Ремонтно-сервисная сеть «Ленремонт» автоматизировала контроль качества звонков с помощью ИИ. В ходе проекта внедрена система речевой аналитики, благодаря которой компания перешла от выборочной проверки разговоров к анализу всех поступающих звонков, число которых превышает 18 тыс. диалогов в сутки. В результате нагрузка на отдел контроля качества снизилась в восемь раз, а в перспективе система должна привести к снижению потерь клиентов и росту повторных обращений. О реализации проекта рассказывает Кристина Васильева, руководитель ИТ-проектов компании «Ленремонт» и номинант на премию Data Award.

- Какую задачу требовалось решить?

Контакт-центр — основной канал работы с клиентами в «Ленремонте». Каждый день мы принимаем около 18 тыс. звонков, и каждый из них влияет на то, останется клиент с нами или уйдет. При таком объеме контролировать качество разговоров вручную практически невозможно. Раньше мы прослушивали лишь 5% звонков, и это был предел возможностей команды контроля качества.

Задача была четкой: снизить нагрузку на сотрудников отдела контроля качества (ОКК), перейти от выборочной проверки к анализу всех диалогов, без расширения штата и без потери в качестве оценки.

- Насколько эта задача важна для компании?

Ошибка диспетчера в разговоре с клиентом — это риск потери заявки, клиента, который может не перезвонить при следующей поломке. В наших объемах даже небольшой процент таких ошибок превращается в ощутимые потери.

Если объяснять на цифрах, то за месяц выходит более 400 тыс. звонков, и если хотя бы 1% из них содержит ошибку, мы получаем уже 4 тыс. проблемных диалогов. И даже если далеко не каждый из них означает потерю клиента, масштаб делает задачу критически важной.

- Какой подход был выбран для реализации проекта?

Перед нами стоял реальный выбор: купить готовое SaaS-решение для речевой аналитики, расширить штат ОКК или построить собственную систему. Готовые сервисы отпали по двум причинам: они работают с данными на внешних серверах — а разговоры с клиентами мы не готовы передавать наружу — и предлагают универсальные критерии оценки, которые не учитывают специфику работы диспетчеров сервисной сети. Масштабировать штат при таком объеме звонков — значит бесконечно наращивать издержки без решения проблемы объективности.

Мы выбрали третий путь: собственное решение в закрытом контуре, разработанное совместно с ИТ-компанией Aiston. С кастомными критериями оценки под наши реальные процессы и полным контролем над данными и логикой системы. На разработку ушло два с половиной месяца.

- Какие технологии использованы?

Система строится на трех классах технологий. ASR (автоматическое распознавание речи) переводит аудиозапись звонка в текстовый транскрипт. Диаризация разделяет этот транскрипт на реплики: что говорил диспетчер, а что — клиент. LLM-анализ оценивает содержание диалога языковой моделью по кастомным критериям качества. Все компоненты развернуты внутри инфраструктуры «Ленремонта» — данные не покидают закрытый контур компании.

- Как выбирали «интеллектуальную начинку»?

Мы поставили задачу команде Aiston — выбрать модель, которая лучше всего справится с анализом именно наших диалогов. Они протестировали семь кандидатов на 40 тестовых звонках, оценивая точность, стабильность и скорость обработки.

По итогам тестирования выбор пал на Mistral NeMo: лучшая точность среди всех участников, высокая стабильность в потоке и время обработки около 10 секунд на звонок. В итоге работает та модель, которая победила на наших данных, а не на чужих бенчмарках.

- Что представляет собой созданное решение?

Источник данных — корпоративная телефония на базе Asterisk: все входящие и исходящие звонки автоматически сохраняются и через API передаются в систему анализа. Далее они встают в очередь и обрабатываются асинхронно — без влияния на работу диспетчеров и текущие бизнес-процессы (см. схему).

Обработка каждого звонка проходит три последовательных этапа: сначала WhisperX распознает речь и переводит аудио в текст, затем Pyannote.audio разделяет реплики клиента и диспетчера, после чего Mistral NeMo анализирует содержание диалога и выставляет оценку по методике, разработанной Aiston под наши стандарты.

