HAVAL: речевая аналитика Vector для сети автосалонов
Слушаем звонки автосалонов по всей России: Vector проверяет более 300 000 минут разговоров в месяц по 40+ критериям, при падении качества ниже 70% подключает старшего менеджера, а результат сводит в BI-дашборды.
- Клиент
- HAVAL, мировой автопроизводитель
- География
- Россия
- Что сделали
- Vector, BI-дашборды и AI-агенты
Было: сотни тысяч минут звонков никто не мог проверить
Стало: 40+ критериев на каждом звонке и эскалация при риске
Задача
У HAVAL сеть автосалонов по всей России и огромный поток звонков по продажам, больше 300 000 минут разговоров в месяц даже по выборке. Проверить такой объём вручную невозможно, выборочный контроль охватывал доли процента, а готовые сервисы с такими объёмами и с 40+ критериями общения не справлялись. Из-за этого отклонения от скриптов и упущенные продажи оставались незамеченными.
Решение
Внедрили речевую аналитику Vector как полностью кастомную разработку: система разбирает звонки по всей сети и оценивает каждый разговор по 40+ критериям на базе чек-листа и скриптов, обрабатывая более 300 000 минут в месяц. AI-агенты подсвечивают слабые звонки: если разговор опускается ниже 70%, он автоматически эскалируется на старшего менеджера, чтобы не потерять продажу. Подключили BI-дашборды с глубокой аналитикой влияния звонков на продажи и отслеживанием сделок после звонка, сбор NPS и обратной связи, и отдаём руководству готовые выжимки. Речевая аналитика, агенты и дашборды сделаны под ключ. Дополнительно агенты записывают клиентов в автосервис, напоминают о плановом ТО и допродажах и ведут их как аккаунт-менеджеры.
Результат
Теперь HAVAL видит, как вся сеть говорит с клиентами, на объёме, недоступном ни ручному контролю, ни готовым сервисам. Слабые звонки ловятся и эскалируются вовремя, соблюдение скриптов измеримо, а связь звонка и продажи видна в дашбордах, а не на глаз.
Инструменты
Vector + агенты + BI: 40+ критериев, авто-эскалация ниже 70%, дашборды.