переводит его на HR менеджера, передавая текстовую расшифровку общения.
Применяемые технологии:
В проекте мы использовали решения:
- Yandex SpeechKit для синтеза речи.
- AI-библиотека Speech-to-Text Google для распознавания речи.
- ASR-система интеграции правил ведения диалогов для бесед робота с кандидатом по гибким сценариям.
До проекта:
- Каждая из 10 000 заявок обрабатывается вручную.
- Часть заявок приходит с ошибками, часть теряет актуальность за 3-4 часа.
- 35% нерелевантны и впустую тратят время HR менеджера.
- Робот обрабатывает все входящие заявки, проводит первичное интервью, уточняет детали и отсеивает неподходящих кандидатов.
- Он передает звонок и данные о релевантном соискателе HR менеджеру, который сразу может предложить кандидату удобный ресторан для работы и закрыть вакансию.
1. 0% нерелевантных заявок
2. Значительное сокращение времени на работу HR менеджера
3. В 5 раз данная технология дешевле труда человека
4. HR менеджеры выполняют более интересные и целевые задачи, повышается мотивация и эффективность
5. Соискатели получают качественный быстрый ответ и не уходят к конкурентам, значительное повышение лояльности кандидатов
6. Оперативная и детальная аналитика каждого этапа отбора
Телефонный робот для опроса покупателей онлайн-магазина "Командор"
Какую проблему решали:
Во время пандемии COVID-19 сеть продуктовых магазинов «Командор» запустила онлайн-магазин. Для улучшения качества сервиса необходимо постоянно получать обратную связь от покупателей.
Сотрудники компании обзванивали клиентов, транскрибировали разговор, вводили данные в таблицу Excel. На это уходило много времени, что не позволяло оперативно реагировать на возникающие инциденты.
Для того, чтобы увеличить количество звонков и ускорить обработку полученной информации, необходимо автоматизировать процесс обзвона и сбора обратной связи.
Решение проблемы:
С помощью системного интегратора мы внедрили телефонного Ai-бота, который еженедельно обзванивает клиентов и задает вопросы о качестве оказанных услуг при заказе товара через интернет-магазин.
Робот моментально переводит разговоры в текст, переносит данные в таблицу и в течение 30-40 минут агрегирует результаты опроса, что позволяет быстро рассчитать уровень удовлетворенности клиента и индекс лояльности.
Применяемые технологии:
В решении мы использовали алгоритмы AI: GAN, LSTM, Hidden Markov chains, а также технологии NER, обработки естественного языка, распознавания речи.
Робот обзванивает клиентов по заранее заданным сценариям звонка.
Технологические возможности решения:
В ИТОГЕ:
100%-й сбор обратной связи от покупателей
На 97% сокращение стоимости опроса одного клиента
В 10 раз сокращение затрат на обзвон
Безопасный и бесконтактный канал взаимодействия с покупателями
Значительное уменьшение рутинной работы
Значительное повышение лояльности как сотрудников компании, так и клиентской базы
Какую проблему решали:
Во время пандемии COVID-19 сеть продуктовых магазинов «Командор» запустила онлайн-магазин. Для улучшения качества сервиса необходимо постоянно получать обратную связь от покупателей.
Сотрудники компании обзванивали клиентов, транскрибировали разговор, вводили данные в таблицу Excel. На это уходило много времени, что не позволяло оперативно реагировать на возникающие инциденты.
Для того, чтобы увеличить количество звонков и ускорить обработку полученной информации, необходимо автоматизировать процесс обзвона и сбора обратной связи.
Решение проблемы:
С помощью системного интегратора мы внедрили телефонного Ai-бота, который еженедельно обзванивает клиентов и задает вопросы о качестве оказанных услуг при заказе товара через интернет-магазин.
Робот моментально переводит разговоры в текст, переносит данные в таблицу и в течение 30-40 минут агрегирует результаты опроса, что позволяет быстро рассчитать уровень удовлетворенности клиента и индекс лояльности.
Применяемые технологии:
В решении мы использовали алгоритмы AI: GAN, LSTM, Hidden Markov chains, а также технологии NER, обработки естественного языка, распознавания речи.
Робот обзванивает клиентов по заранее заданным сценариям звонка.
Технологические возможности решения:
- Автоматизированная передача заданий на обзвон контрагентов из внешних информационных систем.
- Загрузка базы данных абонентов вручную посредством xlsx,xls,csv файлов.
- Распознавание речи.
- Подстановка различных переменных в сценарий звонка.
- Статистика по дозвонам через программный интерфейс (API).
- Отправка e-mail, sms и Telegram сообщений.
- Перевод звонка на внешний номер, в т.ч. по SIP протоколу на IP АТС.
- Полностью «ручной» процесс сбора обратной связи.
- Часть ответов не фиксируется.
- Медленная реакция на инциденты.
- 180 руб. — стоимость опроса одного клиента.
- Автоматизированный процесс обзвона покупателей.
- Мгновенное распознавание и транскрибация разговора.
- Аналитика по результатам обзвона в личном кабинете.
- Оперативная отработка возникающих ситуаций.
- 6 руб. — стоимость опроса одного клиента.
В ИТОГЕ:
100%-й сбор обратной связи от покупателей
На 97% сокращение стоимости опроса одного клиента
В 10 раз сокращение затрат на обзвон
Безопасный и бесконтактный канал взаимодействия с покупателями
Значительное уменьшение рутинной работы
Значительное повышение лояльности как сотрудников компании, так и клиентской базы
Ai-технология выявления нарушений в диалогах сотрудников с клиентами для контроля уровня сервиса CarTaxi.
Какую проблему решали:
Сервис CarTaxi выполняет около 200 заказов в день. Телефонный разговор клиента с исполнителем для уточнения деталей заказа длится в среднем 4-5 минут.
Структура диалога между исполнителем и клиентом строго регламентирована. Для выявления нарушений в коммуникации операторы прослушивают 800 минут записей разговоров в день.
С развитием сервиса увеличивалось количество заказов и значительно росли трудозатраты на анализ разговоров.
Решение:
Мы разработали Ai-решение для автоматического анализа записей телефонных разговоров сотрудников, клиентов и исполнителей.
Данная технология распознает аудиозапись разговора, преобразует ее в текст, выявляет в диалоге возможные нарушения и проставляет специальные маркеры в случае высокой вероятности отклонения от принятых в компании правил. Диспетчер проверяет разговоры, помеченные маркерами, подтверждая или отклоняя предположения о наличии нарушения.
Применяемые технологии:
Разговоры между клиентами и водителями записываются в 2х-канальном режиме для того, чтобы можно было определить, кто в данный момент говорит — клиент или исполнитель. Для преобразования аудиозаписи в текст используется сервис AI SpeechKit. Сервис для автоматизированного анализа диалога на базе предварительно обученной рекуррентной нейронной сети выявляет нарушения в коммуникации. Полученные данные используются для дообучения модели.
До проекта:
До 90% снижение трудозатрат операторов
+50% рост коэффициента возврата клиентов
+20% прирост выполненных заказов
Какую проблему решали:
Сервис CarTaxi выполняет около 200 заказов в день. Телефонный разговор клиента с исполнителем для уточнения деталей заказа длится в среднем 4-5 минут.
Структура диалога между исполнителем и клиентом строго регламентирована. Для выявления нарушений в коммуникации операторы прослушивают 800 минут записей разговоров в день.
