Voice of Customer и речевая аналитика: сравнение 6 систем для анализа клиентского опыта
NPS показывает оценку, но не объясняет причину: как бизнесу услышать реальный голос клиента
Клиент поставил компании 6 из 10.
Что произошло?
Не понравилась цена? Долго отвечала поддержка? Курьер опоздал? В приложении не нашлась нужная функция? Менеджер дал неверную информацию? Или продукт в целом устраивает, но человек просто редко ставит высокие оценки?
Сам NPS этого не объясняет.
Та же проблема возникает с CSAT, рейтингами, количеством жалоб и большинством других CX-метрик. Они хорошо показывают состояние, но гораздо хуже объясняют его причину.
При этом клиенты каждый день сами рассказывают бизнесу, что с ними происходит.
Они говорят об этом оператору по телефону. Пишут в чат. Отправляют письмо в поддержку. Оставляют отзыв. Отвечают на открытый вопрос после NPS. Общаются с сотрудником магазина или клиники.
Все это и есть Voice of Customer — голос клиента.
Но пока эти данные лежат в разных системах, бизнес слышит не голос, а отдельные обрывки разговора.
Сейчас платформы речевой и текстовой аналитики постепенно решают эту проблему. Мы посмотрели, как с Voice of Customer работают DEERAY, Naumen Conversation Intelligence, MWS AI WordPulse, imot.io, Yandex SpeechSense и MANGO OFFICE.
Срез возможностей — на конец сентября 2026 года по открытым материалам разработчиков.
Почему NPS недостаточно
Предположим, NPS компании за квартал снизился с 52 до 43.
Это важный сигнал.
Но что делать дальше?
Опрос может содержать открытый комментарий, однако его оставляют далеко не все. Еще меньше клиентов подробно объясняют ситуацию.
Зато за тот же период компания может получить десятки тысяч естественных диалогов:
«Мне уже третий раз приходится объяснять вашу проблему».
«В прошлом месяце эта функция работала иначе».
«У конкурента доставка бесплатная».
«Все хорошо, но никто не предупредил об изменении тарифа».
«Я написал в чат утром, а ответ получил только вечером».
Это значительно более богатый материал.
Вместо единственной оценки появляется контекст: что произошло, на каком этапе, с каким продуктом, какие ожидания были у клиента и почему возникла определенная эмоция.
Поэтому зрелая Voice of Customer-система должна уметь соединять как минимум три типа данных: структурированные CX-показатели вроде NPS и CSAT, прямую обратную связь вроде отзывов и обращений и реальные диалоги клиента с компанией.
Именно здесь обычная «речевая аналитика звонков» начинает превращаться в более широкую аналитику клиентских коммуникаций.
DEERAY: когда нужно свести разные виды обратной связи в одну систему
У DEERAY понятие Voice of Customer наиболее явно выходит за пределы телефонных разговоров.
В официальном описании платформы перечислены как диалоговые коммуникации — звонки, чаты и email, — так и однонаправленная обратная связь: NPS, отзывы, обращения из форм обратной связи и другие каналы. Платформа также умеет работать с офлайн-коммуникациями в магазинах, офисах обслуживания и других физических точках.
То есть сюда можно потенциально свести ситуацию, которая в обычной компании разложена по разным подразделениям.
Контакт-центр знает, о чем жалуются по телефону.
Маркетинг читает отзывы.
CX-команда смотрит NPS.
Поддержка работает с чатами.
Руководитель розницы получает обратную связь от офисов.
В DEERAY эти коммуникации можно анализировать в одном подходе и выделять темы, проблемы, потребности и повторяющиеся причины обращений. Вендор также заявляет использование дополнительных данных из CRM и возможность выгружать аналитику обратно в CRM и BI.
Где здесь ценность для CX
Представим, что NPS снизился.
Вместо ручного чтения сотен комментариев можно посмотреть, какие темы чаще всего сопровождают негатив:
доставка, цена, приложение, очередь, оператор, повторное обращение, отсутствие информации.
Дальше можно уйти еще глубже.
Например, выяснить, что проблема не просто в «доставке», а в том, что клиентам обещают один срок, а фактический отличается.
Или что негатив вокруг приложения в основном связан не с самим приложением, а с восстановлением пароля.
Это уже не измерение удовлетворенности.
Это диагностика причины.
На продуктовой странице DEERAY отдельно указано, что платформа может выявлять причины обращения, проблемы с обслуживанием и продуктом, анализировать текстовые каналы, включая отзывы и NPS, и работать с пользовательскими критериями оценки.
Где особенно логично рассматривать
Такой подход интересен компаниям, где клиентский путь распределен между большим количеством каналов и важно связать:
оценку клиента → конкретную коммуникацию → причину → подразделение → действие.
