Из 10 000 звонков в месяц слушали 500. Мы стали слушать все — и нашли точку роста на 16 млн ₽ в месяц

Минимальный порог — 50 звонков в месяц. Ниже этого объёма выводы недостоверны: не набирается статистика, и проверить работу отдела проще руками. Размер компании при этом значения не имеет: отдел из трёх менеджеров набирает 50 звонков за неделю. Порог входа определяется объёмом звонков, а не штатом.

При средней длительности звонка около 40 минут один специалист отдела контроля качества разбирает 5–6 звонков в день. Чтобы прослушивать 10 000 звонков в месяц вручную, нужны десятки специалистов. Экономика такого штата не сходится ни при каком раскладе. Для сравнения: найм одного РОПа обошёлся бы компании от 300 000 ₽ в месяц — и он физически всё равно не прослушал бы 10 000 звонков.

Главная находка: партнёрская программа, которая приносит 40–50% всей выручки компании и должна упоминаться практически в каждом звонке, упоминалась лишь в 5,5% звонков. Это не было видно раньше, потому что 95% звонков никто не слушал. Вторая находка: средняя оценка работы менеджеров — 7,5 из 10, в среднем 15–25% работы по скрипту не выполнялось.

Охват анализа звонков вырос с 5% до 100%. Упоминание партнёрской программы выросло с 5,5% до 10% — простыми шагами, даже без привязки метрики к KPI менеджеров. Отдел контроля качества сократился на 2 человека, потому что 80% рутины ушло в систему. Найденный потенциал: доведение упоминания партнёрки до 30% даёт около +100 договоров в месяц, то есть +16 млн ₽ в месяц или ~190 млн ₽ в год.

Ручная прослушка уходит полностью — анализ автоматизирован. Сотрудники смотрят отчёты и графики и работают с результатами: разбирают выявленные системой отклонения от скрипта и точки потери денег, вместо того чтобы вслепую слушать каждый двадцатый звонок.

По каждому звонку: аудиозапись, длительность, общий балл от 1 до 10, вероятность оплаты, итог «успех» или «не успех» и разбор по критериям чек-листа. По каждому критерию — либо зачёт с обоснованием, либо ноль с указанием, что конкретно не сделано: например «не уточнил варианты оплаты», «причина просрочки не выяснена», «не привязал срок оплаты к дате первого заседания». Плюс текстовый вывод AI, ключевые темы разговора и синхронизация с комментариями в Битрикс24.

Да. На разобранной базе из 7 111 клиентов система выделила четыре типа: тёплый — 56% (3 981 клиент), горячий — 28% (1 989), холодный — 10% (696) и отказник — 6% (445). По каждому типу даётся готовый сценарий: горячего не терять в темпе и сразу назначать встречу, холодного не продавливать, а объяснить последствия бездействия и перезвонить через 2–3 дня, отказнику не спорить, а зафиксировать причину и оставить контакт. На выборке в 5% звонков такая типология не собирается: 445 отказников на всю базу — это меньше процента звонков.

Подключить систему можно за пару дней, но довести её до качества, при котором ей можно доверять принятие решений, — отдельная работа. Первые оценки и корректировки появляются на 2-й неделе, первый измеримый результат в деньгах — через месяц. Модель склонна к галлюцинациям, и доведение точности до уровня «лучше человека» — это долгий подбор и промпт-инжиниринг. Пилот стоит начинать с самого структурированного отдела: колл-центра с чёткой телефонией и жёсткими скриптами.