Результаты автоматически возвращаются в корпоративную систему «Ленремонта» — не в отдельный сервис, а прямо в привычный интерфейс, которым команда пользуется каждый день. Каждый результат привязывается к конкретному звонку, диспетчеру и заявке. Это дает возможность как разбирать отдельные диалоги, так и смотреть на общую картину по всему контакт-центру.

- Какие ощутимые эффекты вы увидели?

После внедрения системы охват контроля качества вырос с 5% до 99%. При этом время анализа одного разговора сократилось с 10 минут до одной минуты. В результате нагрузка на ОКК снизилась в восемь раз.

В перспективе система должна привести к снижению потерь клиентов и росту повторных обращений. По внутренним оценкам, улучшение качества диалогов на входящих звонках должно привести к снижению потерь клиентов на несколько процентных пунктов — эффект, который мы планируем замерить по итогам первого года работы системы.

- Пытались ли оценить эффекты в финансовом выражении?

Мы не делали детального финансового моделирования, но логика очевидна. Прямая альтернатива системе — масштабировать штат ОКК пропорционально объему звонков. При текущей нагрузке это означало бы кратный рост команды и соответствующий рост ФОТ. Если считать грубо, система окупается меньше чем за квартал, а ROI по итогам первого года — порядка 230%.

- Как воспринято появление решения сотрудниками?

Главная цель, которую мы ставили с самого начала, — не заменить людей, а дать им возможность сфокусироваться на действительно проблемных звонках, где требуется экспертная оценка и разбор ситуации. Рутинное прослушивание всего потока — не лучшее применение времени квалифицированного сотрудника ОКК.

Конечно, был адаптационный период. Команда привыкла работать со списками и таблицами, а тут — другой формат, другая логика работы с данными. Первое время возникали вопросы, но они быстро решались. И довольно скоро стало понятно, что сотрудники не просто приняли систему — они заинтересовались. Сейчас команда сама активно участвует в обсуждении того, как развивать систему дальше.

Оценка диспетчеров при этом стала прозрачной и единой для всех: каждый сотрудник видит, по каким критериям оценивается его работа, без субъективного фактора конкретного проверяющего. Это сняло часть споров и сделало обратную связь более предметной.

- В чем роль проекта для бизнеса компании?

Прежде всего — это управляемый рост без роста издержек. При текущем объеме звонков и его дальнейшем увеличении нам не нужно расширять штат, и система масштабируется вместе с бизнесом. Для сотрудников это тоже ощутимое изменение: когда оценка становится прозрачной и единой, уходит постоянное фоновое напряжение. Люди наконец выдохнули, и общий уровень стресса в команде снизился.

С точки зрения перспектив, мы получили базу данных о качестве каждого взаимодействия с клиентом. На этом фундаменте можно строить прогнозирование, обучение диспетчеров, анализ клиентского поведения и многое другое.

- В чем особенность реализованного проекта?

Таких систем на рынке немало — но обычно это SaaS-решения с чужой логикой оценки и данными на внешних серверах. Мы пошли другим путем, и проект уникален комбинацией трех вещей. Во-первых, кастомные критерии оценки — они разработаны под реальные звонки диспетчеров и процессы «Ленремонта», а не универсальный шаблон. Во-вторых, многоступенчатая архитектура из трех последовательных моделей. Каждый этап — распознавание, диаризация, анализ — решает строго свою задачу. В-третьих, доказательный подход к выбору модели. Мы протестировали семь кандидатов на реальных диалогах, и используем ту модель, которая победила на наших данных.

Этот кейс показывает, что собственная ИИ-система для контроля качества звонков — уже не привилегия крупных корпораций. Открытые модели снизили порог входа настолько, что такой подход стал реальным и оправданным для сервисного бизнеса с большим контакт-центром.

- Каковы перспективы развития проекта?

Совместная работа с Aiston продолжается. Мы не останавливаемся на достигнутом — система активно развивается. Когда базовая аналитика стабильно заработала, мы расширили ее функциональность. В планах — более глубокий анализ клиентского поведения.

Сейчас, например, мы добавили автоматическую фиксацию нарушений и анализ истории заявки — сроки реакции мастеров, подтверждение встреч, смену статусов, соблюдение обязательных шагов. Контроль стал сквозным: сегодня система включает аналитику и оценку звонков, отдельный раздел по звонкам с нарушениями и раздел по заявкам с нарушениями.