Один из лидеров EdTech-рынка — «Нетология» столкнулась с тем, что выборочный контроль звонков тормозил рост. Команда 
Imot.io рассказала Sostav, как А/Б-тест доказал эффективность речевой аналитики и почему тимлиды перестали слушать звонки вручную.
В онлайн-образовании конкуренция идет не только за качество контента, но и за скорость работы с клиентом. Когда в компании работают сотни менеджеров, а количество выпускников превышает 130 000, ручной контроль качества становится узким местом. Тимлиды физически не могут прослушать больше 10−15% звонков, из-за чего удачные практики не масштабируются, а системные ошибки остаются незамеченными.
«Нетология» решила проверить гипотезу: может ли искусственный интеллект ускорить сделки и сделать продажи прозрачными. Для этого был запущен эксперимент с внедрением платформы речевой аналитики Imot.io.
О компании
«Нетология» — образовательная платформа, входящая в топ-3 рынка онлайн-образования в России.
Основана: 2011 год.
Штат: 480 сотрудников (на 2024 год).
Масштаб: Более 130 000 выпускников.
Направления: Высшее образование, профпереподготовка, B2B и B2G-обучение.
Задачи
- Уйти от «слепого» контроля. Ручная прослушка 10% звонков не давала полной картины. Нужно было анализировать 100% коммуникаций, чтобы не пропускать ни ошибок, ни инсайтов.
- Сохранить гибкость продаж. Менеджеры «Нетологии» не работают по жестким скриптам-роботам. Система должна была оценивать качество диалога, не загоняя сотрудников в жесткие рамки.
- Доказать эффективность цифрами. В компании развита культура data-driven, поэтому внедрение любого инструмента требовало подтверждения через А/Б-тест.
Реализация
Внедрение проходило в формате эксперимента. Инициатором изменений стала руководитель отдела продаж. Этот отдел — первая точка контакта с клиентами, влияющая на выручку. После обсуждения с руководством одобрили тестовый период на платформе Imot.io.
При этом в компании росло число менеджеров, увеличивалась нагрузка. Потребовался инструмент, который увеличит объём оцениваемых звонков, оптимизирует контроль качества и подскажет способы роста продаж. Были протестированы разные варианты — стало очевидно, что только AI обеспечивает скорость и объективность.
Команду продаж разделили на две группы:
- Группа А (тестовая): 30 менеджеров B2C, работающих с речевой аналитикой Imot.io. Тимлиды получали автоматические отчеты, а менеджеры — обратную связь на основе данных.
- Группа B (контрольная): Работала по старой схеме с выборочным ручным контролем.
Этап 1. Настройка под «гибкие скрипты»
Главным вызовом было научить ИИ понимать нешаблонные диалоги. Чек-листы настроили так, чтобы оценивать суть, а не формулировки: структуру диалога, качество отработки возражений, попытки апсейла и закрытия сделки.
Параметры чек-листа включали:
- структуру диалога,
- отработку возражений,
- доведение до оплаты,
- апсейл.
Чек-лист фиксировал, выполнены ли действия, и показывал результат в баллах и процентах. Настройка аналитики шла параллельно: система училась распознавать неформальные, но качественные обороты речи.
Этап 2. Трансформация роли тимлида
Руководители групп перестали тратить часы на прослушивание звонков. Их роль изменилась: вместо «контролеров» они стали аналитиками и наставниками. Система сама подсвечивала проблемные зоны и лучшие диалоги для разбора.
Изменились роли тимлидов: от ручного прослушивания к настройке аналитики, формированию отчетов и рекомендаций. Тимлиды получили инструменты для отслеживания прогресса менеджеров по метрикам, индивидуальной работы с каждым сотрудником, детального разбора звонков и мгновенного выявления проблемных зон.
Этап 3. Масштабирование на весь отдел
После подтверждения эффективности решение распространили на весь отдел. Подключили автоматизированную оценку чек-листов и интегрировали аналитику в систему мотивации. Каждый менеджер получил доступ к личному кабинету, который позволяет сравнивать свои стратегии с сильными коллегами, перенимать рабочие методы и отслеживать ошибки и зоны роста.
Результаты
А/Б-тест показал убедительные результаты в пользу группы с речевой аналитикой:
- Сокращение цикла сделки. Менеджеры из группы А стали быстрее закрывать сделки: 72 часа — против 84+ часов ранее. Быстрая работа над ошибками позволяла не терять темп.
- Рост эффективности продаж. Группа с аналитикой показала более высокую эффективность продаж и рост выручки по сравнению с контрольной группой.
- Ускорение онбординга. Новички получили доступ к базе «эталонных» диалогов, которые система отобрала автоматически. Это позволило быстрее перенимать опыт лучших продавцов. Новые менеджеры лучше понимают ожидания, знают критерии оценки, быстрее растут и видят реальные примеры успешных звонков.
- Автоматизация поиска кейсов. Поиск кейсов для обучения теперь автоматизирован: система сама фильтрует звонки по качеству.
- 100% охват коммуникаций. Компания прошла путь от ручной «прослушки» 10% звонков к анализу 100% коммуникаций. Оценка сотрудников стала объективной — ИИ не имеет предвзятости. Процесс аттестации стал быстрее, объективнее и прозрачнее.
Арина Ухина, руководитель группы обучения «Нетологии»:
Даже если мы знали, что хотим отследить — допродажи или реакции на спецпредложение — нам приходилось вручную прослушивать десятки звонков, чтобы собрать срез. Это было долго и непрозрачно.
Наши менеджеры не работают по жёстким скриптам. Есть структура, а дальше — свобода. Нам было важно, чтобы система это поняла и не резала эффективность там, где менеджер работает нестандартно, но успешно.
У каждого менеджера свой стиль продаж. Мы должны были научить систему понимать гибкость и при этом фиксировать ключевые параметры.
Менеджеры смотрят, у кого лучшие результаты, и разбирают их диалоги. Быстрый обмен опытом без встреч. Пока это только внутренний инструмент отдела продаж. Но мы видим потенциал: это не просто контроль звонков, а источник данных — о продукте, клиенте и процессе продажи.
Сергей Фомин, генеральный директор Imot.io:
Проект с «Нетологией» был для нас нетривиальным. Обычно мы работаем с жесткими скриптами — там критерии оценки очевидны. Здесь же стояла задача научить систему оценивать качество диалога без привязки к конкретным формулировкам. Менеджеры компании работают творчески, и важно было сохранить эту гибкость.
Арина Ухина сразу обозначила риск: если система будет снижать оценки за отклонение от шаблона, это убьет те самые сильные стороны команды. Поэтому мы фокусировались не на словах, а на структуре и результате диалога.
А/Б-тест подтвердил гипотезу: когда оценка становится объективной и охватывает все звонки, а не случайную выборку, команда начинает доверять системе. Менеджеры сами стали запрашивать аналитику для роста. Это важный показатель принятия инструмента.
Выводы
Кейс imot.io и «Нетологии» показывает, что речевая аналитика эффективна даже там, где нет жестких скриптов. ИИ способен оценивать творческие продажи, если правильно настроить критерии. Внедрение Imot.io позволило компании перейти от выборочного контроля к системному управлению качеством.