С развитием сервиса увеличивалось количество заказов и значительно росли трудозатраты на анализ разговоров.
Решение:
Мы разработали Ai-решение для автоматического анализа записей телефонных разговоров сотрудников, клиентов и исполнителей.
Данная технология распознает аудиозапись разговора, преобразует ее в текст, выявляет в диалоге возможные нарушения и проставляет специальные маркеры в случае высокой вероятности отклонения от принятых в компании правил. Диспетчер проверяет разговоры, помеченные маркерами, подтверждая или отклоняя предположения о наличии нарушения.
Применяемые технологии:
Разговоры между клиентами и водителями записываются в 2х-канальном режиме для того, чтобы можно было определить, кто в данный момент говорит — клиент или исполнитель. Для преобразования аудиозаписи в текст используется сервис AI SpeechKit. Сервис для автоматизированного анализа диалога на базе предварительно обученной рекуррентной нейронной сети выявляет нарушения в коммуникации. Полученные данные используются для дообучения модели.
До проекта:
- Диспетчеры прослушивают все разговоры исполнителей с клиентами.
- 13,3 чел/час в день тратится на прослушивание записей.
- 150 тыс. рублей в месяц — затраты на контроль уровня сервиса.
- Человеческий фактор снижает долю выявляемых нарушений.
- 30% — коэффициент возврата клиентов.
- Записи разговоров анализируются автоматически.
- 25 тыс. рублей в месяц — затраты на контроль уровня сервиса.
- Повысилась точность выявления нарушений.
- Улучшилась дисциплина исполнителей.
- 45% — коэффициент возврата клиентов.
До 90% снижение трудозатрат операторов
+50% рост коэффициента возврата клиентов
+20% прирост выполненных заказов
Система интеллектуального кросс-языкового анализа текстовых данных для экспертизы научно-технического проекта.
Эксперты ФГБНУ «Дирекция НТП» изучают поданные от вузов и научных организаций проекты, оценивают целесообразность и приоритетность их финансирования.
Какую проблему решали:
Ежегодно проводится экспертиза более 6 000 заявок и 1 500 профинансированных проектов. Для подготовки заключения необходимо проанализировать патенты и публикации в национальных и мировых источниках научно-технической информации.
Экспертам приходилось готовить множество запросов в разрозненные открытые источники, в каждом из которых — свой формат данных. Это занимало много времени и усложняло процесс. В едином окне эксперт получает необходимую аналитическую информацию с распределением по годам и категориям, которую он использует для подготовки итогового заключения.
Применяемые технологии:
В решении мы применили Ai-технологии с открытым исходным кодом Open Source.
Для создания прикладных микросервисов интеллектуализации использовали технологии:
Наиболее инновационная часть системы — механизм кросс-языкового поиска данных.
До проекта:
28 МЛН рублей составила экономия на анализ данных
На 40% снижение трудозатрат экспертов
Эксперты ФГБНУ «Дирекция НТП» изучают поданные от вузов и научных организаций проекты, оценивают целесообразность и приоритетность их финансирования.
Какую проблему решали:
Ежегодно проводится экспертиза более 6 000 заявок и 1 500 профинансированных проектов. Для подготовки заключения необходимо проанализировать патенты и публикации в национальных и мировых источниках научно-технической информации.
Экспертам приходилось готовить множество запросов в разрозненные открытые источники, в каждом из которых — свой формат данных. Это занимало много времени и усложняло процесс. В едином окне эксперт получает необходимую аналитическую информацию с распределением по годам и категориям, которую он использует для подготовки итогового заключения.
Применяемые технологии:
В решении мы применили Ai-технологии с открытым исходным кодом Open Source.
Для создания прикладных микросервисов интеллектуализации использовали технологии:
- предобработка текста (multilingual spaCy, CNN-BiLSTM)
- векторное представление текстов (нейросети CNN, Transformer-based (в т.ч. BERT), FastText)
- тематическое моделирование (ARTM)
- кластерный анализ (OPTICS)
- классификация (градиентный бустинг в версии LightGBM)
- снижение размерности данных (t-SNE)
- ранжирование поисковой выдачи (LambdaRank/LambdaMART)
- приближенный векторный поиск (Faiss)
- моноязыковое сопоставление векторных пространств (GAN)
Наиболее инновационная часть системы — механизм кросс-языкового поиска данных.
До проекта:
- 16 часов — длительность экспертизы.
- 8 часов на поиск и анализ информации вручную.
- Высокий риск человеческого фактора.
- 10 часов — длительность экспертизы.
- 2 часа на анализ автоматически сформированной выборки материалов.
- Единое окно для работы с научно-технической информацией.
- Автоматизированный кросс-языковой анализ научных проектов.
28 МЛН рублей составила экономия на анализ данных
На 40% снижение трудозатрат экспертов
Внедрение диалоговой платформы на базе Ai для ответов на запросы от поставщиков и сотрудников для компании НЛМК.
Какую проблему решали:
Служба снабжения НЛМК получала большое количество однотипных вопросов от поставщиков, а служба поддержки вручную обрабатывала обращения сотрудников компании.
Работа специалистов состояла из множества рутинных операций: уточнить запрос, получить недостающую информацию, провести исследование в учетных системах, сформировать ответ, оформить результаты. Время квалифицированных специалистов расходовалось неэффективно. Кроме этого, авторы обращений оставались не удовлетворенными скоростью обработки запросов.
Наше решение на базе Ai было предназначено для оперативной обработки запросов от поставщиков и сотрудников.
Созданы автоматические диалоговые сценарии для уточнения недостающей информации, исследования проблемы, ответов на вопросы и выполнения действий по разрешению инцидента. Цифровой помощник заменил профильных специалистов и сотрудников службы поддержки.
Применяемые технологии:
Основа решения — корпоративная диалоговая платформа «Цифровой помощник» на базе Ai.
Программный продукт содержит:
До проекта:
В ИТОГЕ:
На 10% улучшены поставки за счёт прозрачности процесса закупок
На 25% снижение загрузки сотрудников
В 120 раз ускорение получения оперативной информации для поставщиков
Значительное укрепление долгосрочных отношений с поставщиками
Какую проблему решали:
Служба снабжения НЛМК получала большое количество однотипных вопросов от поставщиков, а служба поддержки вручную обрабатывала обращения сотрудников компании.
Работа специалистов состояла из множества рутинных операций: уточнить запрос, получить недостающую информацию, провести исследование в учетных системах, сформировать ответ, оформить результаты. Время квалифицированных специалистов расходовалось неэффективно. Кроме этого, авторы обращений оставались не удовлетворенными скоростью обработки запросов.
Наше решение на базе Ai было предназначено для оперативной обработки запросов от поставщиков и сотрудников.
Созданы автоматические диалоговые сценарии для уточнения недостающей информации, исследования проблемы, ответов на вопросы и выполнения действий по разрешению инцидента. Цифровой помощник заменил профильных специалистов и сотрудников службы поддержки.
Применяемые технологии:
Основа решения — корпоративная диалоговая платформа «Цифровой помощник» на базе Ai.
Программный продукт содержит:
- Технологии обработки датасетов
- Сервисы обучения и тестирования NLP моделей
- NLP/NLU инструменты
- Графический конструктор диалоговых сценариев
- Инструменты для интеграции с корпоративными системами
- Инструменты отладки, вспомогательные интерфейсы.
