12. следует исключить такие выражения как: «нет», «не знаю», «не можем», «алё», «вы должны».

13. Следует соблюдать внутрикорпоративную этику в разговоре с клиентом. Не используются уменьшительно-ласкательные слова: «заказик», «документик», «вопросик». Сотрудников не следует называть «девчатами», «девушками»

14. Если оператор понимает, что разговор носит праздный характер и клиент не готов разговаривать по существу, или разговор затягивается оператор должен в вежливой форме попрощаться с абонентом. Например: «Большое спасибо за звонок. Пожалуйста, перезвоните, когда примите решение. Всего доброго, до свидания», «Большое спасибо за обращение. К сожалению, мне необходимо ответить на звонок по другой линии. Всего Вам доброго, до свидания».

15. Во время разговора желательно обращаться к клиенту по имени и отчеству.

16. Следует заменить такие выражения как «Представьтесь, пожалуйста» на фразу «Назовите, пожалуйста, Вашу компанию, имя и отчество».

17. Постоянным клиентам не следует задавать общие вопросы, информацию по которым он может уже знать.

18. В том случае, если клиент звонит с жалобой, необходимо как можно подробнее уточнить причину недовольства, поблагодарить за звонок и обсудить ситуацию с руководителем подразделения. Следует избегать предположений об ошибке клиента. Лишь в случае полной уверенности в том, что клиент совершил ошибку и эта информация будет полезна для разрешения сложной ситуации, оператор может об этом сказать в вежливой форме.

В обязанности руководителя департамента «IT автоматизации и маркетинга» входит оценка переговоров оператора и клиента. Анализ записи разговора проходит выборочно, и анализ проходит на основании опыта работы руководителя отдела. После оценки руководитель дает оператору рекомендации, чтобы оптимизировать его работу, тем самым скорректировать общие показатели входящих обращений.

Повышение эффективности процессов конверсии и СРО потребовалась разработка инструмента, с помощью которого вынесение рекомендаций операторам в процессе переговоров с клиентами автоматизировано.

В практической части настоящей работы разработан и описан данный инструментарий.

ГЛАВА 3. АНАЛИЗ ЗАПИСЕЙ РАЗГОВОРОВ ОПЕРАТОРОВ, ТЕСТИРОВАНИЕ ГИПОТЕЗ

В начале текущей главы описывается процесс сбора и оптимизации тестовых данных, далее представлено описание программных средств (инструментария), применяемых в практической части исследования, затем описан интерфейс и алгоритм работы приложения, созданного для достижения цели исследования. В заключительной части главы сопоставляются результаты практических исследований с обозначенными ранее гипотезами, с последующим вынесением практических рекомендаций сотрудникам отдела «телемаркетинга».

3.1Описание алгоритма сбора первичных данных

В компании «Базальт» в отделе маркетинга используется связка программного обеспечения «1С-CRM» и вируальной АТС «Asterisk» , которая позволяет сохранять записи разговоров операторов контакт-центра с клиентами в формате «OGG», разделять речевую запись на два канала: речь оператора и речь клиента и сохранять данный файл записи в истории взаимодействия. Так CRM система позволяет отследить те обращения клиентов, которые по итогу привели к сделке, и соответственно те из них, которые не привели к заключению таковой.

Далее используя библиотеку распознавания речи «SpееchKit», разработанную компанией «Yandex» осуществлялась расшифровка (транскрибация) аудиозаписей переговоров для обеих категорий, с точность распознавания составила 80%. Транскрибации подвергались только аудиозаписи, содержащие реплики оператора. А в оставшихся репликах операторов были удалены знаки препинания и все заглавные буквы были переведены к строчному виду. По результатам работы библиотеки, текстовые записи (.txt), содержащие реплики операторов были каталогизированы в соответствии с категорией исходных файлов аудиозаписей. С примером одного из таких файлов можно ознакомиться (см. Приложение). Аудиофайлы записей с репликами клиентов из CRM системы не выгружались и не подвергались дальнейшему анализу.

На следующем этапе осуществлялась загрузка массива полученных файлов в инструментарий (программа), созданный для достижения целей исследования.

Аналитика проводилась на базе 1000 файлов записей разговоров шести менеджеров компании. Средняя продолжительность разговора составила 7 минут 39 секунд. Среднее количество слов в разговоре составило 389, из которых 64 не повторялись в течение переговоров.

3.2 Описание программных средств, применяемых в исследовании

Microsoft Office Access - система управления базами данных (СУБД) была применена в качестве системы хранения информации в разработанном приложении. Данная СУБД является составной частью пакета Microsoft Office 2019 и сонована на реляционном механизме «Microsoft Jet Database Engine», поддерживающим оконный интерфейс пользователя и оснащенный средствами разработки стороннего программного обеспечения. Файлы расширения «.mdb» являются проприетарным форматом хранения информации для СУБД «Microsoft Office Access» c использованием механизма "Aссess Jеt". Используемая в работе СУБД может работать как напрямую, так и импортировать данные из других приложений и баз данных.
Квалифицированные пользователи, программисты и архитекторы данных используют "Microsoft Access" для разработки составных частей прикладного программного обеспечения. Объектно-ориентированный язык программирования "Visual Basic" (VB) наряду с использованием в остальных приложениях пакета "Мiсrоsоft Officе 2019", используется и в СУБД "Aссеss" для функционирования приложений (VВА). VB поддерживает функцию ссылочной взаимосвязи между объектами, такими как DAO (объекты доступа к данным), а также oбъeкты данных и другие компоненты библиотеки "ActiveX". Среда программирования VВА позволяет использовать библиотеки команд операционной системы Windows, а также, компоненты интерфейса, применяемые при разработке форм и отчетах.

