Рынок «звонков» уже давно перешел от модели «плата за звонок» к модели «плата за звонок, ведущий к продаже».
В автомобильном бизнесе это звонки в отдел продаж, в недвижимости — звонки, которые приводят новых клиентов, в медицине — первичная регистрация пациентов и так далее.
Важность выявления целевых звонков заключается в том, что в таких сферах до 70% входящих звонков не представляют интереса для маркетолога для настройки рекламы: это звонки от текущих или постоянных клиентов, сотрудников, различный спам и т. д. Исходя из общего количества звонков, рекламодатель будет считать эффективным источник, который фактически не приводит новых клиентов.
Чтобы оптимизировать затраты на рекламу, звонки нужно разделить и разметить на те, которые приводят к продаже, и те, которые не приводят. В конечном итоге у компании есть выбор: оставить ручную работу по маркировке звонков операторам или продавцам или использовать нейронные сети и другие методы машинного обучения.
В середине 2016 года мы первыми на рынке запустили технологию автоматического определения качества и результата телефонного звонка.
Calltouch Predict основан на системе распознавания речи SpeechKit от Яндекса и собственных алгоритмах компании.
Мы слышали довольно много скептицизма по поводу того, что это не сработает. В общем, спустя год мы готовы рассказать вам, без чего маркировка звонков действительно не будет эффективно работать:
Точность распознавания не ниже 90%
Кажется очевидным утверждение, что автоматическое определение качества и результата телефонного звонка необходимо именно для того, чтобы нивелировать человеческий фактор при работе оператора с CRM. Если точность, например, 80%, то такую систему можно не внедрять, а довольствоваться работой сотрудников контакт-центра.2 ошибки на 10 вызовов — распространенная ошибка вручную.
Технология должна обеспечить более высокую точность обнаружения звонков.
Что для этого нужно? Здесь все просто: чем больше данных для обучения модели, тем выше точность распознавания речи и набора звонков.
Специалисты по расшифровке должны потратить время и вручную расшифровать не менее миллиона звонков.
Это поможет накопить большую базу данных и улучшить языковую модель, тем самым сведя к минимуму процент ошибок в словах (ошибках распознавания речи).
Наших клиентов устраивает нижний уровень в 90%.
Поэтому теперь система даже не начнет автоматическую маркировку, если точность ниже этого показателя.
Нормализатор
Продукт должен иметь систему, приводящую все словоформы к определенной форме (склонение, спряжение и т. д.) для поиска с использованием единых словарных структур.Своего рода нормализатор языка.
Это существенно повышает точность набора звонков.
Оптимизатор
Сами по себе автоматическое распознавание и тегирование просто предоставляют набор данных о звонках, которые необходимо использовать при оптимизации рекламных кампаний.Логично, что когда система автоматически расставляет теги по звонкам, оптимизатор контекстной рекламы «подтягивает» звонки по тегам, и все это происходит в рамках одной системы.
Вместо того, чтобы сотрудник делал это вручную, используя разные сервисы.
Зачем это нужно: Ценность таргетированного звонка для автоматического управления ставками выше, чем ценность данных о продажах: важнее иметь большой массив целевых звонков, которые могут привести к продаже, чем небольшую выборку реально совершенных транзакций.
.
Потому что зачастую качественный лид может быть неэффективно обработан отделом продаж.
Пример тестирования (30 дней) системы Predict в паре с оптимизатором контекстной рекламы у разработчика X: Количество уникальных звонков (звонков с новых номеров) – 510 Количество уникальных целевых звонков (звонок с нового номера определенной продолжительности) - 410 Количество звонков с автоматической меткой «цель» – 360 Следовательно, доля действительно целевых звонков среди уникальных составляет 71%, доля действительно целевых звонков среди уникальных - 87%.
Отсюда следует, что 29% звонков не таргетированы среди уникальных, а 13% не таргетированы среди однозначно таргетированных.
С помощью Predict мы смогли определить долю действительно целевых звонков, а затем с помощью оптимизатора снизили CPA на 48% и увеличили CR на 115%.
По борьбе с мошенничеством
Нельзя игнорировать тот факт, что в некоторых отраслях высокий индекс мошенничества: звонок, который якобы ведет к продаже (показ дома, запись на тест-драйв), не всегда приводит к сделке, потому что это может быть мошенничество.с недобросовестной рекламной площадки.
В момент звонка, даже если мы автоматически помечаем его как «сделка», клиент не может быть уверен, что это не мошеннический звонок с использованием скрипта.
К сегментам рынка с высоким процентом мошенничества относятся, например, продажа недвижимости (9%).
Для таких компаний наиболее эффективно тегирование работает в цепочке: «входящий звонок — система определения качества звонков — антифрод — тегирование — оптимизатор».
Выявление негатива
Заказчики продукта сочли необходимым следить за качеством общения сотрудников с клиентами.Чтобы исключить ручной труд, система автоматической маркировки должна выделять эти звонки в отдельную категорию.
Помимо часто используемых негативных выражений (для этого используются элементы машинного обучения, такие как латентно-семантический анализ, машины опорных векторов и семантический таргетинг в этой области), вы можете расширить словарный запас лексических единиц, несущих риски для клиентов.
Например: суд, ФАС, Роспотребнадзор и т.д. Первым внедрить новые решения достаточно сложно: сколько будет граблей — все ваше.
Нам понадобился год, чтобы собрать первую пятерку.
Думаю, впереди нас ждет еще много открытий :-) Теги: #Маркетинг #распознавание голоса #предсказание #SpeechKit #оптимизаторы #антифрод #Веб-аналитика #Интернет-маркетинг
-
Патент На Настольную Игру В России.
19 Oct, 24 -
Таблица Дроидов. Выпуск 10
19 Oct, 24 -
Мир Дата-Центров: Стоит Ли Идти?
19 Oct, 24
