Как ответить
Задача по анализу звонков и разговоров менеджеров возникла из бизнес-потребности в прозрачности продаж и управления качеством. Первичный запрос пришёл от коммерческого директора: компания росла, наняли 20 новых менеджеров, а конверсия воронки просела на 15% за квартал. Нужно было понять, где теряются клиенты и почему одни менеджеры продают в два раза лучше других при одинаковых скриптах.
Изначально проблему решали руками — руководитель отдела раз в неделю прослушивал 3–5 случайных записей и давал обратную связь. Но это не масштабировалось: на 40 менеджеров требовалось 20+ часов в неделю, а охват составлял менее 2% звонков. Тогда запрос перерос в техническую задачу: дать автоматический анализ всех разговоров, чтобы выявлять паттерны успешных переговоров, контролировать выполнение скриптов и снижать нагрузку на тимлидов.
Конкретные бизнес-метрики, которые хотели улучшить:
- Увеличить конверсию из первого звонка в квалифицированную заявку (было 12%, хотели 20%);
- Снизить количество негативных оценок (по опросам NPS) после общения с менеджером;
- Сократить время введения в должность новых сотрудников с 3 недель до 1,5.
С архитектурной точки зрения задача потребовала интеграции с IP-телефонией (Asterisk через AMI), выгрузки аудио и метаданных в объектное хранилище (S3), а затем асинхронной обработки через очередь (RabbitMQ) для транскрибации и NLP-анализа. На тот момент мы уже имели опыт с ASR (Google Speech-to-Text) на других проектах, поэтому выбрали её. Параллельно встал вопрос хранения результатов — спроектировали модель данных в PostgreSQL, куда пишутся теги, ключевые фразы, тональность и длительность пауз.
Итог: после трёх месяцев пилота конверсия выросла на 7 п.п., а время обучения сократилось до двух недель. Главным инсайтом стало, что задача никогда не бывает чисто технической — без понимания бизнес-процессов и метрик любое «аналитическое» решение оказывается бесполезным.