Разработка инструментария, использовавшегося в практической части работы, велась среде "Microsoft Visual Studio 2019". Данная среда применяется для разработки приложений с графическим интерфейсом, веб-сайтов, приложений с клиент-серверной архитектурой, а также мобильных приложений. Такие платформы как Windоws Prеsеntatiоn Fоundаtiоn ,Windоws АPI, Мicrоsоft Silvеrlight, Windоws Fоrms и Windоws Stоrе работают с программными продуктами, разработанными в «Visual Studio 2019» как на нативном так и на транслируемом исходном коде. Данная среда разработки содержит редактор кода, поддерживающий технологию авто дополнения кода (IntеlliSensе), а также механизм переработки кода (рефакторинга). Встроенный в среду разработки отладчик, может функционировать в двух режимах: как на уровне высокоуровневых команд исходного кода, так и на низкоуровневом языке команд процессора. Среда программирования «Visual Studio 2019» обладает широким набором инструментов: конструктор форм для создания приложений с графическим интерфейсом и веб интерфейсом, проектировщик схем базы данных, инструмент мониторинга характеристик работы программ (профилировщик) а так же конструктор классов. На каждом этапе разработки программного обеспечения среда разработки «Visual Studio 2019», позволяет использовать сторонние плагины, используемые для расширения базового функционала, таких как распределенная система управления версиями (Subvеrsiоn,Git).

Кроме того данная среда разработки допускает применение сторонних инструментов таких, как редакторы исходного кода и конструкторы форм. Часто это используется в случае использования специфических для конкретной предметной области языков программирования, или применения особого цикла разработки программного обеспечения (например, клиент Tеam Fоundatiоn Sеrvеr: Tеam Explоrеr).

«Visual studio 2019» позволяет вести разработку на 37 языках программирования: С#, F#, С, С++, C++/СLI, TypeScript, JаvаScript ,Visuаl Bаsic, XSLT, XML, CSS, HTML и друние, при помощи плагинов возможна работа с Pythоn[10], Nоdе.js, Ruby и М. Это достигается за счет встроенной в среду разработки общеязыковой среды (CLR), которая предоставляет информацию и поведение характерного для данного языка. В зависимости от функциональных возможностей visual studio распространяется в различных редакциях. В текущей работе применялась редакция «Microsoft Visual Studio Express), являющаяся бесплатной.

Исходный код разработанного в ходе исследования приложения был написан на языке «С#», который является объектно-ориентированным языком программирования, однако поддерживает и функциональную, декларативную и компонентно-ориентированную парадигмы[11]. С# относится к семейству С-подобных языков программирования, имеет строгую типизацию, полиморфизм, возможность перегрузки операторов, использования анонимных функций с замыканиями и целый ряд других особенностей. Данный язык программирования был разработан инженерами компании «Microsoft» с 1998 по 2001 год под руководством Скотта Вильтаумота и Андерсом Хейлсберга[29].

Для обработки звонков клиентов использовалась виртуальная АТС Asterisk - это программа, представляющая собой автоматическую телефонную станцию, с открытым исходным кодом, созданная компании «Digium, Inc.»[26]. Данное решение популярно на рынке виртуальных АТС и имеет постоянно растущую база пользователей и разработчиков. Корпорация «Digium» инвестирует как в создание исходного кода Asterisk, так и в телекоммуникационное оборудование, с которым работает Asterisk. Программа поддерживает работу на операционных системах семейства Linux и других платформах Unixобразных ОС как с без аппаратного обеспечением которое соединяет ваш сервер с традиционной глобальной телефонной сетью, так и без него. Asterisk в cвязке с необходимым физическим оборудованием обладает всеми возможностями классической АТС, поддерживает множество VoIP-протоколов и предоставляет богатые функции управления звонками, среди которых:

· Интерактивное голосовое меню (IVR)

· Автоматическое определение номера (AOH)

· Конференцсвязь

· Голосовая почта

· Центр обработки звонков (постановка звонков в очередь и распределение их по операторам, согласно прописанным правилам)

· Автоответчик

· Подробная запись о вызове (Call Detail Record)

Помимо стандартного Asterisk позволяет расширить функционал написанием дополнительных модулей посредством языка программирования Си, например для написания плана нумерации, или применяя «Astеrisk Gatewaу Intеrfаcе(AGI)» -- встроенный в Asterisk интерфейс разработки внешних скриптов, поддерживающий следующие языки программирования: «Perl», «С», «Bourne Shell» и «PHP». Распространение Asterisk происходит на условиях двойной лицензии, т.е. одновременно с основным исходным кодом, распространяемым по открытой лицензии (General Public Licence, GNU), возможно создание закрытых модулей, содержащих лицензируемый код, защищенный проприретарным лицензированием[26].