- Использование множества NLP моделей для различных целей, а именно: собрано 54 датасета, построено 29 моделей
- Применение NLP/NLU инструментов на разных шагах диалога, в том числе в сценарной части диалога
- Применение методов обучения, дающих удовлетворительный результат на малом объёме обучающих данных.
До проекта:
- Большое количество однотипных запросов.
- Обработка обращений и поиск недостающей информации вручную.
- От 30 минут до 2 дней — время ответа на запрос.
- Автоматизированный диалог с поставщиками и сотрудниками.
- Автоматический поиск и предоставление информации по запросам.
- Обработка запросов в режиме 24/7.
- 1 минута — время ответа на запрос.
В ИТОГЕ:
На 10% улучшены поставки за счёт прозрачности процесса закупок
На 25% снижение загрузки сотрудников
В 120 раз ускорение получения оперативной информации для поставщиков
Значительное укрепление долгосрочных отношений с поставщиками
Автоматизация и контроль работы полевых сотрудников с помощью системы распознавания и предиктивной аналитики SmartMerch для бренда Carlsberg.
Какую проблему решали:
Carlsberg Group работает в крайне конкурентном окружении и вынуждена постоянно улучшать свои бизнес-процессы для сохранения лидерства в сегменте.
В российском подразделении компании — более 4 тыс. мерчендайзеров, которые контролируют ассортимент и наличие продукции Carlsberg в точках продаж. По результатам визита сотрудники заполняли анкету в приложении в ручную. Таким образом на полученную информацию сильно влиял человеческий фактор.
Поставлены задачи — повысить прозрачность и объективность полевых данных, оптимизировать затраты на выездной персонал.
Для автоматизации сбора данных из магазинов и контроля качества работы полевых сотрудников мы использовали систему SmartMerch.
Вместо заполнения анкеты мерчендайзеры теперь фотографируют полки с товаром. Система распознает фотографии, автоматически составляя перечень товаров в наличии, оценивая корректность ассортимента и выкладки, долю полки по отношению к конкурентам.
В результате менеджмент компании получает достоверную аналитику по представленности продуктов в каждой точке продаж, а также объективную оценку KPI каждого сотрудника.
Применяемые технологии:
Распознавание товаров на фотографиях происходит с помощью обученных глубоких сверточных нейронных сетей.
Модели распознавания изображений дополнены модулем предиктивной аналитики.
До проекта:
После проекта:
В ИТОГЕ:
На 6% выросли продажи за месяц после внедрения технологии
На 7.5% сокращение операционных затрат
На 100% прозрачность и достоверность полевых работ
Значительное снижение времени работы мерчендайзеров на точке
Прозрачная объективная система мотивации
Какую проблему решали:
Carlsberg Group работает в крайне конкурентном окружении и вынуждена постоянно улучшать свои бизнес-процессы для сохранения лидерства в сегменте.
В российском подразделении компании — более 4 тыс. мерчендайзеров, которые контролируют ассортимент и наличие продукции Carlsberg в точках продаж. По результатам визита сотрудники заполняли анкету в приложении в ручную. Таким образом на полученную информацию сильно влиял человеческий фактор.
Поставлены задачи — повысить прозрачность и объективность полевых данных, оптимизировать затраты на выездной персонал.
Для автоматизации сбора данных из магазинов и контроля качества работы полевых сотрудников мы использовали систему SmartMerch.
Вместо заполнения анкеты мерчендайзеры теперь фотографируют полки с товаром. Система распознает фотографии, автоматически составляя перечень товаров в наличии, оценивая корректность ассортимента и выкладки, долю полки по отношению к конкурентам.
В результате менеджмент компании получает достоверную аналитику по представленности продуктов в каждой точке продаж, а также объективную оценку KPI каждого сотрудника.
Применяемые технологии:
Распознавание товаров на фотографиях происходит с помощью обученных глубоких сверточных нейронных сетей.
Модели распознавания изображений дополнены модулем предиктивной аналитики.
- Точность распознавания: 97%
- Скорость распознавания: ~1,5 минуты
- Количество распознанных фотографий: более 25 миллионов
До проекта:
- Менее 90% - точность отчетов, заполняемых агентами вручную.
- Большая доля случайных и преднамеренных ошибок.
- Низкая скорость сбора данных из торговой точки.
После проекта:
- Автоматическое получение достоверных отчетов из каждой точки продаж.
- Исключен человеческий фактор.
- Быстрое получение данных по результатам визита.
- Оценка выполнения KPI.
- Объективное стратегическое планирование.
В ИТОГЕ:
На 6% выросли продажи за месяц после внедрения технологии
На 7.5% сокращение операционных затрат
На 100% прозрачность и достоверность полевых работ
Значительное снижение времени работы мерчендайзеров на точке
Прозрачная объективная система мотивации
Как ChatGTP-4 выявляет целевых клиентов и страхует менеджеров от ошибок
Девелопмент — сфера повышенных рисков. Всего одна ошибка менеджера, который неправильно обработал заявку (случайно закрыл сделку/не
перезвонил/неверно квалифицировал), ведёт к потере миллионов рублей. Благо, с приходом искусственного интеллекта (ИИ) у бизнеса
появилась возможность застраховать себя от подобных человеческих промахов.
Рассказываем на примере данного проекта, как мы внедрили в кабинет amoCRM виджет ChatGPT-4, настроили автоматическую расшифровку звонков,
определение целевых клиентов и почти мгновенное сообщение РОПу в случае
менеджерской ошибки.
Крупный девелопер.
Реализация:
Для того, чтобы система работала нам нужно было научить ИИ определять два показателя сделок:
Сделка с квалифицированным лидом
Сделка закрыта ошибочно
Для этого мы совместно с клиентом разработали задания для нейросети, ориентируясь на следующие вопросы:
Устраивает ли клиента срок сдачи объекта
Устраивает ли клиента расположение объекта
Есть ли бюджет в размере 30% от стоимости
Проявлял ли менеджер инициативу в диалоге
Сумел ли донести ценность предложения
Приветствовал ли менеджер клиента согласно скрипту
Выяснил ли менеджер бюджет и запрос клиента
Была ли сформирована договорённость о дальнейших шагах
И ряд других вопросов...
Этот список позволил собрать данные по всем диалогам в единую таблицу, которая была сформирована в разбивке по менеджерам по системе CQR. Это дало возможность наглядно видеть грубейшие ошибки при взаимодействии с потенциальными клиентами.
Также мы донастроили CRM систему: Если диалог определялся как целевой, то сделка в CRM системе получала соответствующий тег.
Результаты:
За первый месяц работы более 300 диалогов мы проанализировали. 96% составила точность расшифровки. Из которых 16% были классифицированы как ошибочно закрытые и возвращены в работу. В итоге это принесло дополнительно более 45 млн прибыли.
При том, что полностью отпала необходимость в "ручной" прослушке диалогов, а клиент получил наглядный и эффективный инструмент по контролю качества продаж. Теперь достаточно было открыть таблицу и увидеть что у конкретного менеджера например слабо прокачена инициативность и договорённость о дальнейших действиях с клиентом и т.д. Время определения ошибок в диалогах сократилось от месяца до нескольких минут.
