Самолет — самая быстрорастущая публичная компания в России по итогам 2021 года и одна из крупнейших федеральных корпораций в девелопменте. Мы занимаем 2-е место в России по объемам строительства. Мы не просто продаем квартиры, наша миссия - создавать новое качество жизни в современных городских кварталах и сохранять людям самый ценный ресурс — время. Мы знаем, каким выматывающим может быть ремонт квартиры и предлагаем их не только с готовой отделкой, но и с мебелью и техникой, а еще помогаем накопить на первый взнос и проводим сделки с участием передовых программ ипотеки, в которые включены мебель, техника, каршеринг и другие услуги и сервисы.

Контакт-центр в компании обслуживает 80% дистанционных коммуникаций и работает с объемом в более 300 000 заявок и звонков в месяц. Звонки распределяются между тремя направлениями: Продажа первичной недвижимости, Сопровождение (управляющая компания, заселение и тд), Продажа вторичной недвижимости.

Раньше маршрутизировать звонки на нужную скилл-группу операторов помогала первая линия. Кабинетное исследование работы контакт-центров в девелопменте показало, что первую линию для классификации и маршрутизации используют 9 из 10 компаний и всего в трех кампаниях, участвующих в исследовании, использовали голосовой помощник или соединение с менеджером продаж напрямую.

Маршрутизация с помощью первой линии удлиняет путь клиента к решению вопроса и увеличивает общее время в звонке в среднем на 2,5 минуты. Ошибки в выборе маршрута и некорректная передача запроса специалисту другой линии заставляют клиентов несколько раз повторять суть своего вопроса и увеличивают количество касаний в звонке. Мы пришли к выводу, что первая линия как инструмент классификации и маршрутизации звонков создает не лучший клиентский опыт, так как клиентам приходится тратить больше времени и усилий для получения ответа на свой вопрос, а расходы на поддержание первой линии растут вместе с ростом кол-ва обращений и объемов продаж.

Сейчас менее чем за 1 секунду при звонке клиента мы анализируем данные по номеру телефона, с которого пришел звонок, с несколькими уровнями погружения. Мы знаем не менее 9 категорий данных, которые содержат не менее 26 признаков в различных комбинациях и принимаем решение о приземлении звонка в одну из 9 точек: Отдел продаж по телефону, Поддержка и продажи Финтех, Обращения в управляющую компанию, Заселение, Расселение и реновация, Постпродажное сопровождение, 1-ая линия.

Платформа контакт-центра Naumen запрашивает по номеру телефона информацию из витрины данных действующих клиентов. Витрина формируется на основании данных CRM с применением ML-модели. Модель содержит:

• историю коммуникаций
• привязанные контакты
• наличие актуальных интересов к продуктам компании
• наличие запланированной встречи клиента в офисе и статус её проведения
• наличие заключенных договоров на покупку квартиры
• наличие документов, подтверждающих сдачу квартиры в пользование
• срок давности последних изменений
• этап жизненного цикла клиента

Если клиент по номеру телефона не найден, то осуществляется поиск среди данных системы трекинга рекламных источников CallTouch. На основании исторических данных CRM по звонкам за последний месяц мы знаем наиболее конверсионные рекламные источники и источники, из которых в основном поступают обращения по вопросам сопровождения.

Обращения из наиболее конверсионных источников маршрутизируются в подразделение продаж. Если собранной информации недостаточно для принятия решения о маршрутизации, к классификации подключается третий уровень - голосовой помощник, помогающий определить нужный маршрут

По итогам внедрения мы направляем 92% звонков по покупке и 41% по вопросам сопровождения сразу в нужную команду без участия 1-й линии. Точность автоматического выбора маршрута составляет 95%, его мы определяем по наличию дальнейших переводов из точки приземления

Благодаря предиктивной маршрутизации мы сократили затраты на поддержку первой линии на 40% и прогнозируем экономию по итогам года не менее чем на 12 млн.рублей. При этом отказ от первой линии, которая ранее считалась обязательной частью пути клиента, положительно влияет на CX: клиенты тратят меньше времени на решение вопроса без дополнительных ожиданий соединений и объяснений, риск потери клиента при перебросе от одного оператора к другому в результате ошибки оператора сводится к минимуму.

В будущем мы планируем развивать систему, одна из главных инициатив -это Smart Based Routing (SBR+): обслуживания звонка мы выберем оператора, который с максимальной вероятностью решит вопрос клиента или осуществит продажу. Уже сейчас мы работаем над реализацией маршрутизации звонка сотруднику именно по тем жилым комплексам, которые он знает лучше всех, и параллельно разрабатываем модель определения самого подходящего оператора на основании показателей результативности и истории коммуникаций.

Нам удалось реализовать проект с таким масштабным влиянием на клиентский опыт и операционную эффективность в контакт-центре быстро и небольшими силами. Проектная команда, включая специалистов партнера-интегратора компании ОБИТ, состояла всего из 10 человек, только двое из которых были заняты на проекте на постоянной основе (не менее 30% времени). На создание MVP предиктивной маршрутизации звонков по продажам ушло 3 месяца, следующие 3 месяца были потрачены на отладку работы системы, уточнение признаков и триггеров маршрутизации, в том числе выявления атрибутов для маршрутизации сервисных звонков и настройку их маршрутизации, а так же детализацию отчета, который показывает, что произошло со звонком, который не был завершен в пункте назначения.