Для достижения цели отслеживания взаимосвязи между записью разговора и заключением сделки была использована 1С CRM 3.0.

CRM (Customers Relationship Management) - это система контроля взаимодействия сотрудников компании с клиентами, подразумевающая лояльную нуждам клиентам политику компании, в основе которой лежит применение прогрессивных управленческих методов и современных информационных технологий, при помощи которых выстраиваются взаимовыгодные отношения между сотрудниками компании и ее клиентами. Для того чтобы наглядно описать данное определение рассмотрим пример. Еще в XVII веке продавцы применяли в торговле персональный подход к покупателям: предлагали только те товары и услуги, необходимые конкретному покупателю, были знакомы с семьями и привычками своих постоянных покупателей, а также их индивидуальные особенности. Данные правила работы с клиентами востребованы и для работы современных компаний.

Система «1С CRM 3.0» относится к числу современных CRM систем и обладает полным функционалом (11 функций) по Бартону Голденбергу[27]. Список основных функций представлен ниже:

1. Управление контактами, а именно всех видов коммуникации с клиентами: получение входящих заявок от клиентов, телефонные переговоры, обмен документами с контрагентами, такими как счета, счет фактуры и т.д. Все описаны выше виды деятельности сотрудников компании регистрируются в CRM системе и доступны для анализа, просмотра статистики в структурированном виде.

2. Управление продажами, т.е. функциональная особенность, позволяющая анализировать всю последовательность взаимодействий между клиентом и продавцом товаров и услуг в ходе проведения сделки. Также в рамках этой системы имеется инструментарий для планирования объемов продаж на основе сезонности спроса, анализа данных за прошедший период и текущей динамики заказов покупателей. На анализ планирования продаж также оказывает влияние ассортимент товаров или услуг, которые предоставляет компания. Инструментарий позволяет ответственным сотрудникам компании проводить анализ состояния текущих сделок, отслеживать цикличность продаж и проводить исследование объема продаж в зависимости от региона. Вся плановая отчетность доступна в «1С CRM 3.0». Также система позволяет получить произвольную отчетность на основании накопленных данных прошлых периодов, внесенных в систему.

3. Продажи по телефону, подразумевают создание и распределение CRM-системой между сотрудниками организации и списком контактов возможных клиентов для планирования взаимодействий. Кроме того, система предоставляет возможность автоматически идентифицировать клиента по входящему обращению, набирать номер клиента, регистрировать входящие заявки клиентов и отслеживать те заявки, которые завершились сделкой, то есть регистрацией продажи. Такая функциональность используется сотрудниками из отделов службы поддержки клиентов, телемаркетинга и секретариатом компании.

4. Управление временем, т.е. функционал программы, позволяющий осуществлять календарное планирование взаимодействий с контрагентами, как для каждого сотрудника, так и для всей организации в целом. Это достигается путем предоставления функциональной возможности по созданию напоминании?, создания и контроля исполнения для задач, назначенных через программу, работы с клиентом электронной? почты непосредственно в системе. Отдельно вынесенный в интерфейсе программы календарь пользователя предоставляет возможность планировать предстоящие взаимодействия с клиентами, а также проводить анализ загрузки и эффективности каждого отдельного оператора.

5. Поддержка и обслуживание клиентов, т.е. все взаимодействия, связанные с работой по поддержке клиентов регистрируется в программе, также в системе доступна вся контактная информация по контрагенту и история прошлых обращений. Также в «1С CRM 3.0» доступны следующие функции: отслеживание перемещений обращений клиента между сотрудниками, их перенаправление между отделами, и формирование связанной с этим отчетности. Также система может предоставить пользователем отчет относительно исполнения гарантийных обязательств, обработки заказов контрагентов, отслеживать удовлетворение негативных обращений (жалоб) клиентов.

6. Управление маркетингом, включает функционал, позволяющий получить полную информацию о товарах и услугах компании, посредством автоматизированного прайс-листа, который рамках одного интерфейса позволяет изменить цену на товар или услугу и отследить динамику цен за выбранный период. Также система позволяет классифицировать клиентов по различным параметрам, таким как объем продаж, количество обращений, объем дебиторской задолженности и т.д.

7. Управленческая отчетность. В 1С «CRM 3.0» имеется широкий набор отчетов, позволяющий проанализировать всю информацию, находящуюся в системе. Каждый отчет имеет множество настроек и отборов, таких как вариант отображения информации, в табличном и графическом виде, отбор по периоду, клиентам, сотрудникам и т.д. и детализируется вплоть до каждого документа или взаимодействия.

8. Интеграция с другими системами. Практика использования базовых CRM систем, без учета казначейских операций (приход/расход) денежных средств, выполненных услугах и отгруженных товарах, не позволяет получить всю полноту информации. А обмен информации между системами, связан с рисками искажения или потери части учетных данных. Поэтому оптимальным является решение, в котором CRM система интегрирована в рамках одного приложения с торговой программой и или программой для производства. 1C «CRM 3.0» может быть интегрирована с такими учетными системами на базе 1с как «УНФ 1.4», «Управление торговлей 11», а также «ERP 2.0», что позволяет руководству компании получать консолидированную отчетность используя оперативные, и CRM-данные.