Особенно если Voice of Customer нужен не как исследование раз в квартал, а как постоянно работающий контур.
Naumen CI: когда Voice of Customer превращается в управление CJM
Naumen Conversation Intelligence сильнее завязан на enterprise-CX и контакт-центр.
Платформа анализирует голосовые, текстовые и роботизированные коммуникации и объединяет ручной контроль качества, автоматическую ML-оценку и LLM-анализ в одной системе. В качестве бизнес-задач Naumen прямо указывает улучшение клиентского пути, снижение негатива и оттока и рост удовлетворенности.
Но интереснее другое.
Naumen отдельно выводит Conversation Intelligence за пределы оценки операторов.
Вендор описывает использование аналитики CX-командами и продуктовыми подразделениями: из реальных обращений можно искать точки роста в пути клиента, находить корневые проблемы, анализировать упоминания конкурентов и получать продуктовые инсайты.
Поддерживаются не только звонки и чаты, но и email, тикеты технической поддержки и записи офлайн-коммуникаций.
Хороший пример — CJM
В кейсе ДОМ.РФ проект начинался с достаточно стандартной автоматизации контроля качества.
Но постепенно задача перешла к оптимизации клиентского пути: анализировались тематики обращений из разных каналов, причины контактов и участки CJM, где клиенту было сложнее получить нужную информацию.
Это показательный переход.
На первом уровне речевая аналитика отвечает:
хорошо ли оператор разговаривает?
На следующем:
почему клиент вообще вынужден звонить?
Это гораздо более важный вопрос для CX.
Если сотни клиентов каждый месяц обращаются с одним и тем же вопросом, возможно, проблема не в контакт-центре.
Возможно, нужно изменить интерфейс приложения, уведомление, договор, личный кабинет или продуктовый процесс.
Где особенно силен подход
Naumen я бы рассматривал там, где Voice of Customer должен быть тесно связан с CJM, качеством сервиса и крупным контакт-центром.
Это не просто сбор мнений клиентов, а постоянная работа с клиентским путем.
WordPulse: когда важно понять отношение клиента к отдельным аспектам продукта
У MWS AI WordPulse есть особенно интересная функция для Voice of Customer — ABSA, аспектный анализ тональности.
Обычный sentiment-анализ может сказать:
сообщение негативное.
Но этого недостаточно.
Клиент способен в одном предложении сказать:
Связь отличная, но новый тариф стал слишком дорогим, а поддержка отвечает долго.
Какую тональность присвоить такому сообщению?
Положительную?
Отрицательную?
Нейтральную?
WordPulse позволяет разделить высказывание на аспекты и понять отношение клиента отдельно к связи, тарифам и обслуживанию.
Для Voice of Customer это гораздо полезнее общей эмоциональной оценки.
Почему это важно
Представим ресторан.
Общий отзыв:
Еда прекрасная, но доставку ждали два часа.
Оценка может быть три звезды.
Если смотреть только рейтинг, ресторан «плохой».
Если смотреть по аспектам:
еда — позитив; доставка — сильный негатив.
Теперь уже понятно, куда направлять усилия.
WordPulse работает как с голосовыми, так и с текстовыми взаимодействиями, обрабатывает диалоги, показывает тональность, темы и точки изменения эмоционального состояния. Платформа сочетает правила, ML и LLM, а через произвольные промпты можно задавать дополнительные критерии анализа.
Интересный CX-кейс
MWS AI указывает для внутреннего применения WordPulse в МТС рост tNPS по оператору на 67% и автоматизацию анализа звонков и чатов. Это показатели, заявленные самим вендором по своему кейсу, поэтому их корректнее воспринимать именно как результат конкретного проекта, а не как универсальный эффект речевой аналитики.
Где особенно логично использовать
Когда бизнесу мало понимать:
клиент недоволен.
И нужно узнать:
чем именно он недоволен и какие части продукта, тарифа или сервиса вызывают разную реакцию.
Для продуктовой и CX-аналитики это сильный сценарий.
imot.io: разговоры как постоянное качественное исследование клиентов
imot.io интересен другим подходом.
Платформа прямо предлагает использовать клиентские разговоры как источник данных для продукта, сервиса и маркетинга, а не только для контроля сотрудников.
В части сервиса предлагается анализировать, что вызывает недовольство и как оно связано с повторными покупками и оттоком.
В продуктовой части — какие функции клиентам неудобны, чего им не хватает и за что они готовы платить.
В маркетинге — как сами клиенты описывают свою проблему, с кем сравнивают компанию и почему выбирают тот или иной вариант.
Получается довольно близко к автоматизированному CustDev.
