Опубликовано: · Версия для ИИ (markdown)
Автоматизировать контроль качества звонков — значит перенести чек-лист супервизора в правила ИИ, которые оценивают не выборку в 2–3%, а каждый разговор. Порядок такой: сначала договориться, что считать хорошим звонком, затем оформить это как проверяемые критерии, прогнать их авто-оценкой по всему потоку, вывести результаты в алерты и дашборды и, наконец, калибровать разметку ручными разборами. Человек при этом никуда не уходит — он перестаёт слушать всё подряд и занимается спорными случаями и обучением. Ниже — пять шагов этого перехода.
Шаг 1. Договоритесь, что такое «хороший звонок»
Автоматизация не придумает критерии за вас — она их применяет. Поэтому первый шаг чисто человеческий: соберите с руководителями и лучшими операторами короткий список того, что должно быть в качественном разговоре. Обычно это установленный контакт, выявленная потребность, обязательные формулировки (представился, назвал компанию, проговорил условия), отработанные возражения и назначенный следующий шаг.
Главное требование к критерию — проверяемость. Формулировка «менеджер был вежлив» не годится: два супервизора оценят её по-разному. «Менеджер назвал себя и компанию в первые 20 секунд» или «в конце звонка зафиксирована договорённость о следующем контакте» — годятся, потому что по ним разметка получится однозначной. Начните с пяти-семи таких пунктов, которые реально влияют на результат, а не с идеальной анкеты из тридцати строк: длинный чек-лист вы не откалибруете и забросите.
Шаг 2. Оформите чек-лист в правилах ИИ
Когда критерии сформулированы, переведите их в правила автообработки. Каждый новый звонок сначала распознаётся и раскладывается на говорящих, а затем прогоняется через ваши проверки. Часть из них опирается на метрики, которые платформа считает сама, — доля молчания, темп речи, перебивания, задержка ответа, самый длинный монолог, тон и сентимент; это готовый слой «динамики разговора», о котором подробнее на странице автоматический анализ звонков.
Смысловые пункты чек-листа закрывают ИИ-действия. Тег по смыслу (tagLlm) ставит метку вроде «жалоба» или «возражение по цене», когда это действительно прозвучало в разговоре, а не просто совпало слово. Извлечение (extract) достаёт из транскрипта структурированные поля — прозвучала ли обязательная формулировка, назначен ли следующий шаг, какой продукт обсуждали. Произвольный промпт (llmText) даёт короткое резюме или оценку по вашему описанию критерия. Все девять действий автообработки и логику условий вы настраиваете в самом приложении; как распознавание и разметка питают эти правила — на странице автоматический анализ звонков. Чтобы ИИ понимал вашу специфику — продукты, скрипты, обязательные фразы, — приложите к правилам документы-справочники: они работают как контекст при оценке.
Важная деталь: новые правила создаются выключенными. Это позволяет сначала проверить их на архиве и убедиться, что разметка совпадает с вашим представлением, и только потом включить на живой поток.
Шаг 3. Прогоните авто-оценку по 100% звонков
Теперь включите правила — и контроль качества перестаёт быть выборочным. Там, где раньше супервизор успевал прослушать несколько процентов разговоров, авто-оценка проходит по каждому: и по новым звонкам в реальном времени, и по всему архиву через ретро-прогон. Это ключевая разница с ручным QA — вы измеряете не удачные примеры, а весь поток целиком и одинаково.
Начните с ретро-прогона на накопленных записях: он сразу показывает базовую картину — как часто соблюдается скрипт, где чаще всего проваливается конкретный этап, у кого стабильно проседает выявление потребности. Эти цифры и станут точкой отсчёта, от которой вы будете мерить эффект изменений. Сплошное покрытие само по себе меняет разговор в команде: обсуждать становится нечего в смысле «а вдруг вы попали на неудачный звонок» — оценка идёт по всем.
Шаг 4. Настройте алерты и дашборды
Оценка полезна, только когда на неё кто-то реагирует. Поэтому к правилам добавьте реакции. Уведомление (notify) отправляет письмо руководителю, когда звонок нарушил критичный пункт — например, не проговорены обязательные условия или клиент явно недоволен. Подписанный webhook или запись в CRM (crmPush) передаёт результат оценки туда, где команда уже работает, чтобы разбор не жил отдельной жизнью в ещё одной вкладке. Так проблемный звонок доходит до ответственного в тот же день, а не всплывает на ретро через неделю.
Параллельно соберите дашборды из размеченных данных: доля звонков, прошедших чек-лист, по операторам и этапам; динамика соблюдения скрипта во времени; тренд сентимента; сравнение периодов до и после изменения в обучении. Здесь видно то, что на отдельных звонках не заметно: тема, которую считали редкой, оказывается в топе жалоб; один этап стабильно проваливается у всей смены, а не у одного человека; всплеск негатива совпал с изменением в продукте. Именно это и есть сплошной контроль качества — развёрнутый сценарий в кейсе контроль качества, а отдельно про соблюдение скрипта — в кейсе контроль скрипта.
Шаг 5. Калибруйте разметку ручными разборами
Автоматизация не отменяет человека — она освобождает его для того, что машине не по силам. Раз в период берите пул спорных звонков: те, где авто-оценка на границе, где оператор не согласен, где критичный алерт оказался ложным. Сравнивайте авто-оценку с ручной и правьте формулировки критериев, пока они снова не станут однозначными. Хороший критерий — тот, по которому человек и правило ставят одну и ту же оценку; расхождение почти всегда означает, что формулировка расплывчата, а не что «ИИ ошибся».
Эта калибровка и делает систему живой. Скрипты меняются, появляются новые продукты и возражения, то, что было важно на старте, теряет актуальность — критерии должны идти следом. Лучшие разговоры при этом становятся эталоном для обучения: их удобно показывать новичкам как образец, потому что они уже размечены и найдены не вручную, а по метрикам. Так контур замыкается: правила оценивают весь поток, люди калибруют правила и учатся на лучших примерах, а качество измеримо растёт от периода к периоду.
Что дальше
Автоматический контроль качества — это заодно и фундамент для более амбициозных сценариев. Как только у вас есть чёткие критерии и сплошная разметка звонков, тот же контур можно направить на обучение операторов по конкретным провалам, на подсказки в реальном времени и, дальше, на подготовку данных для голосового ИИ. Логичный следующий шаг — свести размеченные звонки в наглядные дашборды и тренды по операторам, этапам и периодам: об этом страница продвинутая аналитика.