Благодаря предиктивной маршрутизации 92% клиентов по покупке и 41% клиентов по вопросам сопровождения избегают лишних переводов, экономят до 40% времени на контакт с Самолет и только один раз рассказывают сотрудникам вопрос, который они хотят решить. Предиктивная маршрутизация снизила нагрузку на входящую линию, что позволяет соблюдать целевой уровень потерянных звонков - 1-3% (LCR). Мы стремились сделать автоматизацию бесшовной и незаметной для клиента и отказались от пути со стандартными голосовыми помощниками для сокращения затрат и автоматической классификации. Так пользу для клиентов удалось совместить с экономией для компании.

Ранее при переводе звонка с 1-й линии регулярно случались ситуации неточной передачи исходного запроса клиента, его неправильной трактовки или задержки поднятия карточки объекта. В этих случаях клиенту приходилось повторять свой вопрос, у многих это конечно же вызывало раздражение и с самого начала диалога затрудняло для наших сотрудников установку позитивного формата общения. Мы не можем выделить именно этот фактор влияния на продажи в общем объеме изменений и трансформации нашего контакт-центра, но по отзывам сотрудников конфликтных ситуаций и повторных вопросов стало гораздо меньше.

На одной конференции по AI мы поделились с коллегами тем, что настроили предиктивную маршрутизацию. На открытый вопрос в аудиторию, кто знает и использует эту технологию мы отметили, что из примерно 300 слушателей отреагировали не более 5 человек. Поэтому считаем, что саму по себе технологию, высокий уровень точности и объем затрат точно можно отнести к инновационным и креативным достижениям.

Внутри технологии используются алгоритмы машинного обучения и анализ данных для прогнозирования наиболее подходящих маршрутов для конкретных вызовов. Для этого необходимо собирать и анализировать данные о вызовах, паттернах использования, а также других факторах, чтобы принимать более информированные решения о маршрутизации вызовов.

Для настройки признаков и триггеров, по которым происходит маршрутизация звонка, мы использовали не только экспертизу команды в части понимания профиля клиентов и CJM, но и искусственный интеллект.

На основании собранной информации сформировали 15 основных и 7 экспериментальных гипотез и передали их команде Data Science, включая полный перечень признаков и артефактов. В результате запуска ML-модели оценки гипотез на большом объеме данных получили как точность наших гипотез, так и новые выявленные AI закономерности. Подтвержденные гипотезы направили в реализацию, спорные гипотезы с наибольшей долей клиентов детально анализировали, строили новые гипотезы и отправляли на повторный цикл.

В процессе проработки и реализации предиктивной маршрутизации принимали участие сотрудники разных команд: ИТ-архитекторы, менеджеры отдела продаж по телефону, бизнес-аналитики, Data Science, Data инженеры, специалисты партнера-интегратора компании ОБИТ. Был разработан план работ со сроками и ответственными, учитывающий спринты работ каждого направления. При планировании были выявлены и учтены процессы, которые можно было осуществлять параллельно. В результате детального планирования получилось добиться реализации MVP решения в течение 3х месяцев.

Для стабильной работы системы, бесперебойной работы контакт-центра и быстрого анализа данных (за 1 секунду) было принято решение создать обновляемые ежедневно витрины-реплики «боевых» систем CRM и трекинга рекламного трафика. Такой подход понимает риски наличия в данных допустимого лага относительно времени запроса, при этом он минимизирует вероятность «падения» системы и сбоев, которые сделают маршрутизацию недоступной и резко повысят нагрузку на 1 линию.

Дополнительно был разработан кастомный отчет. В отчете содержится информация по объемам и доле звонков на каждом этапе процесса: был ли найден клиент в crm или прибегали к данным трекинга рекламных источников, куда был маршрутизирован звонок и был ли он там завершен, если осуществлялся дополнительный перевод, то в какие направления, какие тематики обращений были зафиксированы в каждом направлении.

Всего за 6 месяцев нам удалось реализовать предиктивную маршрутизацию в контакт-центре, которая помогает улучшить качество сервиса для клиентов и сэкономить им время, а также поддерживать операционную эффективность на высоком уровне, экономя десятки миллионов рублей.

В ближайших планах снизить долю ручных настроек в системе и опереться на самообучение ИИ-модели для быстрого реагирования на изменения в звонках. Для дальнейшего повышения точности маршрутизации мы обогатим ML-модель новыми признаками, например, период времени звонка или использование личного кабинета.

Связь звонка с периодом времени особенно четко прослеживается в период передачи показаний счетчиков: нагрузка на КЦ в эти дни кратно возрастает. . Для её снижения и сокращения времени ожидания ответа мы запустим умного голосового помощника, который будет фиксировать показания счетчиков и отправлять их в систему учета компании. Это позволит сделать сервис доступным для клиентов без расширения штата операторов. Дополнительно оцениваем весь спектр сервисных запросов к переводу в роботизированные сценарии: уведомление о задолженности ЖКХ, регистрация заявок на вызов мастера и многое другое.

Большой потенциал для повышения точности маршрутизации мы видим в настройке Smart Based Routing (SBR+). Ключевыми триггерами в ML-модели выбора подходящего оператора будут история коммуникаций, результативность оператора в целом и по конкретному ЖК, экспертность сотрудника и любимые ЖК – комплексы, информацией по которым сотрудник владеет идеально. Базирующийся на ИИ подбор оператора, диалог с которым даст максимальную конверсию в продажу или максимально качественные сервис, позволит повысить окупаемость затрат на привлечение клиентов (стоимость высока в индустрии девелопмента) и поднять лояльность клиентов.