Как ИИ заменил супервайзера в отделе продаж: опыт франшизы «Этажи»

В любой компании, где менеджеры активно общаются с клиентами по телефону, рано или поздно встаёт вопрос контроля качества.

Руководителю нужно понимать, как проходят разговоры, соблюдают ли сотрудники скрипты и насколько клиенты удовлетворены. Но прослушивать все звонки вручную невозможно — это слишком дорого и долго. С этой проблемой к нам пришёл один из региональных филиалов сети «Этажи», работающий по франшизе.

В компании работал обычный отдел продаж: менеджеры принимали входящие звонки, обзванивали клиентов, фиксировали результаты в CRM. Руководство хотело выстроить системный контроль качества, но сталкивалось с типичными сложностями. Ручная прослушка каждого разговора требовала огромных временны́х затрат — на это просто не было ресурсов.

Даже если проверять выборочно, часть проблемных диалогов всё равно оставалась незамеченной. Кроме того, не существовало единого стандарта оценки: один супервайзер мог посчитать разговор удачным, другой — указать на те же самые моменты как на недостатки.

Руководители хотели получать по каждому звонку короткий, но информативный отчёт: чем закончился диалог, насколько клиент заинтересован («тёплый» или «холодный»), какие возражения звучали и что менеджеру стоит улучшить. И всё это — в простом, привычном формате, чтобы можно было быстро пробежаться глазами и сделать выводы, не открывая сложные аналитические дашборды.

Мы начали с того, что детально разобрали процесс работы отдела продаж. Звонки поступали через облачную телефонию, записи хранились в её API. Значит, техническая возможность выгружать разговоры уже была. Оставалось понять, как автоматизировать их анализ.

Ручная расшифровка и оценка отпали сразу — это слишком долго. Нужно было найти инструмент, который сможет самостоятельно переводить аудио в текст, выделять из диалога ключевые смыслы и делать выводы.

Мы решили использовать связку из нашего инструмента AIMakers, конструктора автоматизации n8n и API телефонии. Вся система была построена на простом принципе: забираем записи, расшифровываем, анализируем с помощью ИИ, возвращаем результат в таблицу.

Система запускается автоматически каждый вечер. Сначала она выгружает из телефонии все записи звонков за день и переводит их в текст. Расшифровки раскладываются по менеджерам в Google-таблицу — так удобнее ориентироваться, кто и с кем разговаривал.

Дальше в дело вступает нейросеть. Она анализирует каждую расшифровку по заранее заданным критериям: определяет итог разговора, составляет краткое резюме диалога, оценивает «теплоту» клиента в процентах (насколько он готов к покупке) и поясняет, почему поставлена именно такая оценка. Отдельно выделяются основные боли клиента и его возражения. Завершает анализ блок рекомендаций для менеджера — что в этом диалоге можно было сделать лучше.

Все эти данные записываются обратно в таблицу, и на следующее утро руководитель открывает один файл, где видит полную картину по каждому сотруднику. Не нужно никуда заходить, ничего дополнительно настраивать — всё уже посчитано и структурировано.

Главное, чего удалось достичь, — полный охват всех звонков без увеличения нагрузки на супервайзеров. Если раньше можно было проверить лишь небольшую часть диалогов, то теперь анализируется каждый разговор. Это позволяет не пропускать проблемные моменты и оперативно на них реагировать.

Появился единый стандарт оценки. ИИ оценивает диалоги по одним и тем же правилам, поэтому субъективизм исключён. Менеджеры понимают, по каким критериям их проверяют, и могут целенаправленно работать над слабыми местами.

Формат отчёта оказался максимально удобным для руководства. Вместо сложных систем аналитики — простая таблица, где по каждому звонку чётко написано, что произошло и что нужно улучшить. Это экономит время и позволяет быстро находить как проблемных сотрудников, так и успешные кейсы, которые можно тиражировать.

Кроме того, система оказалась гибкой. Когда появятся новые критерии оценки или возникнет необходимость подключить CRM, это можно сделать без перестройки всей архитектуры. Достаточно добавить нужные поля в таблицу или настроить интеграцию с дополнительными сервисами.

Хотя изначально решение создавалось для отдела продаж в недвижимости, оно подходит для любой компании, где есть активная работа с телефонными звонками. Это могут быть классические колл-центры, отделы сопровождения и удержания клиентов, службы поддержки или контакт-центры, обрабатывающие входящие запросы. Особенно полезной такая система окажется для франчайзинговых сетей, где важно поддерживать единый стандарт общения во всех точках.

Автоматизация контроля качества звонков — это не про сложные внедрения и многомесячные интеграции. В данном случае вся система была настроена за несколько недель, а её основу составили простые и доступные инструменты. Главное — правильно сформулировать критерии оценки и дать ИИ достаточно данных для обучения.

Дальше нейросеть сама будет выполнять рутинную работу, освобождая время руководителей для действительно важных задач: анализа результатов, корректировки скриптов и обучения сотрудников.