Важно:
Внедрение данного Ai-решения было опробовано только на входящих диалогах по заявкам одного из сайтов клиента. Далее мы масштабировали эту технологию полностью на все диалоги со всех каналов. Сейчас перед нами поставлена задача: Увеличить оборот компании на 1 млрд за 2024 год. Сейчас мы работаем над этим. Результаты опубликуем в начале января 2025-го года.
Девелопмент — сфера повышенных рисков. Всего одна ошибка менеджера, который неправильно обработал заявку (случайно закрыл сделку/не
перезвонил/неверно квалифицировал), ведёт к потере миллионов рублей. Благо, с приходом искусственного интеллекта (ИИ) у бизнеса
появилась возможность застраховать себя от подобных человеческих промахов.
Рассказываем на примере данного проекта, как мы внедрили в кабинет amoCRM виджет ChatGPT-4, настроили автоматическую расшифровку звонков,
определение целевых клиентов и почти мгновенное сообщение РОПу в случае
менеджерской ошибки.
Крупный девелопер.
- 10 лет на рынке премиальной недвижимости.
- Более 50-ти проектов в роли генерального подрядчика.
- Более 30-ти отраслевых наград.
- 250 человек инженерный состав.
- 7 человек менеджеров отдела продаж
- Стоимость одного клиента была в районе 15 000 рублей.
- Мы провели аудит и выявили что есть очень большие потери при взаимодействии с новыми потенциальными клиентами, по большей части из за человеческого фактора и неэффективности менеджеров.
- При том что ещё между данными двух отделов (маркетинга и продаж) было несоответствие: Отдел маркетинга привлекал достаточное количество лидов, но у отдела продаж цифры были в несколько раз ниже.
- Продажники объясняли это так, как обычно делают они все: что лиды не целевые. Доказать или опровергнуть это было в данном случае проблематично: статистика подводилась один раз в месяц и найти записи разговоров двух-трёх недельной давности было проблематично, тем более не было контроля эффективности работы менеджеров и аналитики по диалогам.
Реализация:
Для того, чтобы система работала нам нужно было научить ИИ определять два показателя сделок:
Сделка с квалифицированным лидом
Сделка закрыта ошибочно
Для этого мы совместно с клиентом разработали задания для нейросети, ориентируясь на следующие вопросы:
Устраивает ли клиента срок сдачи объекта
Устраивает ли клиента расположение объекта
Есть ли бюджет в размере 30% от стоимости
Проявлял ли менеджер инициативу в диалоге
Сумел ли донести ценность предложения
Приветствовал ли менеджер клиента согласно скрипту
Выяснил ли менеджер бюджет и запрос клиента
Была ли сформирована договорённость о дальнейших шагах
И ряд других вопросов...
Этот список позволил собрать данные по всем диалогам в единую таблицу, которая была сформирована в разбивке по менеджерам по системе CQR. Это дало возможность наглядно видеть грубейшие ошибки при взаимодействии с потенциальными клиентами.
Также мы донастроили CRM систему: Если диалог определялся как целевой, то сделка в CRM системе получала соответствующий тег.
Результаты:
За первый месяц работы более 300 диалогов мы проанализировали. 96% составила точность расшифровки. Из которых 16% были классифицированы как ошибочно закрытые и возвращены в работу. В итоге это принесло дополнительно более 45 млн прибыли.
При том, что полностью отпала необходимость в "ручной" прослушке диалогов, а клиент получил наглядный и эффективный инструмент по контролю качества продаж. Теперь достаточно было открыть таблицу и увидеть что у конкретного менеджера например слабо прокачена инициативность и договорённость о дальнейших действиях с клиентом и т.д. Время определения ошибок в диалогах сократилось от месяца до нескольких минут.
Важно:
Внедрение данного Ai-решения было опробовано только на входящих диалогах по заявкам одного из сайтов клиента. Далее мы масштабировали эту технологию полностью на все диалоги со всех каналов. Сейчас перед нами поставлена задача: Увеличить оборот компании на 1 млрд за 2024 год. Сейчас мы работаем над этим. Результаты опубликуем в начале января 2025-го года.
Онлайн-школа отношений Анны Венцель
Как Ai Робот привлек людей на вебинар в онлайн-школу отношений
Рост доходимости до вебинара с 40 до 54%
Онлайн школа отношений Анны Венцель это обучение, где каждый может найти ответы на важные волнующие вопросы и получить профессиональную помощь.
Все продажи в данной онлайн школе происходят через вебинары, где автор даёт много ценного бесплатного контента и приглашает на обучение.
Задача:
Привести на вебинар как можно больше участников.
Решение:
Мы разработали и внедрили голосового робота, который прогревает перед вебинаром: Рассказывает о предстоящем вебинаре и о том, что будет на нём.
Благодаря этому голосовому роботу потенциальные участники не просто информированы о вебинаре, они его ждут с нетерпением.
Также голосовой робот напоминает о вебинаре за несколько минут и направляет их к входу на вебинар, отправляет ссылку в мессенджеры.
Робот помогает сделать то, на что не способен колл-центр или штатный отдел продаж. Робот очень эффективно справляется с задачей доходимости на вебинар.
Какая была ситуация изначально:
Полностью вся работа по доведению до вебинара была построена на напоминаниях через соц сети и смс, что воспринималось как спам. Соответственно доходимость была не более 40%. Более того, с каждым разом процент доходимости снижался, люди отписывались и онлайн школа стремительно теряла аудиторию.
Одним из главных преимуществ голосового робота - это возможность напрямую связаться со всеми потенциальными участниками и значительно подогреть желание прийти на вебинар. Это решение позволило не только не потерять аудиторию, но и значительно повысить интерес и доходимость до вебинара, а также повысить лояльность аудитории.
Как происходила интеграция:
На основе большого количества данных о школе, продуктах и мероприятии (вебинаре), был составлен продуманный продающий скрипт.
За час до вебинара робот прозванивал базу, напоминал и рассказывал о вебинаре. Для этого был выбран робот, который был обучен разговаривать как человек. Никто из потенциальных участников не мог даже предположить что он разговаривает с роботом.
В итоге: Доходимость выросла на 14%, а стоимость одного диалога составила около 6 рублей. В процентах это выглядело так: 100% аудитории было, 87% ответили на звонок, 37% проявили интерес и дали согласие получить смс и подтвердили участие.
ДАЛЕЕ:
Сейчас мы занимаемся уже внедрением ИИ во все процессы запусков, в которых можно заменить человека:
Как Ai Робот привлек людей на вебинар в онлайн-школу отношений
Рост доходимости до вебинара с 40 до 54%
Онлайн школа отношений Анны Венцель это обучение, где каждый может найти ответы на важные волнующие вопросы и получить профессиональную помощь.
Все продажи в данной онлайн школе происходят через вебинары, где автор даёт много ценного бесплатного контента и приглашает на обучение.
Задача:
Привести на вебинар как можно больше участников.
Решение:
Мы разработали и внедрили голосового робота, который прогревает перед вебинаром: Рассказывает о предстоящем вебинаре и о том, что будет на нём.
Благодаря этому голосовому роботу потенциальные участники не просто информированы о вебинаре, они его ждут с нетерпением.
Также голосовой робот напоминает о вебинаре за несколько минут и направляет их к входу на вебинар, отправляет ссылку в мессенджеры.
Робот помогает сделать то, на что не способен колл-центр или штатный отдел продаж. Робот очень эффективно справляется с задачей доходимости на вебинар.
