← К другим статьям

Glagol – робот, который совершает звонки. Как мы повышаем конверсии.

Александр Черных 2019-12-17 08:48

ГОТОВ К ОБЩЕНИЮ В:

Всем доброго времени суток. Сегодня хотелось бы поделиться опытом внедрения в компанию робота, который стал частью отдела продаж, совершая звонки по холодной базе. Сразу хочу заметить, в этой статье будет приведен реальный кейс, на его основе я расскажу, как мы интегрировали робота в звонки для компании и добились повышения конверсии в 3 раза, при этом снизили основные затраты на отдел продаж на 18%. Тут не будет золотой таблетки, которая сделает вам все хорошо и быстро, я просто делюсь опытом. А как его применить, решать только вам.

Что было в начале

Изначально клиент обратился к нам только для настройки системы Glagol под нужды отдела. Но при общении с руководством, мы решили расширить проект. И немного перестроить бизнес-процессы компании.

Так как компания довольно крупная, они не хотели сами вникать во все тонкости и наняли наших специалистов для решения данной задачи. Было принято решение, что мы опробуем робота на звонках - сначала как пилотный проект и посмотрим на результаты, а уже по завершении тестов оценим, стоит ли всей компании переходить на подобную модель. Теперь немного конкретики: компания занимается предоставлением услуг в нотариальной сфере B2B. Фактически они ведут помогают организациям с оформлением документов, подачей жалоб, отчетов, различных прошений и так далее. В компании отдел из 16 человек, совершающих холодные звонки, при этом конверсия в теплый лид (в компании, которые заинтересовалась их услугами) составляла 3%. Естественно, текучка кадров в этом отделе огромная, ежемесячно менялось от 3 до 8 человек. Так как сама услуга не сильно маржинальная, платить людям высокие зарплаты компания не могла. Средняя зарплата работника данного отдела не превышала 15 т.р. в месяц. Один человек должен был совершать не менее 50 звонков в день. Каждый звонок представлял из себя стандартный диалог, состоящий из:

1. Представления

2. Выяснения с кем общаются

3. Попыткой заинтересовать предложением

4. Выявления интереса

После чего, если клиент был заинтересован предложением, его направляли на менеджера, который уже и закрывал сделку. Из полученных теплых лидов до закрытия сделки доходило 14% компаний. В общем, все более-менее стандартно.

План и реализация

Первый план: Мы решили попробовать полностью закрыть вопрос с холодными звонками первой линии при помощи системы Glagol. В общих чертах, робот совершает звонки, выявляет интерес и передает данный контакт менеджеру на закрытие.

И тут начались интересные моменты, создать такого робота в нашей системе не сложно, это примерно день работы. Плюс несколько дней на обучение системы. Но появился большой вопрос. Оказывается, номера телефонов, которые работники должны были прозванивать, они находили самостоятельно по инструкции руками. Данный процесс не был автоматизирован. Пришлось нам взяться и за это. Мы рассмотрели инструкцию и воспроизвели это в коде. Теперь система могла самостоятельно искать телефоны и загружать их на “робот звонки”. Так как Glagol позволяет создавать диалоги с высокой человекоподобностью, то вопроса справится ли робот не было. И да, мы оказались правы. Система давала такую же конверсию, как и живые люди, 4% (конечно, у людей конверсия была 3%, но выборка была много меньше, чем у людей, и мы считаем это за погрешность). При этом робот мог совершать гораздо больше звонков, и сразу передавать менеджерам горячего клиента путем занесения информации о звонке в CRM Битрикс 24, и выставления соответствующего статуса сделки и ответственного менеджера. Компания была готова внедрять данное решение не в качестве пилотного проекта, а как основной бизнес-процесс. Но нам это показалось мало, и мы предложили заказчикам немного доработать скрипт и саму систему. Идея была в следующем: переделать диалог, с точки зрения решения проблемы, а не предоставлении информации о продукте.