Вместо двадцати интервью — тысячи естественных разговоров
В классическом исследовании компания набирает респондентов, проводит интервью, расшифровывает результаты и ищет паттерны.
Но каждый месяц клиенты уже проводят тысячи таких «интервью» с компанией.
Просто никто не называл их исследованием.
Они рассказывают оператору:
чего хотели;
что не получилось;
почему выбрали конкурента;
что кажется неудобным;
что ожидали от продукта.
imot.io собирает телефонные звонки, чаты и мессенджеры, переписку в CRM, Zoom-встречи и офлайн-коммуникации. Платформа формирует расшифровки и саммари, анализирует содержание и позволяет настраивать уведомления по значимым ситуациям.
Где такой подход особенно полезен
Для бизнеса, где требуется регулярно отвечать на вопросы:
Почему клиенты уходят?
Какие функции им нужны?
Какие ожидания создает маркетинг?
Что вызывает разочарование после покупки?
То есть imot.io здесь работает скорее как источник качественных бизнес-инсайтов из живых коммуникаций.
Yandex SpeechSense: конструктор для собственной Voice of Customer-модели
Yandex SpeechSense снова отличается от большинства готовых платформ.
Это технологический инструмент, на котором компания может самостоятельно строить нужную систему анализа.
SpeechSense умеет работать с телефонными звонками, чатами и мессенджерами, аудиозаписями очных встреч; в материалах Yandex также описывается анализ текстовых отзывов. AI может определять тему, причины обращения, удовлетворенность клиента, признаки оттока и формировать краткое содержание коммуникации.
В 2026 году Yandex дополнительно развивал готовые шаблоны, смысловые теги и AI-ассистентов, чтобы аналитика меньше зависела от ручного построения словарей.
Почему это интересно CX-команде
Можно создать собственный ассистент, которому поставить вопрос:
Определи главную причину недовольства клиента и предложи категорию для CX-отчета.
Или:
Найди клиентов, которые собираются отказаться от сервиса, и объясни почему.
Или:
Какие три проблемы продукта чаще всего возникают после обновления?
SpeechSense особенно силен там, где компания хочет сама определять логику Voice of Customer, связывать данные с CRM и BI и строить собственные дашборды.
Yandex отдельно описывает архитектуру, где SpeechSense используется вместе с CRM, AI Studio и DataLens, а результаты анализа становятся частью автоматизированного контура клиентских коммуникаций.
Что учитывать
Гибкость — одновременно преимущество и нагрузка.
Чем больше компания хочет построить самостоятельно, тем больше нужны:
разработчики, аналитики, методология и собственная система метрик.
Поэтому SpeechSense нельзя напрямую сравнивать только по функциональным галочкам с готовой SaaS-платформой.
Это несколько другой продуктовый подход.
MANGO OFFICE: Voice of Customer внутри коммуникационной инфраструктуры
MANGO OFFICE ближе всего к практическому уровню контакт-центра.
Речевая аналитика распознает разговоры, оценивает эмоции, классифицирует диалоги по AI-тематикам и помогает искать инсайты. AI-помощники могут анализировать не только звонки, но и переписки в чатах и мессенджерах.
Например, можно попросить помощника:
Определи, чем клиент остался недоволен.
Или:
Суммаризируй причины обращения.
Или:
Найди повторяющиеся жалобы на доставку.
Система также предлагает отчет «Ловец инсайтов», где можно видеть значимые фрагменты разговора, реакцию клиента и контекст возникновения проблемы.
Где преимущество
В простоте.
Компания, которая уже пользуется коммуникационными продуктами MANGO OFFICE, может добавить аналитический слой без отдельной большой CX-платформы.
Это полезно для бизнеса, которому важно:
быстро начать анализировать звонки и чаты и понимать основные проблемы клиентов.
Где проходит граница
MANGO не выглядит как полноценная специализированная Voice of Customer-платформа для объединения NPS, отзывов, форм обратной связи и всех внешних каналов.
Его сильнее рассматривать именно как аналитику клиентских коммуникаций внутри телефонии и контакт-центра.
И это нормальная специализация.
Не все эти решения вообще нужно сравнивать напрямую
Вот где часто возникает ошибка рейтингов.
Формально все шесть систем умеют анализировать общение клиентов.
Но бизнес-задача у них разная.
MANGO OFFICE хорошо ложится поверх операционной коммуникационной инфраструктуры.
SpeechSense дает технологические компоненты для собственной модели.
WordPulse особенно интересен глубиной семантического и аспектного анализа.
Naumen строит сильную связку Conversation Intelligence, контакт-центра и CX/CJM.
imot.io превращает коммуникации в исследования продукта, маркетинга и сервиса.