Какая была ситуация изначально:
Полностью вся работа по доведению до вебинара была построена на напоминаниях через соц сети и смс, что воспринималось как спам. Соответственно доходимость была не более 40%. Более того, с каждым разом процент доходимости снижался, люди отписывались и онлайн школа стремительно теряла аудиторию.
Одним из главных преимуществ голосового робота - это возможность напрямую связаться со всеми потенциальными участниками и значительно подогреть желание прийти на вебинар. Это решение позволило не только не потерять аудиторию, но и значительно повысить интерес и доходимость до вебинара, а также повысить лояльность аудитории.
Как происходила интеграция:
На основе большого количества данных о школе, продуктах и мероприятии (вебинаре), был составлен продуманный продающий скрипт.
За час до вебинара робот прозванивал базу, напоминал и рассказывал о вебинаре. Для этого был выбран робот, который был обучен разговаривать как человек. Никто из потенциальных участников не мог даже предположить что он разговаривает с роботом.
В итоге: Доходимость выросла на 14%, а стоимость одного диалога составила около 6 рублей. В процентах это выглядело так: 100% аудитории было, 87% ответили на звонок, 37% проявили интерес и дали согласие получить смс и подтвердили участие.
ДАЛЕЕ:
Сейчас мы занимаемся уже внедрением ИИ во все процессы запусков, в которых можно заменить человека:
- Приглашение на платное обучение.
- Приглашения на новые бесплатные мероприятия.
- Ai внедряем во все диалоги в мессенджерах и соц сетях.
- NPS опросы.
Компания «Кредита нет»
Как контролировать тысячи звонков, экономя миллионы рублей: запуск нейросети в компании «Кредита нет»
Мы помогли клиенту решить боли с помощью Ai-решения и за минимальное время, не только избежав расширения штата, но и сократив
траты на фонд оплаты труда.
Компания "Кредита нет" занимающаяся банкротством физ. лиц. В зоне ответственности отдела контроля качества - звонки колл-центра и отдела продаж.
Ситуации, в которых человеку нужно избавиться от долгов бывают очень разные. Сильно отличаются между собой виды долгов и кредитов, также крайне важные обстоятельства тип занятости клиента и банк, которому должен человек. Сама же процедура банкротства также имеет массу нюансов и может быть крайне разной, в зависимости от ситуации. Поэтому правильная квалификация клиента это ключевой и самый важный этап. Соответственно менеджеру по продажам очень важно вникать в каждую ситуацию и максимально погрузиться.
Соответственно для компании было крайне важно контролировать качество обработки лидов и взаимодействия с потенциальными клиентами. Первоочерёдной задачей было автоматизировать контроль квалификации клиента. Для этого мы выделили ряд важных, ключевых вопросов, наличие которых в диалоге должен был определять ИИ, и на основе их наличия или отсутствия квалифицировать клиента и присваивать в CRM системе диалогу определённый тег.
Также мы настроили автоматический контроль установления контакта с клиентом и автоопределение целевого лида (по определённым критериям)
В ИТОГЕ:
На 1.5% увеличилась конверсия
100% диалогов проходят оценку и контроль
В 3 раза сократилось время на проверку диалогов
С 7-ми до 3-х человек сокращён штат ОКК
Около 2.8 млн рублей экономия на ФОТ
Как контролировать тысячи звонков, экономя миллионы рублей: запуск нейросети в компании «Кредита нет»
Мы помогли клиенту решить боли с помощью Ai-решения и за минимальное время, не только избежав расширения штата, но и сократив
траты на фонд оплаты труда.
Компания "Кредита нет" занимающаяся банкротством физ. лиц. В зоне ответственности отдела контроля качества - звонки колл-центра и отдела продаж.
Ситуации, в которых человеку нужно избавиться от долгов бывают очень разные. Сильно отличаются между собой виды долгов и кредитов, также крайне важные обстоятельства тип занятости клиента и банк, которому должен человек. Сама же процедура банкротства также имеет массу нюансов и может быть крайне разной, в зависимости от ситуации. Поэтому правильная квалификация клиента это ключевой и самый важный этап. Соответственно менеджеру по продажам очень важно вникать в каждую ситуацию и максимально погрузиться.
Соответственно для компании было крайне важно контролировать качество обработки лидов и взаимодействия с потенциальными клиентами. Первоочерёдной задачей было автоматизировать контроль квалификации клиента. Для этого мы выделили ряд важных, ключевых вопросов, наличие которых в диалоге должен был определять ИИ, и на основе их наличия или отсутствия квалифицировать клиента и присваивать в CRM системе диалогу определённый тег.
Также мы настроили автоматический контроль установления контакта с клиентом и автоопределение целевого лида (по определённым критериям)
В ИТОГЕ:
На 1.5% увеличилась конверсия
100% диалогов проходят оценку и контроль
В 3 раза сократилось время на проверку диалогов
С 7-ми до 3-х человек сокращён штат ОКК
Около 2.8 млн рублей экономия на ФОТ
Онлайн школа программирования NFactorial
Студенты в процессе обучения создают приложения и отрабатывают свои навыки на конкретных проектах, данное направление очень актуально на сегодняшний день и количество студентов растёт с каждым днём. Однако с ростом популярности школы возникают и определённые проблемы. Основная из них - управление большим потоком заявок и эффективное взаимодействие с потенциальными студентами.
За последний месяц школа получила 785 заявок, что требовало колоссальных усилий менеджеров и SMM-щиков. Из за огромного количества рутинной работы эффективность работы команды оставляла желать лучшего, менеджеры быстро выгорали и увольнялись.
Критически важно было улучшить два показателя:
Скорость и качество обработки заявок и выручку на менеджера. При том, что регулярно выходят новые образовательные продукты - крайне важно продать их существующим студентам.
Для решения данных задач мы разработали автоматизированные системы на базе ИИ. Это позволило автоматизировать и оптимизировать все процессы связанные с обработкой заявок и всех диалогов, в том числе с существующими студентами школы. Мы подключили GPT к direct, обучили отвечать и консультировать как профессионального лид-менеджера, целью которого была запись на собеседование. Внедрили и настроили с нуля CRM систему, которая выявляет квалифицирующее действие клиента и оповещает менеджера. Что по итогу стало на 25% лучше, чем было без GPT.
В результате этих изменений количество потенциальных студентов, записавшихся на собеседование выросло с 8 до 12%. Менеджеры стали значительно экономить свои силы и время на рутинных задачах, что позволило им сосредоточиться на более важных и продуктивных задачах, таких как улучшение клиентского опыта и продажи по существующей базе.
Студенты в процессе обучения создают приложения и отрабатывают свои навыки на конкретных проектах, данное направление очень актуально на сегодняшний день и количество студентов растёт с каждым днём. Однако с ростом популярности школы возникают и определённые проблемы. Основная из них - управление большим потоком заявок и эффективное взаимодействие с потенциальными студентами.
За последний месяц школа получила 785 заявок, что требовало колоссальных усилий менеджеров и SMM-щиков. Из за огромного количества рутинной работы эффективность работы команды оставляла желать лучшего, менеджеры быстро выгорали и увольнялись.
Критически важно было улучшить два показателя:
Скорость и качество обработки заявок и выручку на менеджера. При том, что регулярно выходят новые образовательные продукты - крайне важно продать их существующим студентам.