9. Система позволяет осуществлять автоматическую синхронизацию данных по настраиваемому расписанию как с системами, разработанными как на базе 1С, так и с любыми другими системами, по средством обмена файлами в форматах «CSV» и «XML». 1C «CRM 3.0» может работать как в режиме десктопного приложения, так и в режиме «web» клиента, что достигается за счет использования клиент-серверной архитектуры.

10. Управление электронной торговлей, включает интеграцию с интернет магазинами, мобильными приложениями компании, что позволяет отслеживать данных канал продаж. Также есть возможность интеграции с операторами фискальных данных, т.е. загрузки электронных чеков в систему. 1C «CRM 3.0» позволяет подключить систему электронного документа оборота и обмениваться документацией, как с поставщиками, так и с клиентами компании.

11. Управление мобильными продажами для работы с торговыми представителями и агентами компании, осуществляющие продажи непосредственно у клиента и не имеющие возможность использовать систему в офисе. Для них разработан отдельный клиент - мобильное приложение, которое может локально хранить данные каждого представителя и обмениваться с основной системой при подключении к сети интернет.

Система 1С «CRM 3.0» может работать в режиме, при котором будут использоваться только часть из описанных выше функциональных возможностей, и подключать остальные по мере необходимости.

Для транскрибации записей разговора в текст, применялась разработка компании Яндекс - Yandex.SpeechKit, которая является мультиплатформенной библиотекой (сервисом), позволяющая разработчикам приложений доступ к технологии, как синтеза, так и распознавания речи от компании Яндекс[25]. Первая версия данной системы была представлена в 2013 году. Сервис Yandex.SpeechKit позволяет распознавать речь на трех языках: русском, английском и турецком. Поддерживается три способа распознавания:

· Распознавание коротких аудио. Подходит для распознавания одноканального аудио небольшого размера, весом не более 1 МБ и максимальной длительностью, не превышающей 30 секунд.

· Потоковый режим для распознавания коротких аудио. Позволяет в рамках одного соединения отправлять аудио фрагменты и получать результаты, в том числе промежуточные результаты распознавания.

· Распознавание длинных аудио. Позволяет распознавать длинные многоканальные аудиозаписи, но скорость ответа может быть ниже.

Под длинными аудиозаписями подразумеваются файлы до 1ГБ.

На данный момент сервис поддерживает распознавание длинных аудио только на русском языке.

Сервис работает с форматами аудиозаписей: LPCM и OggOpus.

LPCM (Linear pulse-code modulation) без WAV-заголовка, данный формат представляет собой несжатый аудио сигнал.

Характеристики аудио в этом формате:

Дискретизация -- 8, 16 или 48 кГц в зависимости от значения параметра sampleRateHertz.

Разрядность квантования -- 16 бит.

Порядок байтов -- обратный (little-endian).

Аудиоданные хранятся как знаковые числа (signed integer).

OggOpus -- Аудиокодек для сжатия с потерями, разработанный специально для работы в онлайн приложениях. При этом данные закодированы с помощью аудиокодека OPUS и упакованы в контейнер OGG.

Процесс распознавания, лежащий в основе данной технологии можно структурно разбить на 3 этапа:

· Из аудиозаписи последовательно выделяются слова. Часто возникает ситуация при которой существует несколько вариаций распознавания каждого слова.

· Языковая модель последовательно транскрибирует каждое слово и выбирает одно из предложенных вариантов распознавания, путем согласования каждого нового слова из массива со словами последовательности, транскрибируемыми ранее.

· Финальное редактирование текста записи -- обработка информации, путем простановки части знаков препинания и преобразования числительных в цифровое представление. В таком формате транскрибированный тест передается в качестве результата. Файл ответа имеет тестовый формат (.txt).

Наличие фоновых шумов, частота кодирования аудиофайла, темп и разборчивость речи, а также длина фраз и их сложность оказывают существенное влияние на точность транскрибации.

Сервис позволяет достичь высокой точности распознавания текста (> 80%).

Но для того чтобы достичь такой точности требуется выбрать подходящую модель распознавания. Модель должна соответствовать тематике речи. В данном исследовании применялась модель «Марк Аврелий». Данная модель оптимизирована для работы с короткими аудиофайлами, и учитывает фоновые шумы.

Сервис Yandex.SpeechKit бесплатен для использовании в научной деятельности и для применения в студенческих работах.

3.3 Описание, разработанного инструмента

В ходе исследования был разработан инструментарий-- приложение для Windows совместимых операционных систем, позволяющий объединить первичные данные, полученные из 1С «CRM 3.0». Были составлены словари из слов, использованных как в разговорах, закончившихся заключением сделки так и закончившихся неудачей. При составлении словаря была произведена оптимизация словоформ, т.е. из текстовой расшифровки разговоров были исключены предлоги, междометия, знаки препинания, слова во множественном и единственном числе считались как одно слово, существительные в различных падежах также считались как одно слово, глаголы использовались в инфинитиве. В итоге словари представляют собой таблицы (см. Рисунок 7), соcтавленные для каждого из шести операторов, в которых содержатся слова, используемые в разговорах и количество их повторов.

