AI-робот на входящей линии: снижение ложных переводов с 17% до 1,54%
О проекте
Крупный федеральный онлайн-ритейлер бытовой техники столкнулся с проблемой неточной маршрутизации обращений на входящей линии. До внедрения AI-ассистента доля ложных переводов на профильные отделы достигала 17%. Это увеличивало нагрузку на контакт-центр, удлиняло время обработки запросов и снижало клиентский опыт.
Был внедрён обновлённый AI-робот нового поколения с уточняющими вопросами и интеллектуальной логикой классификации. В результате доля ошибочной маршрутизации сократилась до 1,54%.
Клиент и контекст
Холодильник.ру — один из крупнейших e-commerce-ритейлеров бытовой техники в России.
Специфика бизнеса:
- тысячи входящих обращений ежедневно;
- разные типы запросов: доставка, возвраты, гарантия, установка, сервис;
- высокая стоимость ошибки маршрутизации;
- сложная структура профильных отделов.
При большом потоке входящих даже небольшой процент ошибочных переводов создаёт значительную дополнительную нагрузку.
Цели и KPI
Проект ставил перед собой задачи:
- Снизить долю ложных переводов.
- Повысить точность маршрутизации.
- Сократить нагрузку на контакт-центр.
- Исключить ожидание клиента на линии.
- Заменить классический IVR более гибкой логикой.
Результаты:
- Снижение ложных переводов с 17% до 1,54%.
- –15% нагрузка на КЦ.
- 0 минут ожидания на линии.
- Повышение точности классификации обращений.
Как работает технология
Обновлённый AI-робот заменяет классический IVR и работает как интеллектуальный агент первой линии.
Ключевые механики:
- задаёт уточняющие вопросы;
- анализирует формулировки клиента;
- определяет категорию обращения;
- направляет в профильный отдел;
- передаёт уже собранный контекст оператору.
Пример сценария
Клиент звонит → говорит «Хочу узнать по доставке холодильника» → робот уточняет номер заказа → определяет категорию «Логистика» → переводит в соответствующий отдел без участия лишних операторов.
В отличие от статичного IVR, система динамически уточняет запрос, что и позволило снизить процент ошибочной маршрутизации.
Внедрение
Этапы проекта:
- Анализ структуры обращений и причин ложных переводов.
- Перепроектирование логики IVR.
- Добавление уточняющих диалогов.
- Интеграция с CRM и системами КЦ.
- Нагрузочное тестирование.
- Запуск и аналитическая оптимизация.
Особое внимание уделялось точности классификации и стабильности при высоком трафике.
Результаты внедрения
После запуска:
- Доля ложных переводов — 1,54%.
- Снижение операционной нагрузки.
- Минимизация повторных переводов.
- Повышение скорости обработки.
- Улучшение клиентского опыта.
Проект показал, что интеллектуальный IVR может быть полноценной заменой традиционным голосовым меню.