Для решения данных задач мы разработали автоматизированные системы на базе ИИ. Это позволило автоматизировать и оптимизировать все процессы связанные с обработкой заявок и всех диалогов, в том числе с существующими студентами школы. Мы подключили GPT к direct, обучили отвечать и консультировать как профессионального лид-менеджера, целью которого была запись на собеседование. Внедрили и настроили с нуля CRM систему, которая выявляет квалифицирующее действие клиента и оповещает менеджера. Что по итогу стало на 25% лучше, чем было без GPT.
В результате этих изменений количество потенциальных студентов, записавшихся на собеседование выросло с 8 до 12%. Менеджеры стали значительно экономить свои силы и время на рутинных задачах, что позволило им сосредоточиться на более важных и продуктивных задачах, таких как улучшение клиентского опыта и продажи по существующей базе.
ALEVEL - Курсы английского.
В связи с динамичным развитием языковой школы ALEVEL начали накапливаться и определённые проблемы, которые этот динамичный рост значительно тормозили. Ежедневно компания получала в среднем около 30-ти заявок, однако из за не эффективной работы менеджеров половина заявок сливалась или обрабатывалась "спустя рукава". И чтобы не упускать клиентов, на привлечение которых тратилось немало денег, руководителю приходилось самой по вечерам обрабатывать заявки. В итоге все вечера и все выходные были заняты обработкой заявок. Времени на жизнь не оставалось вообще, более того эта ситуация тянулась достаточно долго, до тех пор пока не наступило выгорание и полна апатия. Таким образом, бизнес, который когда то был источником вдохновения уничтожил всю личную жизнь, превратив её в ежедневный стресс и напряжённую трудоёмкую круглосуточную работу с клиентами.
Ситуация с менеджерами тоже была далека от идеала - менеджеры быстро выгорали, выматывались от рутинной работы и увольнялись. Поэтому увеличение рекламного бюджета и количества заявок не приводило к увеличению прибыли, а лишь к увеличению стресса и проблем.
Для нас эта проблема была очень проста и решалась она за счёт всего-лишь одного решения: внедрения chatGPT в инстаграм директ. Теперь Ai-бот брал на себя полностью всю работу по первичному консультированию. Это позволило менеджерам сосредоточиться уже на работе с горячими клиентами, что позволило в значительной степени улучшить качество обслуживания и заняться более интересными, продуктивными делами и спастись от утомления и выгорания.
Эффект от внедрения Ai-бота был сразу, бот вёл диалоги по заранее заданному сценарию, квалифицировал потенциальных клиентов и в CRM систему отправлял диалоги уже помеченные определёнными тегами.
Если детально рассмотреть всю воронку продаж ALEVEL, то итоговая конверсия очень сильно зависит от конверсий на каждом этапе воронки.
Прохождение по всем этапам воронки пропорционально зависели показатели всей воронки. Мы выявили наиболее значимые факторы: скорость ответа, удовлетворённость клиента полученной информацией и инициативой ведения диалога.
В ИТОГЕ:
Количество человек, оставивших контакты выросло с 30 до 85%. Менеджеры стали тратить значительно меньше времени на рутинные диалоги и сосредоточились на более интересных и важных вещах.
Самое интересное что за месяц после внедрения данного решения выручка компании выросла на 32%, при том, что затраты на рекламу сократились на 30%. Лояльность менеджеров, интерес к работе и качество выросло значительно, при том, что руководителю уже больше не нужно было тратить своё время на рутинные диалоги по заявкам, и можно было посвятить время семье и стратегическому развитию бизнеса.
Этот кейс - яркий пример того, как всего лишь одно технологическое решение может радикально изменить подход и многие бизнес процессы, сделав бизнес более эффективным и прибыльным. Более того, освободив огромное количество времени и сил.
В связи с динамичным развитием языковой школы ALEVEL начали накапливаться и определённые проблемы, которые этот динамичный рост значительно тормозили. Ежедневно компания получала в среднем около 30-ти заявок, однако из за не эффективной работы менеджеров половина заявок сливалась или обрабатывалась "спустя рукава". И чтобы не упускать клиентов, на привлечение которых тратилось немало денег, руководителю приходилось самой по вечерам обрабатывать заявки. В итоге все вечера и все выходные были заняты обработкой заявок. Времени на жизнь не оставалось вообще, более того эта ситуация тянулась достаточно долго, до тех пор пока не наступило выгорание и полна апатия. Таким образом, бизнес, который когда то был источником вдохновения уничтожил всю личную жизнь, превратив её в ежедневный стресс и напряжённую трудоёмкую круглосуточную работу с клиентами.
Ситуация с менеджерами тоже была далека от идеала - менеджеры быстро выгорали, выматывались от рутинной работы и увольнялись. Поэтому увеличение рекламного бюджета и количества заявок не приводило к увеличению прибыли, а лишь к увеличению стресса и проблем.
Для нас эта проблема была очень проста и решалась она за счёт всего-лишь одного решения: внедрения chatGPT в инстаграм директ. Теперь Ai-бот брал на себя полностью всю работу по первичному консультированию. Это позволило менеджерам сосредоточиться уже на работе с горячими клиентами, что позволило в значительной степени улучшить качество обслуживания и заняться более интересными, продуктивными делами и спастись от утомления и выгорания.
Эффект от внедрения Ai-бота был сразу, бот вёл диалоги по заранее заданному сценарию, квалифицировал потенциальных клиентов и в CRM систему отправлял диалоги уже помеченные определёнными тегами.
Если детально рассмотреть всю воронку продаж ALEVEL, то итоговая конверсия очень сильно зависит от конверсий на каждом этапе воронки.
Прохождение по всем этапам воронки пропорционально зависели показатели всей воронки. Мы выявили наиболее значимые факторы: скорость ответа, удовлетворённость клиента полученной информацией и инициативой ведения диалога.
В ИТОГЕ:
Количество человек, оставивших контакты выросло с 30 до 85%. Менеджеры стали тратить значительно меньше времени на рутинные диалоги и сосредоточились на более интересных и важных вещах.
Самое интересное что за месяц после внедрения данного решения выручка компании выросла на 32%, при том, что затраты на рекламу сократились на 30%. Лояльность менеджеров, интерес к работе и качество выросло значительно, при том, что руководителю уже больше не нужно было тратить своё время на рутинные диалоги по заявкам, и можно было посвятить время семье и стратегическому развитию бизнеса.
Этот кейс - яркий пример того, как всего лишь одно технологическое решение может радикально изменить подход и многие бизнес процессы, сделав бизнес более эффективным и прибыльным. Более того, освободив огромное количество времени и сил.
Автоматическое оформление протоколов лучевой диагностики
Какую проблему решали:
Врач отделения лучевой диагностики вручную заполняет протокол диагностического исследования на компьютере. Это занимает 5-6 минут.
Из-за длительной процедуры оформления медицинских документов количество пациентов, которых может принять врач за смену, снижается.
Решение:
Для сокращения времени заполнения документов мы разработали и внедрили сервис голосового ввода. Врач лучевой диагностики диктует системе необходимые для заполнения протокола сведения непосредственно во время просмотра и анализа снимков. Нейросеть распознает речь врача, включая специфическую лексику, размещает текст в полях структурированного медицинского протокола, правильно оформляет документ. Врачу остается проверить протокол и при необходимости внести незначительные правки.
Применяемые технологии:
Решение для распознавания речи основано на микроядерной архитектуре.
Микроядро используется для построения вычислительного графа из плагинов по модели и его последующего исполнения.
