Задача клиента

Финтех-маркетплейс Boostra ежедневно обрабатывает тысячи обращений по кредитным и страховым продуктам. По мере роста бизнеса нагрузка на входящую линию увеличивалась: росли очереди на линии в пиковые часы, доля типовых консультационных запросов и операционные затраты — без пропорционального роста качества сервиса. Классическая модель масштабирования через расширение штата операторов перестала быть эффективной.

Что делает робот

• Консультирует по продукту, условиям оформления займа и способам его получения
• Информирует о сумме долга, дате оплаты, статусе заявки, возврате и остатке задолженности
• Помогает с оплатой: способы оплаты, СБП, минимальный платёж, ошибка оплаты
• Консультирует по заполнению заявки, процентной ставке и условиям получения займа
• Обрабатывает обращения по личному кабинету, смене карты и личных данных
• Помогает при технических проблемах сайта и личного кабинета
• Подключает и отключает дополнительные продукты при оформлении займа, включая страхование
• При переводе на оператора передаёт краткое summary диалога
• Использует карусель разных голосов робота для имитации работы полноценного контакт-центра

Результат

• 100% входящих обращений обрабатывает робот
• 63% запросов закрываются полностью без участия оператора
• 0 пропущенных звонков, отсутствие очереди на линии
• Стабильная работа при высоком трафике
• Результат достигнут за 4 месяца с момента запуска

«Мы долго искали вендора для автоматизации входящей линии, но не находили решение, которое отвечало бы нашим требованиям. К выбору подрядчика подходили очень серьёзно: оценивали технологии, опыт, экспертизу в финтехе и готовность команды к совместной работе. В итоге выбор Fromtech себя оправдал — нам удалось реализовать голосового робота на входящую линию и снять часть нагрузки с сотрудников КЦ. Сейчас мы масштабируем это решение на другие наши бренды», — Максим Лагуткин, руководитель клиентского сервиса Boostra.

Подробнее о проекте

Клиент и контекст

Boostra — крупный маркетплейс финансовых продуктов: кредиты, страхование, сопутствующие услуги. Особенности сегмента, усложняющие автоматизацию:

• сложные продуктовые условия;
• большой объём консультационных вопросов — по условиям договора, статусу заявки, начислениям, задолженности, срокам и способам оплаты;
• необходимость работы с персональными данными;
• высокий объём входящего трафика при ожидании клиентом мгновенного ответа.

Классический сценарный робот с жёсткой логикой диалога практически не применим при таком объёме продуктовой информации и сжатых сроках внедрения — отсюда решение в пользу LLM-модели, которая работает с диалогом в свободной форме, а не по фиксированному дереву сценариев.

Как построен сценарий

Клиент звонит → уточняет статус заявки → робот проверяет данные → сообщает результат → предлагает подключить дополнительную услугу → отправляет SMS с деталями → фиксирует обращение в CRM. В нестандартной ситуации ассистент передаёт звонок оператору вместе с историей диалога и кратким описанием запроса, чтобы сотрудник мог быстрее включиться в разговор.

Как внедряли

Проект реализован в четыре этапа: анализ входящих сценариев и выявление зон максимальной нагрузки → проектирование архитектуры и интеграция LLM-модели с CRM и внутренними системами → формирование базы знаний, тестирование диалогов и настройка логики передачи на оператора → пилотный запуск с последующей корректировкой и масштабированием сценариев.

Наиболее трудоёмким этапом стала интеграция с внутренними системами и обеспечение контроля корректности ответов при работе с финансовыми данными.

Другие примеры применения

• Голосовой робот для колл-центра «Лиги Ставок»
• Голосовой AI в телемаркетинге (рост ARPU)
• Автоматизация входящей линии в сети медклиник
• Робот для обработки заявок в банковском секторе