Уже давно «звонящий» рынок перешел с модели «плачу за звонок» на модель «плачу за звонок, который ведет к продаже». В автомобильном бизнесе – это звонки в отдел продаж, в недвижимости – звонки, которые приводят новых клиентов, в медицине – первичная запись пациентов и так далее.
Важность определения целевых звонков заключается в том, что в подобных сферах до 70% входящих звонков не интересны маркетологу для настройки рекламы: это звонки от текущих или повторных клиентов, сотрудников, различный спам и пр. Опираясь на общее количество обращений, рекламщик будет считать эффективным источник, который по факту не приводит новых клиентов. Для того, чтобы оптимизировать затраты на рекламу, звонки нужно разделять и размечать на те, которые приводят к продаже, и те, которые нет. В итоге у компании есть выбор: возложить этот ручной труд тегирования звонков на плечи операторов или продавцов или использовать нейронные сети и другие методы машинного обучения.
В середине 2016 года мы первые на рынке запустили технологию автоматического определения качества и результата телефонного звонка. В основу Calltouch Predict легла система распознавания речи SpeechKit от Яндекс и собственные алгоритмы компании. Мы услышали довольно много скепсиса в свой адрес о том, что это не будет работать.
В общем, год спустя мы готовы рассказать без чего тегирование звонков действительно не будет работать эффективно:
Вроде бы очевидное заявление, что автоматическое определение качества и результата телефонного звонка нужно именно для того, чтобы нивелировать человеческий фактор при работе оператора с CRM. Если точность составляет, например, 80%, то такую систему можно и не внедрять, а довольствоваться работой сотрудников контактного центра. 2 ошибки на 10 звонков — это обычная ручная погрешность. Технология должна обеспечивать более высокую точность определения звонка. Что для этого нужно? Тут все просто: чем больше данных для обучения модели, тем выше точность распознавания речи и типирования звонков. Специалистам по транскрибации надо потратить время и расшифровать вручную не менее миллиона звонков. Это поможет накопить большую базу данных и улучшить языковую модель, тем самым сократив процент word error rate (ошибок распознавания речи) до минимума. Наших клиентов удовлетворяет нижняя планка в 90%. Поэтому сейчас система даже не начнет автоматически ставить теги, если точность ниже этого показателя.
У продукта должна быть система, которая приводит все словоформы к определенному виду (склонения, спряжения и т д), для того чтобы осуществлять поиск по единообразным словарным конструкциям. Своего рода нормализатор языка. Это значительно повышает точность типирования звонков.
Само по себе автоматическое распознавание и тегирование просто дает набор данных о звонках, которые надо применять при оптимизации рекламных кампаний. Логично, когда система автоматически расставляет теги на звонки, оптимизатор контекстной рекламы «подтягивает» звонки согласно тегам, и все это происходит внутри одной системы. А не сотрудник сводит это руками, используя разные сервисы. Для чего это нужно: ценность целевого звонка для автоматического управления ставками выше, чем ценность данных о продаже: важнее иметь большой массив целевых обращений, которые могли бы привести к продаже, чем маленькую выборку фактически совершенных сделок. Так как зачастую качественный лид может быть неэффективно обработан в отделе продаж.
Пример тестирования (30 дней) системы Predict в тандеме с оптимизатором контекстной рекламы у застройщика Х: Кол-во уникальных звонков (звонки с новых номеров) – 510 Кол-во уникально — целевых звонков (звонок с нового номера с опред. длительностью) — 410 Кол-во звонков с автоматическим тегом «целевой» – 360
Следовательно, доля истинно целевых звонков среди уникальных составляет 71%, доля истинно целевых среди уникально — целевых 87%. Из этого следует вывод, что 29% звонков не являются целевыми среди уникальных, и 13% не являются целевыми среди уникально целевых. С помощью Predict мы смогли определить долю истинно — целевых звонков, а далее с помощью оптимизатора снизили CPA на 48% и увеличили CR на 115%.
Нельзя игнорировать тот факт, что в некоторых отраслях высокий индекс фрода: не всегда звонок, который якобы приводит к продаже (показ жилья, запись на тест-драйв) ведет к сделке, потому что может быть накруткой от недобросовестной рекламной площадки. В момент телефонного звонка, даже если мы автоматически помечаем его «сделка», клиент не может быть уверены, что это не фродовый звонок по скрипту. К сегментам рынка с высоким процентом фрода относится, например, продажа недвижимости (9%). Для таких компаний тегирование наиболее эффективно работает в цепочке: «входящий звонок — система определения качества звонка — антифрод — тегирование — оптимизатор».
Заказчикам продукта оказался необходим контроль качества сотрудников, которые общаются с клиентами. Для того, чтобы исключить ручной труд, система автоматического тегирования должна выделять эти звонки в отдельную категорию. Кроме общеупотребимых негативно окрашенных выражений (для этого используются элементы машинного обучения, такие как скрытый семантический анализ, метод опорных векторов и семантическая направленность в этой области), можно расширять словарь лексических единиц, которые несут риски для клиентов. Например: суд, ФАС, Роспотребнадзор и тд.
Довольно трудно быть первыми во внедрении новых решений: сколько будет грабель – все твои. Нам потребовался год, чтобы собрать первые пять. Думаю, что нас впереди ждет еще много открытий 🙂
Источник: habrahabr.ru
Хочу получать интересные новости блога
29 августа 2017
24 августа 2017
16 августа 2017
14 сентября 2017
20 сентября 2017
10 октября 2017
Нажимая на кнопку, вы даете согласие на обработку своих персональных данных