Голосовые роботы для исходящего обзвона занимают растущую долю рынка: по разным оценкам, в 2025 году ими пользовались более 40% российских колл-центров с базой свыше 10 000 контактов. При этом большинство проектов оценивают результат по единственной цифре — итоговой конверсии. Однако она фиксирует последствия, а не причины. Ниже — десять метрик, которые помогают обнаружить проблему в логике диалога в первые дни запуска, а не через месяц по просевшему отчёту.
Боевая база всегда шире тестовой. На этапе интеграции скрипт обкатывают на 50–100 номерах — работает. В продакшене появляются региональные акценты, неожиданные ответы, собеседники, которые перебивают робота на середине фразы. Сценарий, прошедший тесты, начинает сбоить на мелочах.
Конверсия как единственный KPI ловит провалы с опозданием. Пока просадка станет заметной в отчёте, часть лидов уже раздражена, а часть номеров выжжена. Мониторинг выстраивают по четырём контурам: техника, распознавание, логика, бизнес-результат.
Звонок должен дойти до диалога. Если он обрывается на этом уровне, остальной сценарий бесполезен.
Доля успешных дозвонов (Contact Rate). Отношение состоявшихся разговоров к общему числу набранных номеров. Жёсткого универсального бенчмарка нет: на холодном B2B Contact Rate колеблется от 8 до 20% в зависимости от качества базы и числа попыток. Для тёплых и повторных обращений цифра выше. Правильный ориентир — результат тестовой выборки. Падение на 10 пунктов относительно теста — сигнал проверить SIP-транк, фильтрацию автоответчиков и чёрные списки.
Доля коротких диалогов (менее 10 секунд). Превышает 15–20%? Роботу не хватает первой реакции на «алло», или он начинает говорить до того, как собеседник поднял трубку. Типичная причина — слишком короткая стартовая пауза.
Средняя длительность разговора (AHT). Считайте медиану и 95-й перцентиль отдельно. Разрыв между ними более чем вдвое — повод разобраться: часть диалогов зависает в бесконечных уточнениях или уходит в циклические ветки.
ASR (automatic speech recognition) — прослойка между репликой собеседника и логикой сценария. Ошибка здесь — и робот ответит невпопад, даже если скрипт написан верно.
Точность распознавания намерений (Intent Recognition Accuracy). Процент реплик, где робот правильно классифицировал запрос собеседника. Отраслевой бенчмарк для чётко очерченных сценариев (запись, подтверждение заказа, callback) — 90–97%. Метрика важнее fallback: fallback ловит явные провалы, а intent accuracy — скрытые ошибки, когда робот «понял» неправильно и уверенно пошёл не в ту ветку.
Доля fallback-ответов. Процент реплик, на которые робот отвечает фразой-заглушкой. Ориентир — до 10% в зрелом деплое, до 20% на старте. Выше 20% на второй неделе — пора расширять словари интентов и слушать записи проблемных мест.
WER (Word Error Rate). Общая ошибка распознавания слов. На чистом аудио норма — ниже 8%. Отдельно замеряйте accuracy на цифрах, адресах и именах: там WER обычно выше, и именно эти блоки ломают сценарий при диктовке данных.
Среднее число переспрашиваний на диалог. Больше двух — собеседник воспринимает робота как неработающего и кладёт трубку.
Здесь прячутся самые дорогие ошибки — те, что ломают не отдельную реплику, а весь путь собеседника по дереву разговора.
Прохождение до целевого шага (Funnel Completion). Доля разговоров, дошедших до ключевого узла: согласия, записи, подтверждения, перевода на оператора. Метрику строят как воронку по шагам — провал между ними указывает, где именно диалог рушится.
Доля зацикливания. Процент диалогов, в которых робот возвращается в один и тот же узел более одного раза. Любое повторное возвращение — повод открыть запись и выяснить, какая формулировка собеседника отправляет ветку в цикл.
Доля запрошенных переводов на оператора (Escalation Rate). Разделяйте плановую эскалацию (сценарий изначально ведёт к оператору) и форсированную (робот сломался посреди ветки). Отраслевой бенчмарк — плановая 30–40%, форсированная ниже 10%. Собеседники просят оператора в 20% звонков, а в скрипте предусмотрена одна точка перевода? Значит, роботу не хватает ответов на целый класс вопросов.
Качество передачи контекста при переводе (Transfer Success Rate). Доля переводов, при которых оператор получает краткое содержание диалога и собеседнику не приходится повторяться. Бенчмарк — выше 90%. Низкий показатель бьёт по CSAT: человек воспринимает ситуацию как «трижды пересказал одно и то же».
Финальный слой. По нему оценивают проект в целом, но для раннего мониторинга он работает как контрольная сверка: верхние контуры в норме, а здесь просадка — проблема в бизнес-логике, а не в технике.
Целевая конверсия звонка. Доля разговоров, закончившихся нужным действием: согласием на встречу, подтверждением заявки, записью в календарь. Робот обычно уступает оператору в конверсии с одного контакта, но компенсирует масштабом и ценой. Корректное сравнение — по юнит-экономике лида: стоимость заявки через робота против стоимости заявки через живой колл-центр.
Индекс удовлетворённости (CSI). В сервисных и B2C-сценариях робот может завершать диалог короткой оценкой «вам было удобно общаться?» — её и фиксируют. В холодном B2B такую метрику обычно не собирают. Альтернатива — регулярное выборочное прослушивание диалогов из жёлтой зоны других KPI.
Все метрики сводят в единый дашборд с порогами оповещения. У каждого KPI — три границы: норма, жёлтая зона, красная. Красная отправляет уведомление ответственному в тот же день, жёлтая попадает в еженедельный обзор.
Частота проверок на первой-второй неделе:
Выборочное прослушивание критично на старте. Ни одна метрика не покажет, что робот говорит с неестественной интонацией или не делает паузу, когда собеседник пытается возразить. Диалоги нужно слушать — но не все, а те, что попали в жёлтую или красную зону.
Голосовой робот — продукт, который дорабатывается первые полтора-два месяца. Чем раньше обнаружен сбой, тем дешевле исправление. Главный KPI запуска — не конверсия, а скорость, с которой команда находит и устраняет проблемы в диалоге.
Какие метрики вы считаете приоритетными при запуске голосового робота — и насколько ваш опыт расходится с отраслевыми бенчмарками?