ИИ-агенты, речевая аналитика и персонализация: дайджест исследований Naumen за 2025 год

ИИ-модели в прогнозировании нагрузки колл-центров позволяют экономить миллионы рублей в год

Исследование Анны Парамоновой — ведущего эксперта Naumen WFM.

Что исследовали:

Оценили, насколько AI-прогнозирование нагрузки в клиентском сервисе эффективнее классических моделей WFM. Для этого проанализировали 15 очередей с разными временными горизонтами, замерили точность прогноза по ключевым метрикам и сравнили долю суммарной ошибки.

Ключевые выводы:

• Ошибка прогноза на уровне ~1000 обращений в день может стоить бизнесу около 10,2 млн рублей в год.
• AI-прогноз может снизить ошибки прогнозирования на треть по сравнению с классическим WFM, а его точность может достигать более 90%.
• Точный прогноз позволяет на 10–15% сокращать расходы на ФОТ.
• Благодаря AI-прогнозу растут показатели качества сервиса: CSAT, NPS, SL и другие метрики.

AI-прогнозирование в сфере клиентской поддержки уже используют крупные компании от British Telecom до American Express. Эксперты Naumen советуют перейти на умный прогноз, если вы сталкиваетесь с неравномерной нагрузкой, хотите быстро запустить новые продукты или маркетинговые кампании, работаете через несколько каналов или нуждаетесь в сверхточной оценке нагрузки.

Операторы банков используют имя клиентов в 31% звонков, а контрольный вопрос — в 20%

Исследование Антона Бученкова — руководителя продукта Naumen CI.

Что исследовали:

С помощью AI-речевой аналитики оценили soft-skills операторов банков и определили точки роста. Исследование основано на более чем 3000 звонках в 98 банков в неавторизованной зоне. LLM-модель охватывала всю сессию и оценивала качество клиентского опыта, эффективность и скорость решения вопроса, а также конверсионный потенциал контактов.

Ключевые выводы:

• Всего в 31% диалогов операторы запрашивают имя клиента и затем используют его в разговоре.

• Резюмирование и контрольный вопрос встречаются лишь в 20% звонков, что повышает риск повторных обращений и снижает FCR.
• Конверсия в звонках с потенциальной возможностью продажи составляет всего 15% — в остальных случаях операторы не пытаются превратить лида в клиента.

Исследование Naumen показывает, что в реальных разговорах даже базовые элементы коммуникации используются нерегулярно. Чтобы улучшать сервис и конверсию, компаниям важно системно оценивать клиентские диалоги: выявлять узкие места и точки упущенной прибыли, а также генерировать ценные бизнес-инсайты. Все эти задачи уже решают инструменты речевой аналитики.

AI-агенты могут поднять потолок автоматизации поддержки в банках до 90%

Исследование Александры Дехановой — руководителя направления генеративного и диалогового ИИ Naumen.

Что исследовали:

Проанализировали, почему автоматизация клиентской поддержки в банках упирается в потолок и с какими ограничениями уже сейчас могут справиться LLM-технологии. Рассмотрели, как AI-агенты позволяют влиять на удовлетворённость и лояльность клиентов.

Ключевые выводы:

• Автоматизация клиентской поддержки в банках в среднем достигает 50–60% и упирается в потолок ~70% при использовании классических NLU-ботов.
• Основные технологические ограничения — неполные или неоднозначные запросы клиентов, отсутствие контекстной «памяти» и необходимость агрегировать данные из множества информационных систем.
• LLM и GenAI-инструменты уже могут снимать часть технологических и организационных барьеров автоматизации.
• В отличие от NLU-бота, AI-агент понимает контекст, предпочтения собеседника и ведёт диалог без жёсткого скрипта. Это позволяет дать релевантное предложение и обеспечить вау-эффект в клиентском опыте.
• AI-агенты потенциально могут увеличить уровень автоматизации до 90% и позитивно влиять на метрики клиентского опыта.

Эти наблюдения указывают вектор развития клиентской поддержки: от сценарных ботов — к гибким AI-агентам, работающим с контекстом и намерениями клиента. Отдельные элементы этого подхода уже находят практическое применение в голосовых каналах.

Новый драйвер продаж — сквозная персонализация

Исследование Сергея Попова — руководителя направления контакт-центров и автоматизации клиентского сервиса Naumen.

Что исследовали:

Проанализировали ключевые отраслевые исследования и опросы (Zendesk, Salesforce, Intercom, Segment, Freshworks и др.), чтобы понять, чего клиенты ожидают от сервиса. В фокусе — разрыв между ожиданиями клиентов и фактическим опытом взаимодействия с компаниями в разных каналах.

Ключевые выводы:

• 66% клиентов готовы отказаться от бренда, если опыт взаимодействия с ним не будем персонализированным.
• 55% клиентов испытывают ощущение, что общаются не с одной компанией, а с разными группами людей — из-за рассинхрона между каналами.
• Ключевой челлендж для перехода к сквозной персонализации и предиктивной модели сервиса — активация клиентских данных в едином окне.
• Инсайты из диалогов — новый драйвер продаж: клиенты сами дают сигналы (причины отказов, сравнение с конкурентами, маркеры негатива и позитива), которые можно зафиксировать в системе и использовать в коммуникациях.

Анализ показывает, что персонализация перестаёт быть «надстройкой» над сервисом и становится базовым ожиданием клиентов. Компании, которые не используют данные из реальных диалогов и не объединяют их в едином контексте, могут терять лояльность и потенциал продаж.

Клиенты банков в среднем ждут оператора 107 секунд, а голосовой канал — лидер по FCR

Исследование Валерии Чижиковой — руководителя направления исследований клиентского сервиса Naumen.

Что исследовали:

Изучили качество клиентского обслуживания в банках, а также широту использования чат-ботов и виртуальных помощников. Проанализировали разные каналы: чаты на сайте, мобильное приложение, мессенджеры и соцсети, e-mail и формы обратной связи.

Исследование голосового канала охватило 79 номеров ведущих розничных банков — на каждый эксперты Naumen позвонили от 30 до 50 раз. Оценивались доступность сервиса, скорость реакции и качество обслуживания операторов и голосовых помощников.

Ключевые выводы:

• Доступность банков в голосовых каналах выросла на 8 п. п. к 2024 году: соединение устанавливается в пределах 90 секунд в 80% звонков.
• 107 секунд в среднем ждут клиенты после постановки в очередь на оператора. При этом более 50% звонков приняты до 5 секунд ожидания ответа.
• Среди топ-79 банков 32% используют голосового помощника на входящих линиях, а 22% имеют чат-бота. В основном это банки с активами от 100 млрд рублей.
• По уровню FCR лидируют звонки (97%), далее — чаты на сайте (87%) и Вконтакте (77%).

Звонки остаются важным каналом решения клиентских вопросов, где от скорости ответа напрямую зависит восприятие сервиса. Конкурентное преимущество получают компании, которые умеют управлять доступностью входящего канала, очередями и нагрузкой в пиковые периоды.