Рисунок 7 Интерфейс вкладки «Success»

На вкладке «audio statics» (см. Рисунок 8), реализован инструментарий анализа среднего количества слов, среднего времени звонка, а также количеством звонков, используемых для анализа, используемого оператором как в переговорах, закончившихся заключением сделки в левой таблице, так и той же аналитикой по звонкам, закончившихся неудачей в правой таблице.

Каждая из таблиц содержит имя файла записи звонка, продолжительность звонка, а также количество уникальных слов, которые использовал оператор в разговоре.

Рисунок 8 Интерфейс вкладки «Audio statistics»

На вкладке «Dictionary mark», был реализован инструментарий, позволяющий рассчитать соотношение индивидуального словарного запаса к общему словарному запасу (См. Рисунок 9). В левой части интерфейса вкладки отображается общее число уникальных слов, использованных всеми операторами во всех разговорах. В правой части экрана в таблице отображены данные расчета оценки словаря по каждому оператору согласно формуле[4].

Рисунок 9 Интерфейс вкладки «Dictionary mark»

Также использовался инструмент для классификации, основанный на латентном алгоритме Дирихле, разработанный в 2010-2012 годах в НИУ ВШЭ совместно с группой компаний «АйТи».

Для данного инструмента все разговоры были разделены на «успешные», закончившиеся заключением сделки и «не успешные», которые не привели к заключению таковой.

Данные были разделены на 2 равных массива, на обучающую выборку данных и тестовую. При загрузке тестовых данных алгоритм показал точность классификации 80% для «успешных» переговоров и 82% для «не успешных» (см. Рисунок 10). Данная точность классификации является достаточной для дальнейшего использования обученной модели для анализа тестовых данных.



Рисунок 10 Точность классификации для обучающей выборки

Интерфейс программы позволяет посмотреть термы, биграммы их количество и коэффициент значимости, как для «успешных», так и для не успешных переговоров (см. Рисунок 11), а также классифицировать любой произвольный текст, например из тестовой выборки и определить, на сколько больше он имеет позитивное или негативное влияние при заключении сделки (см. Рисунок 12).

Рисунок 11 Интерфейс «словаря термов и биграмм»

Рисунок 12 Интерфейс вкладки «Классификации текста»

3.4 Проверка гипотез на результатах практической работы и формирование предварительных результатов

Записи телефонных переговоров шести операторов были выбраны в качестве исходных данных для проведения исследования. Из записей переговоров каждого оператора были выбраны около 150 аудиофайлов, закончившихся заключением сделки и столько же записей, завершившихся неудачей. Разработанное в ходе исследования приложения структурировало поступившие на вход данные в виде таблиц-словарей индивидуальных для каждого из операторов. Часть таблиц-словарей были составлены из лексем, упоминаемых в аудиофайлах, окончившихся заключенной сделкой, а часть из таблиц-словарей, слов записей переговоров с клиентом, закончившихся неудачей.

В результате были получены статистические данные по словарям и исходным записям переговорам, закончившимися заключением сделки (См. таблицу 2) и переговорам, не закончившимися заключением сделки (См. таблицу 3).

Таблица 2 Статистические данные по записям разговоров, закончившихся заключением сделки в разрезе операторов

Характеристики	Оп-р №1	Оп-р №2	Оп-р №3	Оп-р №4	Оп-р №5	Оп-р №6
Кол-во записей	158	150	156	156	149	159
Сред. продолж. звонка	5:43	6:15	6:00	5:46	5:53	4:57
Сред. кол-во уникальных слов в разговоре	390	415	402	399	396	343
Общее кол-во слов в словаре	593	747	645	614	598	674

Таблица 3 Статистические данные по записям разговоров, которые не привели к заключении сделки в разрезе операторов

Характеристики	Оп-р №1	Оп-р №2	Оп-р №3	Оп-р №4	Оп-р №5	Оп-р №6
Кол-во записей	152	152	156	151	158	159
Сред. продолж. звонка	8:19	8:25	7:36	8:09	8:19	9:09
Сред. кол-во уникальных слов в разговоре	587	604	595	567	583	649
Общее кол-во слов в словаре	740	826	730	790	715	856

По представленным выше данным можно сделать первичные выводы, что среднее время разговоров, не закончившихся сделкой на 44% больше, чем время разговоров, закончившихся заключением таковой. А количество уникальных слов в записях разговорах, не закончившихся сделкой больше на 20.3%.

Далее проверим наличие корреляции между соотношением индивидуального словарного запаса оператора к общему словарному запасу всех операторов и конверсии отдельного оператора. Соотношение индивидуального словарного запаса к общему словарному запасу рассчитывалось по соответствующей функции (См. Формула 4). Под конверсией оператора подразумевается количество звонков, закончившихся заключением сделки к общему количеству звонков (См. Таблицу 4).

Таблица 4 Статистические данные сравнения конверсии и оценки индивидуального словарного запаса по каждому из операторов

Характеристики	Оп-р №1	Оп-р №2	Оп-р №3	Оп-р №4	Оп-р №5	Оп-р №6
Кол-во записей	150	150	150	150	150	150
Кол-во записей, закончившихся заключением сделки	43	38	54	39	57	36
Конверсия	28.6%	25.3%	36%	26%	38%	24%
Индивидуальный словарный запас	743	831	739	812	717	861
Оценка словарного запаса	268	180	272	199	294	150

Сопоставим полученную информацию, в виде графиков конверсию (См. Рисунок 10), и оценку словарного запаса (См. Рисунок 11).



