17 просмотров
05.10.2026
16+
В ФГБНУ «Российский научный центр хирургии имени академика Б.В. Петровского» стояла задача проанализировать темы обращений пациентов, а в итоге нашли точки роста конверсии в запись на 20%. Ольга Знаменская — руководитель отдела маркетинга — поделилась подробностями и результатами внедрения речевой аналитики с искусственным интеллектом для автоматизации анализа звонков.
О компании
Государственный научный центр Российской Федерации ФГБНУ «Российский научный центр хирургии имени академика Б.В. Петровского» — крупнейший в России кластер, в который входят научно-исследовательские институты, научно-клинические центры, санаторно-курортные учреждения и Медицинский Университет Петровского.
В кейсе принял участие Научно-клинический центр № 2, в котором ведется прием, диагностика, лечение и реабилитация пациентов.
Проблема
Операторы колл-центра клиники принимают и обрабатывают более 30 000 звонков ежемесячно. Основной KPI кол-центра — запись пациентов на платную услугу. Но от операторов часто поступали жалобы на большое количество «нецелевых», «справочных» звонков — уточнить время записи, часы работы, результаты анализов и т.д.
И когда появилась задача создания единого КЦ на все три научно-клинических центра, то вопрос об отдельной справочной службе вышел на первый план.
Но как понять, какова реальная доля «справочных» звонков?
Руководитель отдела маркетинга
Вручную проанализировать темы обращений на таком потоке звонков почти нереально: даже на разовое прослушивание записей пришлось бы потратить огромный ресурс. Можно использовать данные коллтрекинга, чтобы определить темы обращений по заходам на конкретные страницы услуг на сайте, которые привели к звонкам. Но значительная часть пациентов звонят по прямому номеру, с главной и разводящих страниц сайта и с других источников трафика — а значит, их запрос отследить не получится.
Я поняла, что не обладаю точной информацией о том, зачем звонят люди, сколько у нас нецелевых обращений, каков процент конверсии в запись и есть ли потенциал для его роста. Меня, как маркетолога, такая недостаточность аналитики, конечно же, не устраивала.
Проблема оказалась глубже и масштабнее, чем вопрос о необходимости справочной службы, и маркетингу понадобился инструмент для аналитики потока обращений.
Задачи
- Определить долю «справочных» звонков, чтобы принять решение о необходимости справочной службы
- Оценить KPI операторов в разрезе конверсии целевых звонков в запись на прием
- Понять, по каким причинам целевые звонки не приводят к записи
Используемые инструменты
Решение
Чтобы ускорить анализ звонков, решили использовать речевую аналитику.
Руководитель отдела маркетинга
На тот момент мы уже пользовались телефонией, коллтрекингом и сквозной аналитикой UIS, и я вспомнила, что у ребят есть речевая аналитика, которая в итоге помогла не только выявить процент справочных звонков, но и решить маркетинговые задачи.
Технология основана на нейросетевых модулях, которые автоматически распознают контекст диалогов и присваивают звонкам теги в соответствии с отслеживаемыми параметрами в речи клиента и оператора.
С технической точки зрения, клинике нужно было разделить звонки на 4 категории:
- справочные — уточняющие вопросы, не касающиеся записи на прием
- целевые — где пациент обратился с потребностью в медицинской услуге
- успешные целевые — звонки, которые конвертировались в запись
- неуспешные целевые — у пациента была потребность в услугах, но на прием он так и не записался.
Для этого Ольга вместе со специалистом из UIS настроила теги с описанием контекста, который нужно отслеживать в речи клиентов и операторов.
Затем провели первый тест системы: на 2 часа запустили автоматическое тегирование звонков. После теста прослушали протегированные звонки и проверили корректность проставления тегов.
Руководитель отдела маркетинга
После тестовых запусков у меня чуть не опустились руки. Теги не срабатывали, и я подумала, что зря в это ввязалась и потратила время. Но мы стали анализировать каждый звонок и процессе стало понятно, в чем причина.
Во-первых, выяснилось, что у операторов нет строгого скрипта. Есть обязательные контрольные точки: поздороваться, представиться и подвести резюме диалога, но весь остальной разговор — настолько персонализированный и индивидуальный, что искусственный интеллект оказался не способен распознать единый контекст по заложенным в тегах настройкам.