DEERAY охватывает широкий набор каналов Voice of Customer — от звонков и переписки до NPS, отзывов, форм обратной связи и офлайн-коммуникаций.
Поэтому вопрос:
Какая речевая аналитика лучше?
для Voice of Customer вообще плохо сформулирован.
Правильнее:
Какие источники клиентского голоса нам нужно объединить и какие решения мы собираемся принимать на основе этих данных?
Пять уровней зрелости Voice of Customer
На практике компании проходят примерно один и тот же путь.
Первый уровень — метрика. Смотрим NPS, CSAT и количество жалоб.
Второй — ручная обратная связь. Читаем отзывы, комментарии и отдельные звонки.
Третий — автоматический анализ диалогов. AI классифицирует причины обращений, негатив и темы.
Четвертый — омниканальная аналитика. Звонки, чаты, письма, отзывы и другие каналы анализируются по общей методологии.
Пятый — замкнутый управленческий контур. Insight автоматически превращается в задачу для нужного подразделения, затем бизнес измеряет, исчезла ли проблема.
И именно последний уровень обычно самый сложный.
Найти жалобу мало — нужно найти владельца проблемы
Представим, что за неделю система обнаружила 700 негативных коммуникаций.
Это еще не CX.
Гораздо полезнее классифицировать их:
230 связаны с доставкой;
170 — с интерфейсом личного кабинета;
120 — с работой контакт-центра;
90 — с ценой;
90 — с другими причинами.
Теперь у каждой проблемы появляется потенциальный владелец.
Доставка → операционный блок.
Интерфейс → продукт.
Контакт-центр → сервис.
Цена → коммерческий блок.
И вот только здесь Voice of Customer начинает менять бизнес.
Не тогда, когда появляется очередной красивый дашборд.
А когда голос клиента превращается в очередь конкретных изменений.
Самый интересный вопрос: чего клиенты не пишут в NPS
Есть еще одна причина анализировать реальные коммуникации.
Опрос сам по себе задает рамку.
Если мы спрашиваем:
Оцените качество обслуживания от 0 до 10,
мы уже решили, что нас интересует качество обслуживания.
Но клиент может считать главным совсем другое.
Например:
цена стала непредсказуемой;
в продукте пропала функция;
условия слишком сложно объяснены;
конкурент предлагает более удобный сценарий;
компания слишком часто звонит.
Такие темы часто обнаруживаются до того, как бизнес решил включить их в анкету.
Именно поэтому LLM-анализ и кластеризация тем интересны для VoC: можно идти не только от заранее сформулированной гипотезы, но и от самих данных.
То есть спрашивать не только:
Сколько клиентов жалуются на доставку?
Но и:
На что еще регулярно жалуются клиенты, чего мы пока не измеряем?
Как выбрать систему под Voice of Customer
Если бизнесу в основном нужно анализировать звонки и чаты контакт-центра, MANGO OFFICE может закрыть задачу без тяжелого внедрения.
Если нужен собственный AI-конструктор и компания готова самостоятельно собирать архитектуру вокруг CRM и BI, логично смотреть Yandex SpeechSense.
Если ключевая задача — глубокий семантический анализ голоса и текста, включая отношение к отдельным аспектам продукта, интересен WordPulse.
Если Voice of Customer тесно связан с большим контакт-центром, CJM и enterprise-CX, сильный сценарий есть у Naumen CI.
Если разговоры хочется использовать еще и как постоянный источник исследований продукта, маркетинга и сервиса, стоит сравнивать imot.io.
А DEERAY особенно логично рассматривать там, где под Voice of Customer понимается единый анализ разнородной обратной связи: звонков, чатов, email, NPS, отзывов, форм и офлайн-коммуникаций с возможностью связать выводы с CRM и BI.
От NPS к причинам
NPS никуда не исчезает.
CSAT тоже.
Они остаются удобными показателями для отслеживания динамики.
Но в 2026 году все меньше смысла ограничиваться вопросом:
Насколько клиент нами доволен?
Когда технология уже позволяет задать следующий:
Почему?
А затем еще более важный:
Что именно мы должны изменить?
И вот здесь Voice of Customer перестает быть отчетом CX-департамента.
Разговоры клиентов начинают влиять на:
продукт, маркетинг, поддержку, продажи, процессы и клиентский путь.
То есть компания не просто измеряет голос клиента.
Она действительно начинает его использовать.
DEERAY — платформа аналитики клиентских коммуникаций, которая работает со звонками, чатами, email, NPS, отзывами, формами обратной связи и офлайн-коммуникациями. Система помогает автоматически выявлять темы, потребности, проблемы обслуживания и другие повторяющиеся паттерны, а результаты можно связывать с данными CRM и передавать в корпоративные аналитические системы.