В CRM лежат записи трёхсот звонков за последний квартал. Переслушали от силы десяток — те, что сорвались и нужно было понять, кто виноват. Остальные двести девяносто хранятся просто потому, что запись включена по умолчанию, а информация в них — какие возражения повторяются, на каком этапе клиент начинает сомневаться, у кого из менеджеров чаще срываются сделки — никому не доступна, потому что переслушать всё руками нереально ни у одного отдела продаж.

Почему записи есть, а данных нет

Проблема не в том, что звонки не записываются — записываются почти везде. Проблема в том, что послушать можно единицы, а сделать вывод хочется про все. Менеджер помнит свои последние разговоры и на их основе строит мнение: «клиенты часто говорят, что дорого». РОП слышит то же самое от нескольких менеджеров и делает вывод для всего отдела. По факту это не статистика, а выборка из нескольких случайных примеров, которые запомнились ярче остальных.

От расшифровки к цифре

Расшифровка сама по себе не решает эту проблему — текст звонка ничем не лучше записи, если его тоже никто не читает целиком. Разница появляется, когда ИИ не просто переводит голос в текст, а размечает каждый разговор по заранее заданным меткам: на каком этапе воронки идёт разговор, какое возражение прозвучало, чем закончился звонок. После этого триста разговоров превращаются не в триста файлов, а в одну таблицу, по которой можно посчитать: сколько раз за месяц звучало «дорого», на каком именно шаге скрипта клиенты чаще всего замолкают, у какого менеджера возражения повторяются чаще, чем у остальных при том же потоке лидов.

Что видно только на масштабе

Отдельный звонок почти ничего не говорит о системе — совпадение, настроение клиента, неудачный день менеджера. Закономерность видна только когда таких звонков сотни. Допустим, из двухсот звонков за месяц в восьмидесяти клиент так или иначе говорит про цену — но у одного менеджера это возражение звучит в каждом третьем разговоре, а у другого в каждом десятом при сопоставимой конверсии. Дело не в цене, а в том, как каждый из них подводит клиента к сумме: у первого стоимость возникает без объяснения ценности, у второго — после. Без сводной цифры по всем звонкам эта разница остаётся незамеченной: оба менеджера считают, что у них просто «дорогие» клиенты.

Второй пример — этап, на котором рвётся разговор. Если пятьдесят звонков подряд заканчиваются сразу после фразы про сроки поставки, это не пятьдесят совпадений, а конкретное место в процессе, которое нужно чинить: либо сроки реально не устраивают рынок, либо их плохо объясняют.

Это инструмент для владельца, не для клиента

Важно не путать эту задачу с ИИ-ассистентом, который отвечает клиенту в чате или квалифицирует лида — там цель ускорить обслуживание. Здесь цель другая: дать владельцу или РОПу управленческую картину происходящего в продажах, которую раньше видел только каждый менеджер по отдельности про свои звонки. Ассистент решает возражение клиента здесь и сейчас; аналитика по звонкам показывает, какое возражение вообще стоит того, чтобы с ним отдельно работать — потому что оно повторяется, а не потому что запомнилось последним.

С чего начать

  1. Определите 5–7 меток заранее — конкретные возражения и этапы воронки, которые хотите отслеживать. Без списка ИИ разметит разговоры как получится, и сравнивать будет не с чем.
  2. Подключите транскрибацию звонков и переписки с разметкой по этим меткам — большинство CRM и телефоний такое умеют через интеграцию с ИИ-сервисами.
  3. Смотрите сводную цифру раз в месяц, не после каждого звонка — закономерность видна только на объёме, отдельный разговор ничего не докажет.
  4. Меняйте один пункт скрипта за раз по итогам разбора и сравнивайте цифру со следующим месяцем — иначе не поймёте, что именно сработало.

Один звонок ничего не скажет — данные появляются только на масштабе, когда таких звонков десятки и сотни. Пришлите нам доступ к записям за последний месяц: на созвоне за 30 минут покажем, какие возражения на самом деле повторяются чаще всего и с какого стоит начинать работу над скриптом.