Второй план (после реализации первого): создать систему, которая бы мониторила открытые источники на возникновение проблем у компаний связанных с отсутствием необходимых документов. Например, компания получила штраф, за неправильно поданные документы на согласование размещения вывески у магазина. Данная информация появляется в сети. После чего система совершает звонок озвучивая проблему и штраф, и предлагает встать на обслуживание, что бы в дальнейшем таких проблем не возникало. Таким образом, мы хоть и не без сложностей, но решили вопрос с поиском подобных клиентов. Теперь мы имели постоянно обновляющуюся базу компаний с проблемами. И начали совершать им звонки роботом. Конечно, робот был создан на системе Glagol. Но схема диалога была уже другой:

1. Представление

2. Выявление с кем общаются

3. Озвучивание проблемы

4. Решение проблемы (“с нашей компанией такого не будет”)

5. Выявление интереса

Робот звонил и говорил, что у вашей компании наблюдаются проблемы в связи с тем, что вы не корректно заверили документы. Чтобы не повторить ситуацию, давайте работать вместе. После чего передавал заинтересованных людей менеджеру.

При такой конструкции звонка, конверсии выросли до 7%, при этом мы подумали и решили поэкспериментировать и запустили А/Б тест разных скриптов. В итоге выяснялось, что лучше не представляться в начале, а сразу озвучивать проблему и уже потом развивать диалог. Таким образом наш диалог начинался со слов. “Добрый день, у вашей компании проблемы”. И это дало нам возможность увеличить конверсию в лид до 9% (компания, которая заинтересовалась их услугами).

Что такое Glagol

Glagol - это программный комплекс, состоящий из визуального конструктора и ядра.

Ядро основано на технологии нейронных сетей и позволяет создавать телефонные звонки с высоким уровнем подражания живому общению, примерно 96% людей на подключенных проектах не отличают нашу систему от человека.

Визуальный конструктор позволяет создавать, запускать и контролировать звонки любому человеку без знаний и умений в области программирования, как фотошоп позволяет корректировать фотографии, не имея знаний в области графики. Визуальный конструктор можно назвать конструктором нейронных сетей для телефонных разговоров.

К чему это привело (подробные результаты)

По завершению пилота мы полностью внедрили наше решение на базе данной компании. Схема работы организации теперь выглядит так: система производит поиск в открытых источниках проблему у компании, связанную с не правильным заверением документов (компания получила штраф), находит контактные номера телефонов (также в открытых источниках). После чего система Glagol проводит человекоподобные звонки роботом, озвучивает проблему и пытается получить согласие на дальнейший диалог. Если согласие получено, то система передает контакт менеджерам по продажам. В связи с этим, отдел холодных звонков сократился с 16-ти до 3-х человек, эти 3 человека звонят по старым клиентам (может быть, мы заменим и их). Конверсия в лид увеличилась с 3 до 9 процентов. Конверсия из лида в сделку тоже увеличилась - с 14 до 16 процентов (хотя напрямую мы никак не работали с этим показателем). Ежемесячные расходы сократились на 150 т.р., а мы получили довольного клиента.

Выводы

Мы в очередной раз убедились, что система Glagol дает хорошие результаты при грамотном использовании. Даже при простой замене операторов на робота сокращаются издержки на звонках, при этом поднимается качество совершаемых работ. В данном примере приведен не совсем наш профиль, так как тут мы еще и создавали систему для поиска телефонных номеров. Но подобные эксперименты позволяют нам развиваться. И огромное спасибо Сергею, руководителю компании. Он согласился на создание системы поиска номеров, и оплатил работы, хотя мы могли и не получить подобный опыт, в случае его отказа от наших услуг.

P.S.: Надеюсь данная статья будет своевременной и информативной для читателей. Я постарался раскрыть вам как можно больше полезной информации, сохранив при этой внутренние коммерческие тайны клиента.

Следите за нами на YouTube

Автор:

Александр Черных

Разрабатываю структуру наших систем, занимаюсь тестированием на ошибки.