Рисунок 13 Конверсия разговоров в разрезе операторов

Рисунок 14 Оценка словарного запаса в разрезе операторов

На основе графиков (см. Рисунок 13,14) следует вывод, что конверсия прямо пропорциональна оценке словарного запаса оператора. То есть чем больше оператор употребляет слов в своей речи, тем выше конверсия.

Далее на основании инструмента, внутри которого лежит латентный алгоритм Дирехле, определим какие именно термы (см. Таблица 5) и биграммы (см. Таблица 6) позитивно влияют на результат сделки.

Таблица 5 Термы, влияющие позитивно на результат сделки

№	Терм	Значимость	Коэффициент связи
1	Рабочий	7,59	3,21
2	Заверять	6,66	3,05
3	Бумажный	5,68	2,84
4	Цель	5,68	2,84
5	Вход	5,49	2,79
6	Некоммерческий	5,49	2,79
7	Машина	5,28	2,74
8	Процедура	5,05	2,74
9	Гендиректор	5,05	2,68
10	Госпошлина	4,81	2,68
11	Готовить	4,79	2,52
12	Сведение	4,79	2,61
13	Состав	4,53	2,61
14	Область	4,49	2,41
15	Выход	4,49	2,53

Таблица 6 Биграммы, влияющие позитивно на результат сделки

№	Биграмма	Значимость	Коэффициент связи
1	Рабочий день	6,4	7,45
2	Домашний адрес	4,93	6,44
3	Подать документ	4,93	6,44
4	Электронная подпись	4,93	6,44
5	Сколько стоит	4,53	6,13
6	Способ подачи	4,04	5,71
7	Заверить форму	3,73	5,43
8	Комплект документов	3,73	5,43
9	Некоммерческая организация	3,73	5,43
10	Собственник недвижимости	3,73	5,43
11	Проходить регистрация	3,37	5,07
12	Интересовать регистрация	3,37	5,07
13	Электронный вид	3,37	5,07
14	Благотворительный фонд	3,37	5,07
15	Оплачивать госпошлину	3,37	5,07

Используя тот же инструмент были получены термы (См. Таблица 7) и биграммы (См. Таблица 8) негативно влияющие на успех в заключение сделки.

Таблица 7 Термы, влияющие негативно на результат сделки

№	Терм	Значимость	Коэффициент связи
1	Облагать	9,3	1,41
2	Девушка	7,47	1,23
3	Оборудование	7,19	1,21
4	Половина	7,19	1,21
5	Баланс	6,5	1,13
6	Бюджетный	6,5	1,13
7	Норма	6,5	1,13
8	Переплата	6,5	1,13
9	Зайти	6,04	1,07
10	Интересный	6,04	1,07
11	Казначейство	6,04	1,07
12	Крупный	6,04	1,07
13	Надоесть	6,04	1,07
14	Напомнить	6,04	1,07
15	Операция	6,04	1,07

Таблица 8 Биграммы, влияющие негативно на результат сделки

№	Биграмма	Значимость	Коэффициент связи
1	Вернуть звонок	5,96	4,32
2	Бюджетное финансирование	5,55	3,83
3	Мочь найти	5,55	3,83
4	Совет директоров	5,55	3,83
5	Номер телефона	5,04	3,15
6	Альфа банк	5,04	3,15
7	Возникать вопрос	5,04	3,15
8	День рождения	5,04	3,15
9	Договор купли	5,04	3,15
10	Мочь позвонить	5,04	3,15
11	Налоговый орган	5,04	3,15
12	Пенсионный фонд	5,04	3,15
13	Постановка учет	5,04	3,15
14	Почта банк	5,04	3,15
15	Транспортный налог	4,35	2,1

Далее посредством инструмента классификации оптимизируем сценарий разговора оператора, для этого последовательно проверим предложения из каждой структурной части (тематики) скрипта (см. Таблица 9).

