Радио 
В ФГБНУ «Российский научный центр хирургии имени академика Б.В. Петровского» стояла задача проанализировать темы обращений пациентов, а в итоге маркетологи нашли точки роста конверсии в запись на 20%. Представители медицинского центра и команды UIS поделились с Sostav подробностями и результатами внедрения речевой аналитики с искусственным интеллектом.
Задача: проанализировать содержимое 30 тыс. диалогов с пациентами
Операторы научно-клинического центра принимают более 30 тыс. входящих звонков ежемесячно, основной показатель эффективности колл-центра — конверсия в запись пациентов на платную услугу. От операторов часто поступали жалобы на большое количество «справочных» звонков: уточнить время записи, часы работы, результаты анализов. Такие звонки не приводят к записи, а значит, негативно сказываются на конверсии, поэтому в клинике встал вопрос об открытии отдельной справочной службы.
Но как понять, какова реальная доля «справочных» звонков? Вручную проанализировать темы обращений на таком потоке почти нереально: даже на разовое прослушивание записей пришлось бы потратить огромный ресурс.
Маркетологи клиники поняли, что не обладают информацией о том, зачем звонят люди, какова конверсия в запись из целевых обращений и есть ли потенциал для ее роста. Проблема оказалась масштабнее, чем вопрос о необходимости справочной службы, и маркетингу понадобился инструмент для аналитики потока, чтобы:
- Определить долю «справочных» звонков.
- Оценить KPI операторов в разрезе конверсии целевых звонков в запись на прием.
- Понять, по каким причинам целевые звонки не приводят к записи.
Решение: внедрение речевой аналитики с ИИ
Чтобы ускорить анализ, решили использовать речевую аналитику с искусственным интеллектом.
С технической точки зрения клинике нужно было разделить звонки на 4 категории:
- Справочные — уточняющие вопросы, не касающиеся записи на прием.
- Целевые — пациент обратился с потребностью в медицинской услуге.
- Успешные целевые — звонки, которые конвертировались в запись.
- Неуспешные целевые — у пациента была потребность в услугах, но на прием он не записался.
Для этого настроили несколько тегов с описанием контекста, который нужно отслеживать в речи клиентов и операторов.
После двухчасового тестирования прослушали протегированные звонки и проверили корректность проставления тегов. Выяснилось, что у операторов нет строгого скрипта: диалоги настолько персонализированные и индивидуальные, что ИИ оказался не способен распознать единый контекст по заложенным в тегах настройкам. Поэтому сложные контексты разбили на несколько тегов, а при анализе стали пользоваться фильтрами, включая нужные и исключая ненужные.
После отладки системы подключили речевую аналитику на более длительный срок и получили корректные данные.
Результат
- Определили долю «справочных» звонков
Около 10% всех звонков действительно носят справочный характер и не могут конвертироваться в запись на прием, поэтому приняли решение разгрузить операторов и создать отдельную справочную службу.
- Посчитали конверсию из целевых обращений в запись
Конверсия из целевых звонков в запись на прием составила 74%. Оставшиеся 26% звонков, где запись не состоялась, стали внимательно прослушивать.
- Выявили причины, по которым целевые звонки не вели к записи, и разработали план мероприятий, который поможет поднять конверсию на 20%
54% «неуспешных» целевых звонков не привели к записи по причинам, не зависящим от оператора: слишком плотное расписание или отпуск врача, неудобное для пациента время, отсутствие услуги. В оставшихся 46% целевых звонков удалось не только отследить причины, но и найти потенциал роста конверсии.
Например, один из филиалов сообщил о плохой записи на магнитно-резонансную томографию. С помощью тегов маркетологи отфильтровали весь массив звонков по МРТ и выявили причины отказов:
- 15% обратившихся взяли паузу «на подумать». Таких пациентов можно «вернуть» с помощью триггерных механик.
- В 13% случаев оказалось, что оператор информирует об услуге, но не предлагает записаться. Руководитель колл-центра провел работу над скриптом и его соблюдением.
- В 12% случаев операторы переводили звонки на специалистов отделения для консультации, которые не имели технической возможности записи на прием. Базу знаний для операторов расширили, а в сложных случаях стали сначала записывать на прием, а потом переводить звонок.
- Еще 12% потенциальных записей «срывалось» из-за путаницы в типах аппаратов. Пациенты стремились записываться на исследование на аппарате повышенной мощности, руководствуясь принципом «чем мощнее, тем лучше», что не всегда корректно. Пациенты либо уходили уточнить у врача, какой же аппарат им нужен, либо не могли записаться на «мощный» томограф по причине отсутствия свободных слотов. После изменения скрипта оператора проблему удалось решить.
В результате принятых мер буквально через две недели в клинике увидели более плотную запись на МРТ.
Выводы
Благодаря речевой аналитике маркетологи узнали, какими услугами интересуются и какие способы диагностики выбирают пациенты, и могут масштабировать целевые обращения с помощью релевантной рекламы. Руководитель колл-центра отслеживает корреляцию между содержанием диалогов и конверсией в запись, может корректировать скрипты разговоров и обучать операторов на основе данных.
Ольга Знаменская, руководитель отдела маркетинга РНЦХ им. Б.В. Петровского:
Это было сложно, но интересно. После первого тестового запуска я не верила, что речевая аналитика сможет дать столько полезной информации, но в итоге мне удалось четко посчитать конверсию колл-центра, хотя задача казалась нерешаемой.
Максим Вереникин, руководитель направления развития отраслевых решений для медицины в UIS:
Практически каждый звонок — это потенциальная запись, и маркетологи с руководителями клиник хотят понимать качество их обработки, но физически могут прослушать только случайно выбранную часть разговоров, теряя ключевые инсайты. Поэтому внедрение технологий для автоматизации аналитики звонков — уже не просто про тренд на ИИ, а реальное конкурентное преимущество.