Что такое аналитика разговоров и на какие вопросы бизнеса она отвечает

Короткий ответ

Аналитика разговоров (conversation analytics) — это систематическое чтение содержания звонков, чатов и переписки с клиентами и превращение его в результаты, которые можно посчитать: что клиенты спрашивают, против чего возражают, каким продуктом интересуются, почему не покупают, с какой проблемой возвращаются. Результат описывает не один разговор, а сотни сразу.

Хорошо выстроенная аналитика разговоров даёт три вещи: число («в прошлом месяце в 214 разговорах было возражение по цене»), тренд («это на 30% больше, чем месяцем раньше») и доказательство («вот список этих разговоров»). Если чего-то из трёх нет, привязывать решение к результату рискованно.

Это не оценка операторов

Аналитику разговоров часто путают с двумя другими задачами. Первая — оценка оператора: проверка, соблюдал ли сотрудник стандарт в конкретном звонке. Это тема AI-анализа звонков, и вопрос там — «как отработал оператор?». Вторая — эффективность бота: сколько разговоров бот закрыл сам, как быстро ответил.

Вопрос аналитики разговоров другой: «что сказал клиент и что это значит для бизнеса?» В центре внимания — собственные слова клиента, а не сотрудник или бот. Один и тот же разговор может использоваться во всех трёх анализах, но вопросы и результаты разные.

Как это работает: пять шагов

1. 1ИсточникТранскрипты звонков, чаты и переписка в мессенджерах собираются в одном месте. У каждого разговора есть дата, канал и, по возможности, связь с карточкой клиента.
2. 2ПоляБизнес решает, какую информацию извлекать: «возражение», «интересующий продукт», «диапазон бюджета», «причина потери». Для каждого поля пишется короткое определение.
3. 3ЗначенияДля каждого поля задаётся закрытый список значений: для «возражения» — «цена высокая», «не подходит время», «сравнивает с конкурентом», «другое». Статистика строится на этих кодах.
4. 4ИзвлечениеAI читает каждый разговор и выбирает подходящее значение для каждого поля; собственная фраза клиента сохраняется рядом как доказательство.
5. 5ВопросРуководитель спрашивает: «какое возражение самое частое?», «сравни с прошлым месяцем», «какое возражение по какому продукту?». Ответ приходит числом, трендом и списком разговоров.

Почему важен закрытый список значений

Клиенты выражают одну и ту же мысль десятками способов: «дорого», «выходит за мой бюджет», «в другом месте дешевле», часто с опечатками. Если система считает каждую фразу отдельно, отчёт распадается на сотню мелких строк и вывода не видно. Если AI разрешено писать свободные метки, в этом месяце он пишет «цена», в следующем — «недовольство ценой», и тренд ломается.

При закрытом списке каждая фраза клиента попадает в одно из заданных вами значений. Сравнение становится возможным, потому что «цена высокая» означает одно и то же месяц за месяцем. Ответы, которые никуда не подходят, попадают в «другое», а повторяющиеся там фразы — кандидаты в новое значение.

На какие вопросы она отвечает

• О чём клиенты спрашивают чаще всего и как это меняется от месяца к месяцу?
• Почему лиды не покупают и отличаются ли причины по продукту или каналу?
• Интерес к какому продукту или услуге растёт, а к какому падает?
• С какими ожиданиями приходят клиенты из рекламы?
• Какие проблемы вызывают повторные обращения?
• На какие темы разговоры, в которых запрос клиента остался без ответа?

Общее у этих вопросов то, что ответ есть в разговоре с клиентом, но его нет в поле CRM, отчёте продаж или анкете.

На что она сама по себе не отвечает

• Почему упали продажи — разговоры показывают только сказанное клиентом; цена, конкуренты, сезон и маркетинговый бюджет требуют других данных.
• Решена ли проблема на самом деле — для этого нужны последующие обращения и статус в CRM.
• Внутренние эмоции клиента — по тексту виден только тон использованного языка.
• Кого уволить или кому дать скидку — такие решения не должны опираться только на результат AI.
• Что думают молчащие клиенты — аналитика видит только тех, кто вышел на связь.

Иллюстративный пример: один вопрос за месяц

Это иллюстративный пример, а не реальный кейс клиента. Мебельный магазин получает около 1 500 обращений в месяц через WhatsApp и Instagram. Продажи снизились, владелец не знает почему. Настраиваются три поля: «интересующая категория», «возражение» и «причина потери».

Через месяц картина ясна: самая большая группа возражений — не цена, а «доставка слишком долгая». Пересечение с категорией показывает, что это возражение в основном касается спальных гарнитуров. Владелец открывает несколько разговоров и подтверждает: клиентов не устраивает ожидание в шесть недель. Решение — не скидка, а изменение планирования склада.

Обратите внимание: аналитика не принимала решение. Она показала, куда смотреть, а человек прочитал доказательства и решил.

Три условия перед стартом

1. 1Вопрос для решенияНе «давайте что-нибудь найдём», а конкретный вопрос: «в какую линейку продуктов вложить бюджет?». Подробнее — в материале о планировании пилота.
2. 2Достаточно разговоровИз нескольких десятков разговоров тренд не получится. Несколько сотен разговоров на каждый основной сегмент за выбранный период делают результат надёжнее.
3. 3ВладелецУ каждого инсайта должен быть владелец: возражения — руководителю продаж, запросы на продукт — продуктовой команде, сервисные проблемы — операциям. Число без владельца ничего не меняет.

Когда результатам можно доверять

• Каждое число ведёт к разговорам, стоящим за ним, и чтение нескольких из них подтверждает вывод.
• Отчёт показывает, какая доля периода проанализирована, — неполный период не читается как полный.
• Доля «другого» отслеживается; если она велика, список значений не отражает реальность.
• При изменении определений полей и значений старые и новые результаты не смешиваются.
• Значения, выбранные AI, периодически проверяются вручную.

Как аналитика разговоров устроена в Vexvon

В Vexvon компания сама определяет в своей панели, что извлекать: поле, инструкцию и список значений. AI для каждого разговора выбирает из этого списка и не может создать значение вне его; собственные слова клиента хранятся отдельно как доказательство, и каждый результат ведёт к стоящим за ним разговорам. Разговор анализируется через 24 часа после последнего сообщения, а отчёт показывает, какая доля периода уже проанализирована.

Руководитель задаёт вопрос AI-помощнику панели обычным языком — «какие возражения были самыми частыми в прошлом месяце?» — а число считает запрос к базе данных, а не AI. Если спросить о данных, которые компания не собирает, помощник так и скажет, а не подставит похожее поле. Подробнее: аналитика Vexvon.

Следующий шаг

Выберите один вопрос для решения и запишите 3–5 полей, нужных для ответа. Затем прочитайте вручную 50 разговоров и проверьте списки значений: если большинство разговоров легко попадает в одно значение, список готов. О специфике чат-ботов — в материале аналитика диалогов чат-бота; как начать на ваших данных, можно разобрать на демо.