Таблица 9 Варианты фраз операторов

№	Тематика	Фраза	Коэф. успеха
1	Приветствие	Добрый день	0,44
		Здраствуйте	Классификация не получилась
		Приветствую	0
		Привет	0,71
		Доброе утро	0,018
		Доброго времени суток	0,43
2	Откуда клиент узнал о компании	Откуда вы узнали о нашей компании	0,41
		Нашу компанию вам порекомендовали	0,66
		Вы узнали о нас по рекомендации	0,95
		Вы узнали о нас по рекомендации или из интернета	0,96
		Вы увидели нашу рекламу в интернете	0,85
		Вы увидели нашу рекламу в интернете или узнали о нас по рекомендации	0,93
3	Какая услуга интересует клиента?	Какая услуга вас интересует?	0,75
		Вы по какому вопросу?	0,54
		Вас интересует регистрация компании?	0,59
		Вас интересует регистрация?	0,89
		Вы по вопросу регистрации?	0,71
		Какая услуга вам интересна?	0,83
№	Тематика	Фраза	Коэф. успеха
44	Уточняющий вопрос по услуге	Какой род деятельности у вашей компании?	0,57
		Коды оквэд вашей организации?	0,86
		Коды оквэд вашего юр лица?	0,81
		С чем связана деятельность вашей компании?	0,89
		Чем занимается ваша компания?	0,51
		С чем связана деятельность вашей организации?	0,64
55	Уточнение контактной информации	Скажите ваш контактный номер телефона и емэйл	0,36
		Нам потребуется ваша электронная почта и номер телефона	0,55
		Ваши контактные данные	0,54
		Для продолжения сообщите контактные данные	0,42
		Для продолжения работы потребуются контактные данные	0,57
		Для продолжения работы потребуются ваши контакты	0,81
66	Каким образом клиент сможет передать документацию, требуемую для оказания услуги?	Сможете передать документы?	0,15
		Документы вы сами привезете?	0,55
		Документы вы через курьера передадите?	0,25
		Когда вам удобно встретить курьера для передачи документов?	0,65
		Вам заказать курьера для передачи документов?	0,46
		Курьером будет удобно передать документы?	0,17

Варианты фраз с самым высоким коэффициентом успеха (см. Таблица 9), были представлены сотрудникам компании «Базальт» в качестве рекомендаций по оптимизации работы операторов.

ЗАКЛЮЧЕНИЕ. ОБОСНОВАНИЕ ДОСТИЖЕНИЯ ВСЕХ ПОСТАВЛЕННЫХ ЗАДАЧ И ЦЕЛИ ИССЛЕДОВАНИЯ

В данном исследовании были сформулированы гипотезы о наличии корреляции между размером индивидуального словарного запаса оператора и результатом заключении сделки, а так же наличие связи между индивидуальным набором терм и биграмм, используемом операторами компании «Базальт» и результатом обработки заявки клиента в бизнес-процессе внутреннего телемаркетинга.

В рамках исследования научных публикаций изучины и проанализированы современные научные работы, посвященные аналитике речевых данных в области телемаркетинга. Были описаны методы и подходы, применяемые в исследованиях со схожей проблематикой. Кроме того изложены алгоритмы оценки индивидуального словарного запаса и порождающая модель латентного размещения Дирихле, ставшие фундаментом практического раздела. Затем рассмотрена структура и деятельность юридической фирмы «Базальт», а также бизнес-процесс внутреннего телемаркетинга данной организации. В ходе описания которого выявлены области, позволяющие оптимизировать бизнес-процесс.

В практическом разделе данного исследования были выбраны и преобразованы в текстовый файлы аудиозаписей разговоров операторов, тем самым был сформирован массив тестовых данных. Затем было создано приложение, для «Windows» совместимых операционных систем, позволяющее определять наличие связи между индивидуальным словарным запасом операторов и результатом заключения сделки. На нем посредством анализа массива данных была подтверждена гипотез влияния полноты лексикона на исход сделки. Далее посредством использования инструментария, разработанного компанией «АйТи», на том же массиве данных, была проверена гипотеза о наличии корреляции между отдельными термами и биграммами и эффективностью работы оператора, с последующим подбором оптимальных фраз для скрипта обработки входящих обращений. Затем на основании подтвержденных гипотез сформулированы практические рекомендации для сотрудников компании «Базальт».

Научная новизна текущей работы основывается на том, что впервые была применена порождающая модель латентного размещения Дирихле в работе, связанной с тематикой речевой аналитике в рамках бизнес-процесса внутреннего телемаркетинга.

По итогу следует упомянуть, что тематика анализа данных телемаркетинга в русскоязычных источниках рассмотрена недостаточно. Дальнейшие исследования в данной области планирую сосредоточить в разработке приложения, интегрированного в CRM систему, позволяющего в автоматическом режиме выносить персональные рекомендации каждому оператору в режиме реального времени.

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

1. Analysing textual data in international marketing research RR Sinkovics, E Penz, PN Ghauri - Qualitative Market Research …, 2005 - emeraldinsight.com

2. Ranking of telephone conversations on the basis of the client's emotional attitude. A Kocsor, K Kovбcs, A Bуdogh… - Proceedings of the …, 2012 - world-comp.org

3. Voice and Persuasion in a Banking Telemarketing Context , Jean-Charles Chebat, Kamel El Hedhli, Claire Gйlinas-Chebat, Robert Boivin, First Published April 1, 2007 Volume: 104 issue: 2, page(s): 419-437

Issue published: April 1, 2007

4. Mining marketing meaning from online chatter: Strategic brand analysis of big data using latent dirichlet allocation

S Tirunillai, GJ Tellis - Journal of Marketing Research, 2014 - journals.sagepub.com

5. Research trends on Big Data in Marketing: A text mining and topic modeling based literature analysis

A Amado, P Cortez, P Rita, S Moro - European Research on Management …, 2018 - Elsevier

6. «Телемаркетинг, или Продай их за минуту» А. В. Бруссер, «Феникс», 2010 г.

7. Call-центы(Рынок-России) http://www.tadviser.ru/index.php/Статья:Call-центры_(рынок_России).

8. Pearson, Karl (1900). "On the criterion that a given system of deviations from the probable in the case of a correlated system of variables is such that it can be reasonably supposed to have arisen from random sampling" (PDF). Philosophical Magazine. Series 5. 50 (302): 157-175. doi:10.1080/14786440009463897.