Во-вторых, мы поняли, что на корректность простановки тега влияет сложность контекста. Есть тег «Запись на прием», который мы планировали использовать для отслеживания конверсии. Тег должен был проставляться, когда оператор в конце разговора резюмирует информацию по записи на прием: дату, время, фио врача, название и стоимость. Но в результате теста мы поняли, что эту же информацию может сказать сам клиент, а оператор — подтвердить корректность информации. Искусственный интеллект не считывает это как полноценное резюме и не проставляет тег. Или пациент звонит уточнить детали уже забронированной записи, оператор проговаривает «целевую» фразу, и мы получаем тег на «повторном» звонке, который не должен попадать в статистику по конверсии.
После тестового запуска Ольга корректировала настройки тегирования: сложные контексты разбила на несколько тегов, а при анализе стала пользоваться фильтром звонков, включая нужные теги и исключая ненужные. После отладки системы Ольга подключила речевую аналитику в одном из филиалов на 7 дней и, наконец, получила корректные данные.
Результат
9% всех звонков (3000 в месяц!) действительно носят справочный характер и не могут конвертироваться в запись на прием, поэтому приняли решение разгрузить операторов и создавать отдельную справочную службу.
Конверсия из целевых обращений в запись на прием составила 74%. Проанализировали 26% звонков, где запись не состоялась, чтобы найти причины.
Посольку был создан тег для отслеживания звонков, где запись была невозможна по вине клиники: слишком плотное расписание или отпуск врача, неудобное для пациента время, отсутствие услуги, то легко стало определить количество таких звонков.
54% «неуспешных» целевых звонков не привели к записи не по вине оператора, а значит прямая конверсия кол-центра составляет классические по рынку 85%.
Руководитель отдела маркетинга
Например, один из филиалов сообщил о плохой записи на магнитно-резонансную томографию (МРТ). С помощью тегов мы отфильтровали весь массив звонков по МРТ и увидели действительно низкую конверсию. Проанализировали звонки и выявили основные причины, отказов:
- 15% обратившихся взяли паузу «на подумать». Таких пациентов можно «вернуть» с помощью триггерных механик.
- В 13% случаев оказалось, что оператор просто информирует об услуге, но не предлагает записаться. Руководитель кол-центра провел работу над скриптом и его соблюдением.
- В 12% случаев операторы переводили звонки на специалистов отделения для консультации, которые не имели технической возможности записи на прием и переклчения обратно в кол-центр. Мы расширили базу знаний для операторов, а в сложных случаях начали сначала записывать на прием, и только потом переводить звонок.
- Еще 12% потенциальных записей «срывалось» из-за путаницы в типах аппаратов. Пациенты стремились записываться на исследование только на аппарате повышенной мощности, руководствуясь принципом «чем мощнее, тем лучше», что не всегда корректно. Пациенты либо уходили уточнить у врача, какой же аппарат им нужен, либо не могли записаться на «мощный» томограф по причине отсутствия свободных слотов. После изменения скрипта оператора, проблему удалось решить.
В результате принятых мер, буквально через две недели в клинике увидели более плотную запись на МРТ.
В конечном итоге, благодаря речевой аналитике маркетологи узнали, какими услугами интересуются и какие способы диагностики выбирают пациенты, и могут масштабировать целевые обращения с помощью релевантной рекламы. Руководитель кол-центра отслеживает корреляцию между содержанием диалогов и конверсией в запись, может корректировать скрипты разговоров и обучать операторов на основе данных. И все это — без утомительного прослушивания огромного массива звонков.
Руководитель отдела маркетинга
Это было сложно, но интересно, и теперь я вижу, что мне удалось четко — до цифр — посчитать конверсию коллцентра, хотя задача казалась нерешаемой. После первого тестового запуска я не верила, что речевая аналитика сможет дать мне столько полезной информации, и, как маркетолог, честно скажу, что я в шоке!
Важно, чтобы при работе с сервисом вам помогал специалист, вовлеченный в процесс и специфику вашего бизнеса, и я благодарна ребятам из UIS за помощь в разработке контекстов и за такие потрясающие результаты. Буду продолжать и дальше работать с этим инструментом!