Реализованные компоненты:
Какую проблему решали:
Врач отделения лучевой диагностики вручную заполняет протокол диагностического исследования на компьютере. Это занимает 5-6 минут.
Из-за длительной процедуры оформления медицинских документов количество пациентов, которых может принять врач за смену, снижается.
Решение:
Для сокращения времени заполнения документов мы разработали и внедрили сервис голосового ввода. Врач лучевой диагностики диктует системе необходимые для заполнения протокола сведения непосредственно во время просмотра и анализа снимков. Нейросеть распознает речь врача, включая специфическую лексику, размещает текст в полях структурированного медицинского протокола, правильно оформляет документ. Врачу остается проверить протокол и при необходимости внести незначительные правки.
Применяемые технологии:
Решение для распознавания речи основано на микроядерной архитектуре.
Микроядро используется для построения вычислительного графа из плагинов по модели и его последующего исполнения.
Реализованные компоненты:
- Расчет речевых признаков. В качестве выделителя акустических признаков используется модель на основе сверточной нейронной сети.
- Компонент декодирования. Использует статистические языковые модели для нахождения результата распознавания. Для быстрого расширения словаря используется разработанный в ЦРТ алгоритм.
- Компонент расстановки знаков препинания.
- Компонент сворачивания числительных на основе SRGS-грамматик.
- Отсутствие технологий и решения для голосового заполнения медпротоколов на русском языке
- Врач заполняет протокол вручную
- 5-6 минут на один протокол
- 12 пациентов за смену
- Создано решение для голосового заполнения медпротоколов, качество распознавания специализированной медицинской лексики достигло 98%
- Врач использует голосовой ввод для заполнения документации
- 2-3 минуты на протокол
- 16 пациентов за смену
Автоматическое подтверждение заказа для интернет-магазина Toy.ru с помощью голосового робота.
Какую проблему решали:
Каждый заказ, оформленный через сайт, обрабатывался вручную: дозвонившись до покупателя, оператор проговаривал детали заказа и доставки, получал подтверждение или вносил коррективы.
Интернет-магазин детских игрушек — это бизнес с выраженной сезонностью. На время повышенного спроса приходилось набирать дополнительный персонал в колл-центр. Это требовало временных и финансовых затрат.
Поставлена задача — исключить потребность в увеличении штата в высокий сезон, сократить затраты на колл-центр, увеличить скорость обработки заказов.
Мы внедрили решение для автоматизированного подтверждения заказов, оставленных на сайте. Сразу после оформления заказа клиенту звонит робот. Он распознает голос и принимает ответы, полученные с помощью нажатия кнопок. Если клиент хочет изменить заказ или задать вопрос во время звонка, он может переключиться на сотрудника колл-центра. Если в течение часа роботу не удалось дозвониться до клиента, заказ отправляется на обработку операторам.
Применяемые технологии:
Проект реализован на базе облачной платформы Voximplant.
В решении мы использовали распознавание от Google, синтез речи от Яндекс.Облако, а также технология voicemail detection от Voximplant.
Решение Voximplant интегрировано с CRM-системой интернет-магазина.
После оформления заказа данные о нем попадают на платформу Voximplant: имя клиента, его номер телефона, сумма заказа, дата, время и адрес доставки. Платформа интервьюирует клиента и отправляет результаты обзвона обратно в CRM-систему.
До проекта:
До 50% снижение загрузки операторов
0 дополнительных менеджеров в высокий сезон
Значительная экономия на ФОТ менеджеров
Оперативный и эффективный контакт с компанией для потребителей
Высокая скорость обработки заказов
Высокая лояльность клиентов
Сохранение лидерских позиций на рынке
Какую проблему решали:
Каждый заказ, оформленный через сайт, обрабатывался вручную: дозвонившись до покупателя, оператор проговаривал детали заказа и доставки, получал подтверждение или вносил коррективы.
Интернет-магазин детских игрушек — это бизнес с выраженной сезонностью. На время повышенного спроса приходилось набирать дополнительный персонал в колл-центр. Это требовало временных и финансовых затрат.
Поставлена задача — исключить потребность в увеличении штата в высокий сезон, сократить затраты на колл-центр, увеличить скорость обработки заказов.
Мы внедрили решение для автоматизированного подтверждения заказов, оставленных на сайте. Сразу после оформления заказа клиенту звонит робот. Он распознает голос и принимает ответы, полученные с помощью нажатия кнопок. Если клиент хочет изменить заказ или задать вопрос во время звонка, он может переключиться на сотрудника колл-центра. Если в течение часа роботу не удалось дозвониться до клиента, заказ отправляется на обработку операторам.
Применяемые технологии:
Проект реализован на базе облачной платформы Voximplant.
В решении мы использовали распознавание от Google, синтез речи от Яндекс.Облако, а также технология voicemail detection от Voximplant.
Решение Voximplant интегрировано с CRM-системой интернет-магазина.
После оформления заказа данные о нем попадают на платформу Voximplant: имя клиента, его номер телефона, сумма заказа, дата, время и адрес доставки. Платформа интервьюирует клиента и отправляет результаты обзвона обратно в CRM-систему.
До проекта:
- 100% заказов обрабатывается вручную.
- 60 и более дополнительных рабочих мест в высокий сезон.
- Около 35 тыс. руб./месяц — cтоимость одного оператора.
- >2,1 млн руб./месяц — дополнительные затраты на ФОТ в высокий сезон.
- 55% заказов обрабатывается автоматически.
- Обработка заказов в режиме 24/7.
- Не требуются дополнительные операторы в высокий сезон.
- ~6,5 тыс. руб./мес. — стоимость одной автоматизированной линии.
До 50% снижение загрузки операторов
0 дополнительных менеджеров в высокий сезон
Значительная экономия на ФОТ менеджеров
Оперативный и эффективный контакт с компанией для потребителей
Высокая скорость обработки заказов
Высокая лояльность клиентов
Сохранение лидерских позиций на рынке
Ai-технология для прогнозирования вероятности завершения или незавершения торгов, осуществляемых на электронной площадке «Росэлторг». «Росэлторг» (АО «Единая электронная торговая площадка», АО «ЕЭТП») – федеральный оператор электронных торгов для государственных заказчиков, госкомпаний и коммерческих предприятий.
Какую проблему решали:
В среднем 12% тендеров на ЕЭТП «Росэлторг» не находят поставщиков. Компания не получает выручку с незакрытых тендеров. Модель монетизации - комиссия с победителя.
Обнаружение факторов, из-за которых тендер имеет высокую вероятность не закрыться, может помочь скорректировать модель взаимодействия и поиска релевантных исполнителей.
Мы разработали алгоритмическую модель для прогнозирования результата завершения всех электронных процедур, осуществляемых на площадке.
Процедуры с высокой вероятностью незавершения получают приоритет посредством маркетингового продвижения (call-центр, telegram-бот, e-mail рассылки).
Применяемые технологии:
Алгоритм обучался по метрикам оценки: balanced accuracy, доля правильно определённого нулевого класса, соотношение правильно угаданных прецедентов нулевого класса и ложных угадываний нулевого класса.
Обучающийся датасет: группировка по последней версии извещения, по 79 795 закрытых и незакрытых процедур в обучающей выборке. Датасет содержал 228 описательных характеристик для каждой процедуры. На основе исходных данных созданы новые описательные характеристики и обработаны категориальные признаки.
