עם מיליוני אינטראקציות בחודש, הסיבות האמיתיות לנטישת לקוחות נשארו קבורות בהקלטות ובתמלילי צ'אט שאף אחד לא יכול היה להגיע אליהם. בקרת האיכות התבססה על דגימה ידנית של 1% בלבד. הפעלנו AI על כלל השיחות, והכשלים סוף סוף צפו מעל פני השטח.
כאשר מוקד שירות מטפל במיליוני פניות בחודש, רוב התובנות העסקיות קבורות בהקלטות שמע ובתמלילי צ'אט שאף אדם אינו מסוגל להאזין להם או לקרוא אותם.
שיעור הנטישה עלה ותלונות דומות חזרו על עצמן, אך מנהלי השירות לא הצליחו להבין מה באמת מפריע ללקוחות או היכן התהליך משתבש. תמונת המצב שלהם התבססה כולה על דגימה ידנית של כ-1% מהשיחות, מה שהשאיר את הארגון בעיוורון כמעט מוחלט לגבי מגמות של כשלים, חוסר שביעות רצון ונקודות הכאב האמיתיות של המנויים.
העיוורון הזה עלה ביוקר. כשצצה תקלה מערכתית (כמו באג בממיר או שגיאת חיוב), נדרשו להנהלה ימים שלמים כדי לזהות את המגמה, וגם זה קרה רק לאחר שהמוקד כבר הוצף באלפי לקוחות זועמים. במקביל, בקרת האיכות, שהתבססה על מדגם של שתי שיחות בלבד לנציג בחודש, הייתה דלה מדי כדי לשקף ביצועים אמיתיים או לאתר פערי ידע קריטיים.
כל שיחה, צ'אט והודעה עוברים תמלול אוטומטי, מנותחים לפי סנטימנט ומקושרים ישירות לשורש הבעיה.
חיברנו את מאגר הנתונים הארגוני למנוע שמבצע תמלול וניתוח אוטומטי בזמן אמת של כל הקלטות הקול, הודעות הצ'אט, המיילים והפניות ברשתות החברתיות, אותם 99% שאיש מעולם לא הגיע אליהם.
המודל מזהה דפוסי שיחה ומנתח את טון הדיבור של הלקוח ואת רמת התסכול שלו, כך שחוסר שביעות רצון הופך מנתון אנקדוטלי למדד כמותי וברור.
המערכת מקבצת אוטומטית את הפניות ומציפה את שורש הבעיה (למשל, ”5,000 שיחות השבוע נבעו מקושי בסנכרון השלט החדש“), ומאפשרת למנהלים לראות את מהות הבעיה ולא רק את היקף הפניות.
המערכת מייצרת התראות על חריגות ומפיקה דוחות תובנות יומיים, הכוללים המלצות קונקרטיות לשיפור תהליכים במוקד או לטיפול בתקלות מול מחלקות ההנדסה והכספים, עוד לפני שהבעיה הופכת לכדור שלג.
המעבר מדגימה אקראית לניתוח של 100% מהשיחות מאפשר לבקרת האיכות לכסות כל אינטראקציה, ולהעניק לכל נציג משוב וליווי אישי ומדויק, במקום לקבוע את ביצועיו על סמך שתי שיחות בחודש בלבד.
ה-AI מאזין, מודד ומסמן, בעוד המנהלים וצוותי ההנדסה והכספים מחליטים מה לשנות. הוא הופך אוקיינוס של שיחות לרשימה ממוקדת של נושאים שדורשים תיקון, והאדם הוא זה שמתקן אותם בפועל.
הכשלים אותרו מוקדם, והפניות החוזרות נבלמו.
תקלות תפעוליות ושגיאות חיוב אותרו ותוקנו בתוך שעות במקום ימים, מה שמנע גלי פניות עצומים למוקד. כתוצאה מכך, שיעור הפניות החוזרות באותו נושא צנח ב-25%, מכיוון ששורש הבעיה תוקן ישירות במערכות הליבה ולא רק 'כובא' כשרפה מקומית במוקד.
המעבר מדגימה אקראית לניתוח של 100% מהשיחות הפך את בקרת האיכות לכלי ליווי אישי ומדויק עבור הנציגים, והביא לזינוק של 30% במדדי שביעות הרצון והנאמנות (NPS ו-CSAT).
הערך האמיתי נוצר מניתוח אותם 99% שבעבר היו בלתי נראים, ומהפיכת אוקיינוס של שיחות לרשימה מתועדפת של בעיות אמיתיות שניתן לפתור. זוהי בדיוק אותה מתודולוגיה שעומדת בבסיס עבודת ארכיון התוכן שלנו, שבה הפכנו חומרים שלא ניתן לבצע בהם חיפוש לנגישים ומאורגנים, אלא שהפעם יישמנו אותה על שיחות לקוחות במקום על ספריית וידאו. האנשים הם עדיין אלה שמחליטים מה לתקן, וה-AI רק מוודא ששום דבר חשוב לא יישאר קבור.
נציגים של חברת תקשורת גדולה השאירו לקוחות בהמתנה כדי לחפור בחמש מערכות, וה-CSAT הידרדר. עוזר AI מעוגן על המסך חתך את החיפוש תוך כדי שיחה ב-42% והעלה CSAT מ-56% ל-77%.
לפרויקט המלא ← קופיילוט מכירות · SaaSלפלטפורמת תוכנה לקח 3 חודשים להכשיר נציג שעדיין נתקע באמצע שיחה. קופיילוט מכירות בזמן אמת עם דפי מסרים מכירתיים ומאמן AI קיצרו את החניכה ל-3 שבועות והעלו עסקאות לנציג ב-150%.
לפרויקט המלא ←