9. David E. Bock, Paul F. Velleman, Richard D. De Veaux (2007). "Stats, Modeling the World," pp. 606-627, Pearson Addison Wesley, Boston, ISBN 0-13-187621-X

10. "Best Python IDE For Python Programming". Pythonic Quest. 13 January 2017. Retrieved 17 January 2017.

11. C# Language Specification (PDF) (4th ed.). Ecma International. June 2006. Retrieved January 26, 2012.

12. Outbound Telemarketing Market: Business to Consumer Telemarketing Type to Drive Global Market to US$ 12,201.4 Mn by 2025 - TMR 28 december 2017г https://www.bloomberg.com/press-releases/2017-12-28/outbound-telemarketing-market-business-to-consumer-telemarketing-type-to-drive-global-market-to-us-12-201-4-mn-by-2025-tmr

13. Экономика и жизнь «Рынок телемаркетинга в условиях кризиса показывает рост» 2016г. https://www.eg-online.ru/article/322847/ »

14. Bauer L. and Nation P. Word Families // International Journal of Lexicography, 1993. Vol. 6(4). P. 253-379.

15. Guy C., Browne C., and Culligan B. V-Check and WordEngine Academic FAQ (Ver. 1.8). Электронный ресурс, дата обращения: 6.12.2015

16. Ефремова Т. В. Новый толково-словообразовательный словарь русского языка. М.: Русский язык, 2000. Электронный ресурс, дата обращения: 6.12.2015.

17. Засорина Л. Н. Частотный Словарь Русского Языка. М.: Русский язык, 1977. 936 с.

18. Ляшевская О. Н., Шаров. С. А. Частотный Словарь Современного Русского Языка (на Материалах Национального Корпуса Русского Языка). М:Азбуковник, 2009. 1112 c.

19. Докучаев, В.А., Ювченко О.Н. АНАЛИЗ РЕШЕНИЙ ДЛЯ СОЗДАНИЯ МУЛЬТИМЕДИЙНОГО КОНТАКТ-ЦЕНТРА. 2016.

20. Receptive vocabulary size measurement for Russian language GV Golovin - Sotcio-Psikhologicheskie Issledovanija, 2015

21.Read J. Assessing Vocabulary. Cambrige University Press. 2000. 294 p.

22. Latent dirichlet allocation DM Blei, AY Ng, MI Jordan - Advances in neural information …, 2002 - papers.nips.cc

23. Blei D.M. Latent Dirichlet Allocation / D.M.Blei, A.Y. Ng, M.I. Jordan // Joural of Machine Lerning Research. - 2003. - Vol.3 -pp.993-1022

24. Modern information retrieval, R Baeza-Yates, B Ribeiro-Neto - 1999

25. Яндекс. Speech.Kit API[электронный ресурс] - Дата обновления 28 апреля 2020, Режим доступа: https://cloud.yandex.ru/docs/speechkit/stt/

26. Van Meggelen, Jim; Smith, Jared; Madsen, Leif (2007). Asterisk: The Future of Telephony. O'Reilly Media, Inc. ISBN 9780596510480.

27.CRM Automation, by Barton J. Goldberg, softcover, 294 pages, 2002.

28. Национальный корпус русского языка: 2003--2005. Сборник статей / Отв. ред. В. А. Плунгян. -- М.: Индрик, 2005. -- 502 с. -- ISBN ISBN 5-85759-358-1.

29. Либерти Д. Язык программирования C# // Программирование на C#. -- Санкт-Петербург. -- 2003: Символ-Плюс. -- С. 26. -- 688 с. -- ISBN 5-93286-038-3.

ПРИЛОЖЕНИЕ

телемаркетинг речевой аналитика бизнес

ПРИМЕР ТЕКСТВОЙ ЗАПИСИ, ПОЛУЧЕННОГО ПОСЛЕ ТРАНСКРИАЦИИ АУДИОФАЙЛА РАЗГОВОРА ОПЕРАТОРА

алло здравствуйте меня зовут

прописка постоянная документы в электронном виде будет продаваться в орловскую налоговую вам необходимо будет один раз к нам в офис подъезд наши услуги стоят 3900 руб электронно-цифровая подпись в электронном виде документы направить в налоговую 1000 руб. то есть всё вместе 4 900 по срокам 5-6 дней

у нас 2 офиса Академическая и Семёновская начать работу можете дистанционно если почту дадите могу отправить вам запрос на документ

можете тогда на whatsapp кинуть я тогда отправлю вам свои данные смски

ну просто чтоб вам лишний раз не ездить чтобы к вашему приезду уже было всё готово запрошу документы заранее

по поводу сдачи отчетности я вас на на бухгалтера переведу либо решить когда в офис подъедете

давайте я вас тогда на бухгалтера переключу почта у вас нет я так понимаю правильно

а ну давай себя вашу почту запишу

паспорт снилс инн чем будете заниматься

я понимаю просто я вслух всё это не запомню почту продиктуйте

переключаю на бухгалтера через 5 минут приду данные по почте буду ждать от вас документов

Размещено на Allbest.ru