Финальное решение - ансамбль решающих деревьев (LightGBM) с детальной настройкой гиперпараметров.
До проекта:
Выручка компании увеличилась на 29 млн рублей за текущий год, при значительном увеличении лояльности участников закупочных процедур.
Какую проблему решали:
В среднем 12% тендеров на ЕЭТП «Росэлторг» не находят поставщиков. Компания не получает выручку с незакрытых тендеров. Модель монетизации - комиссия с победителя.
Обнаружение факторов, из-за которых тендер имеет высокую вероятность не закрыться, может помочь скорректировать модель взаимодействия и поиска релевантных исполнителей.
Мы разработали алгоритмическую модель для прогнозирования результата завершения всех электронных процедур, осуществляемых на площадке.
Процедуры с высокой вероятностью незавершения получают приоритет посредством маркетингового продвижения (call-центр, telegram-бот, e-mail рассылки).
Применяемые технологии:
Алгоритм обучался по метрикам оценки: balanced accuracy, доля правильно определённого нулевого класса, соотношение правильно угаданных прецедентов нулевого класса и ложных угадываний нулевого класса.
Обучающийся датасет: группировка по последней версии извещения, по 79 795 закрытых и незакрытых процедур в обучающей выборке. Датасет содержал 228 описательных характеристик для каждой процедуры. На основе исходных данных созданы новые описательные характеристики и обработаны категориальные признаки.
Финальное решение - ансамбль решающих деревьев (LightGBM) с детальной настройкой гиперпараметров.
До проекта:
- Приоритет в работе call-центра и в маркетинговых активностях получают тендеры ключевых заказчиков.
- Поставщики приглашаются точечно, e-mail рассылки отправляются на основании предыдущих участий в торгах.
- Отсутствуют единые правила работ с тендерами с высоким риском незакрытия.
- Внедрённая ML-система ежедневно выявляет тендеры с высокой вероятностью незакрытия.
Выручка компании увеличилась на 29 млн рублей за текущий год, при значительном увеличении лояльности участников закупочных процедур.
Интеллектуальная система Beorg Smart Vision для создания электронной базы данных клиентов магазинов «Спортмастер».
Какую проблему решали:
Анализ покупательского поведения и персонализация программы лояльности – ключевая задача бизнеса, работающего на высоких скоростях.
Ежегодно магазины «Спортмастер» посещают 200 млн человек. Клиенты заполняют анкеты для получения карты лояльности от руки. В большинстве случаев информация заполнена неразборчиво. Ежемесячный объем анкет для обработки составляет от 300 до 500 тысяч экземпляров. Компании требовалось технологичное эффективное решение по «оцифровке» данных документов.
В реализации проекта нами было разработано Ai-решение Beorg Smart Vision.
Энтеллектуальная система оцифровывает объекты и данные с особой точностью благодаря методу двойной обработки. Используются нейронные сети и краудсорсинговый сервис с 55 000 операторов.
Создана единая клиентская онлайн-база, которая позволяет эффективно выстраивать стратегию и тактику маркетинга, совершенствовать программу лояльности, планировать и запускать рекламные кампании.
Применяемые технологии:
В основе платформы Smart Vision применяются нейросетевые алгоритмы, обученные под конкретные типы задач.
Инновационность используемого подхода заключается в широком использовании современных моделей искусственных нейронных сетей, таких как конволюционно-рекуррентные нейронные сети (CNN + RNN [LSTM]), на базе архитектуры Faster-RCNN глубокого обучения на всех этапах обработки входной информации. Решение предусматривает двойную обработку данных и включает верификацию данных с помощью операторов краудсорсингового сервиса (около 55 000 человек), благодаря чему качество распознавания составляет 99%.
До проекта:
Точность данных 99%
На 30% снижение стоимости обработки анкет
В 10 раз снизилось время ввода информации в базу
Какую проблему решали:
Анализ покупательского поведения и персонализация программы лояльности – ключевая задача бизнеса, работающего на высоких скоростях.
Ежегодно магазины «Спортмастер» посещают 200 млн человек. Клиенты заполняют анкеты для получения карты лояльности от руки. В большинстве случаев информация заполнена неразборчиво. Ежемесячный объем анкет для обработки составляет от 300 до 500 тысяч экземпляров. Компании требовалось технологичное эффективное решение по «оцифровке» данных документов.
В реализации проекта нами было разработано Ai-решение Beorg Smart Vision.
Энтеллектуальная система оцифровывает объекты и данные с особой точностью благодаря методу двойной обработки. Используются нейронные сети и краудсорсинговый сервис с 55 000 операторов.
Создана единая клиентская онлайн-база, которая позволяет эффективно выстраивать стратегию и тактику маркетинга, совершенствовать программу лояльности, планировать и запускать рекламные кампании.
Применяемые технологии:
В основе платформы Smart Vision применяются нейросетевые алгоритмы, обученные под конкретные типы задач.
Инновационность используемого подхода заключается в широком использовании современных моделей искусственных нейронных сетей, таких как конволюционно-рекуррентные нейронные сети (CNN + RNN [LSTM]), на базе архитектуры Faster-RCNN глубокого обучения на всех этапах обработки входной информации. Решение предусматривает двойную обработку данных и включает верификацию данных с помощью операторов краудсорсингового сервиса (около 55 000 человек), благодаря чему качество распознавания составляет 99%.
До проекта:
- Сотрудники магазинов сети вносят данные из заполненных клиентом анкет вручную.
- Информация поступает в систему нерегулярно, в неполном объеме и с ошибками.
- Сотрудники магазина сканируют анкету с помощью ПО Bescan.
- Скан-образы анкет мгновенно передаются для распознавания операторами краудсорсинговой платформы.
- Данные переводятся в электронный формат день в день, без потери качества и влияния человеческого фактора.
- Beorg Smart Vision оцифровывает данные с точностью 99% даже при самом неразборчивом почерке.
Точность данных 99%
На 30% снижение стоимости обработки анкет
В 10 раз снизилось время ввода информации в базу
ЗАПИСЬ НА КОНСУЛЬТАЦИЮ
На консультации выявим слабые места и то, на чём бизнес прежде всего теряет прибыль, дыры через которые сливается бюджет и т.д.
Получите готовые Ai-решения и практические рекомендации, которые можете внедрить уже сразу и получить заметные ощутимые результаты.
Также практические, секретные и очень нужные материалы: чек листы, скрипты, списки главных метрик бизнеса, шаблоны расчётов и т.д.
- Автоматизированная лидогенерация
- Автоматизированные воронки продаж
- Автоматизация создания контента
- Ai-решения для маркетинга
- Ai-решения для продаж
- Нейросотрудники
- Стратегический маркетинг
- Performance маркетинг
- Influence маркетинг
- Контент маркетинг
- Разработка Ai-стратегий
- Наши полезные экспертные статьи
- Доступ к закрытому VIP контенту
- Выполненные проекты и кейсы
- Личное обучение по Ai
- Корпоративный консалтинг по Ai технологиям
ИНФОРМАЦИОННЫЙ ИИ БОТ
© Все права защищены.
2019-2025 г. | DARKSIDE-AI.RU
Агентство Ai технологий для бизнеса
2019-2025 г. | DARKSIDE-AI.RU
Агентство Ai технологий для бизнеса
Политика конфиденциальности
Обработка персональных данных
Обработка персональных данных