Сервис «Яндекс Недвижимость» внедрил технологии речевой аналитики и искусственного интеллекта для автоматического анализа 100% звонков потенциальных покупателей квартир, что позволило сократить расходы на проверку коммуникаций в 10 раз и увеличить вероятность записи в офис продаж в 5,4 раза. Коммуникационный стратег сервиса 
«Яндекс Недвижимость» Дарья Сергеева рассказала Sostav о своем опыте внедрения речевой аналитики с ИИ в работу специалистов по подбору недвижимости. Она рассказала, как отказ от ручного контроля качества помог масштабировать анализ звонков и лучше понять, какие элементы диалога влияют на решения клиентов.
Контекст, проблема и задачи
Покупка недвижимости — одно из самых сложных и дорогих решений в жизни человека. Даже при активном использовании классифайдов и онлайн-сервисов пользователям важно лично обсудить детали с экспертом, задать вопросы и получить альтернативные варианты.
В сервисе «Яндекс Недвижимость» с подбором квартир в новостройках помогают специалисты по недвижимости. Они уточняют запрос, помогают разобраться в параметрах жилья, инфраструктуре, ипотечных программах и предложениях застройщиков. За время работы сервиса такие эксперты помогли более чем 60 тысячам клиентов найти подходящую квартиру, а общее время телефонных консультаций достигло тысяч часов.
По мере роста аудитории сервиса росло и количество звонков. В какой-то момент стало очевидно: существующая система ручного контроля качества перестала справляться с объемом. Часть консультаций длилась 10−15 минут, некоторые — до 30−40 минут, при этом многие диалоги состояли из нескольких коротких звонков. Даже при большом числе проверок выборочный подход не выявлял редкие, но критичные ошибки и не позволял полноценно проанализировать нестандартные сценарии.
Поэтому команда «Яндекс Недвижимости» поставила перед собой несколько задач:
- обеспечить контроль качества 100% консультационных звонков;
- сохранить и масштабировать единые стандарты общения с клиентами;
- найти места, где специалисты не до конца «распаковывают» потребности клиента, чтобы в дальнейшем точнее попадать в индивидуальные запросы;
- снизить стоимость и трудоемкость проверки звонков;
- понять, какие элементы коммуникации эффективнее всего влияют на конверсии;
- повысить вероятность перехода клиентов к следующему шагу — записи в офис продаж застройщика. Иными словами, «снять» основные страхи перед движением человека к покупке, предложить действительно подходящий для жизни вариант.
Реализация: переход к речевой аналитике с ИИ
Когда стало ясно, что ручная модель себя исчерпала, команда начала искать решение, которое позволит анализировать все звонки целиком. Рассматривались разные варианты — от готовых генеративных моделей до собственной ML-разработки.
В итоге оптимальным решением стала комплексная система речевой аналитики на базе сервиса Yandex SpeechSense для распознавания речи и собственных ML-моделей, разработанных внутренней командой.
Внедрение заняло несколько месяцев. За это время команда перевела критерии оценки звонков в цифровой формат, настроила теги и параметры анализа, обучила алгоритм находить ошибки и успешные элементы коммуникации, а также встроила систему в регулярную работу специалистов. После запуска система начала автоматически расшифровывать и анализировать 100% звонков практически в реальном времени.
Инсайты: что показал анализ всех диалогов
Команде впервые удалось увидеть всю структуру коммуникации целиком — со всеми повторяющимися сценариями, отклонениями и нюансами взаимодействия с клиентами на разных этапах консультации. Система выявила:
- редкие, но потенциально рискованные уходы менеджеров в посторонние темы — в среднем 1−2 случая в день;
- речевые формулировки, которые вызывали напряжение, сомнения или снижали уровень доверия со стороны клиента;
- конкретные паттерны речи и аргументации, которые точечно работают со страхами и запросами клиента, а следовательно, повышают вероятность перехода к следующему шагу.
Эти наблюдения были подтверждены данными по всему массиву звонков. После системной обратной связи и корректировки сценариев число разговоров не по теме сократилось до 1−2 в месяц, а коммуникация стала более структурированной, сфокусированной и ориентированной на задачу подбора жилья.
Эксперимент и рост конверсии
Одним из ключевых экспериментов стало изменение формулировки следующего шага в диалоге. Вместо предложения перезвонить в офис застройщика менеджеры начали уточнять, удобно ли клиенту сразу записаться на встречу.
За две недели команда проанализировала все консультации специалистов экспериментальной группы и сопоставила используемые формулировки с фактическим поведением клиентов. В результате удалось выявить речевые конструкции, которые увеличивали вероятность записи в офис продаж в разы по сравнению с прежними сценариями. Такой эксперимент был бы невозможен при выборочной ручной проверке — сбор сопоставимых данных занял бы несколько дней и потребовал участия нескольких сотрудников.
Результаты и эффект внедрения
Автоматизация изменила как качество работы команды, так и экономику контроля звонков. Ключевые эффекты проекта:
- стоимость проверки одного звонка снизилась примерно в 10 раз;
- аналитика по двум неделям консультаций формируется за пару часов вместо нескольких рабочих дней;
- вероятность записи клиента в офис продаж выросла в 2,6−5,4 раза в зависимости от сценария общения;
- доля клиентов, переходящих к предметному обсуждению объекта с застройщиком, увеличилась на 12 п.п. (в отдельных сценариях — еще выше);
- команда получила инструмент для быстрого тестирования гипотез и постоянного улучшения сценариев общения.
Высвобожденное за счет автоматизации время команда направила на обучение специалистов, разбор сложных кейсов и развитие продукта. Более того, речевая аналитика дала более точное понимание того, как пользователи принимают решение о покупке жилья и какие элементы диалога поддерживают их уверенность на пути к сделке. ИИ в этом процессе помог увидеть логику консультаций и усилить то, что работало ранее. Для сервиса это означает более точную, внимательную и эффективную работу с пользователями на каждом этапе выбора будущей квартиры.