LLM-робот на входящей линии: автоматизация клиентского сервиса финтех-маркетплейса
О проекте
Финтех-маркетплейс Boostra ежедневно обрабатывает тысячи обращений по кредитным и страховым продуктам. Рост клиентской базы привёл к увеличению нагрузки на контакт-центр, очередям на линии и росту операционных затрат.
Задача проекта — автоматизировать входящую линию без потери качества диалога и без расширения штата операторов. Решением стал LLM-голосовой ассистент, интегрированный в CRM и внутренние системы компании.
Уже через два месяца после запуска робот обрабатывал 56% входящих обращений, а 30% запросов закрывались полностью без участия оператора.
Клиент и контекст
Boostra — крупный маркетплейс финансовых продуктов (кредиты, страхование, сопутствующие услуги).
Особенности сегмента:
- сложные продуктовые условия;
- большое количество консультационных вопросов;
- необходимость работы с персональными данными;
- высокий объём входящего трафика;
- ожидание мгновенного ответа со стороны клиента.
Классическая модель масштабирования — увеличение штата операторов — перестала быть эффективной. Задача стояла не просто в снижении нагрузки, а в сохранении качества клиентского диалога при росте обращений.
Цели и KPI
Основные цели проекта:
- Снизить нагрузку на операторов.
- Исключить ожидание клиентов на линии.
- Автоматизировать консультационные сценарии.
- Повысить устойчивость контакт-центра.
- Не увеличивать штат при росте бизнеса.
Ключевые показатели за первые 2 месяца:
- 56% входящих обращений обрабатывает робот.
- 30% запросов закрываются полностью без оператора.
- 0 пропущенных звонков.
- Стабильная работа при высоком трафике.
- Целевой показатель автоматизации — 70%.
Как работает LLM-робот
В отличие от классической сценарной логики, LLM-ассистент работает с диалогом в свободной форме.
Он:
- понимает формулировки клиента;
- уточняет детали запроса;
- обращается к данным по договору;
- выполняет действия в рамках диалога;
- передаёт оператору уже собранный контекст при необходимости.
Основные сценарии
- Консультации по кредитным и страховым продуктам.
- Предоставление информации по действующему договору.
- Проверка статуса заявки.
- Подключение и отключение дополнительных услуг.
- Отправка SMS с реквизитами и ссылками.
- Обработка частых вопросов.
- Перевод на оператора при сложных кейсах.
Пример пользовательского сценария
Клиент звонит → уточняет статус заявки → робот проверяет данные → сообщает результат → предлагает подключить дополнительную услугу → отправляет SMS с деталями → фиксирует обращение в CRM.
В случае нестандартной ситуации ассистент передаёт звонок оператору вместе с историей диалога.
Внедрение
Проект реализован в несколько этапов.
1. Аналитика
- Анализ входящих сценариев.
- Выявление типовых консультационных запросов.
- Определение зон максимальной нагрузки.
2. Проектирование архитектуры
- Настройка LLM-модели.
- Интеграция с CRM и внутренними системами.
- Настройка доступа к данным по договорам.
3. Обучение и контроль качества
- Формирование базы знаний.
- Тестирование диалогов.
- Настройка логики передачи на оператора.
4. Запуск и оптимизация
- Пилотный запуск.
- Корректировка на основе аналитики.
- Масштабирование сценариев.
Наиболее трудоёмким этапом стала интеграция с внутренними системами и обеспечение контроля корректности ответов при работе с финансовыми данными.
Результаты внедрения
Через два месяца после запуска:
- 56% входящих обращений обрабатываются роботом.
- 30% запросов полностью закрываются без участия оператора.
- Отсутствуют очереди и пропущенные звонки.
- Операторы сфокусированы на сложных кейсах.
- Повышена устойчивость КЦ при пиковом трафике.
Решение стало не вспомогательным инструментом, а центральным элементом входящей линии.
Компания планирует масштабировать технологию на другие бренды внутри группы.
Другие примеры применения
Посмотрите кейсы с похожими задачами:
- 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.