«ОТП Банк»: речевая аналитика на базе ML и LLM помогает лучше понять клиентов
![]() |
Наши проекты:
Журнал · Discuz!ML · Wiki · DRKB · Помощь проекту |
|
| ПРАВИЛА | FAQ | Помощь | Поиск | Участники | Календарь | Избранное | RSS |
| [216.73.216.175] |
|
|
Внимательно прочитайте правила раздела
«ОТП Банк»: речевая аналитика на базе ML и LLM помогает лучше понять клиентов
|
Сообщ.
#1
,
|
|
|
|
«ОТП Банк»: речевая аналитика на базе ML и LLM помогает лучше понять клиентов
Начальник центра обучения и контроля качества контакт-центра «ОТП Банка» Ольга Сухарева и начальник отдела развития... Начальник центра обучения и контроля качества контакт-центра «ОТП Банка» Ольга Сухарева и начальник отдела развития голосовых роботов и речевой аналитики в Collection Светлана Рабехова представили результаты внедрения ИИ-инструментов речевой аналитики Naumen в коммуникации с клиентами. Об этом CNews сообщили представители «ОТП Банка». Эксперты рассказали, что в «ОТП Банке» на платформе речевой аналитики выстроена двухуровневая система анализа диалогов: на базе классических ML-моделей и больших языковых моделей — LLM. ML отвечает за массовые задачи: классификацию тематик, базовый контроль алгоритмов, автоматическую оценку всех звонков и чатов. LLM модель подключается там, где требуется глубокое понимание контекста, эмоций клиента и нюансов переговоров. Такой гибридный подход позволяет банку не только повысить качество сервиса и лучше понимать клиентов, но и получить измеримый экономический эффект. Как отметила Светлана Рабехова, речевая аналитика давно перестала быть просто инструментом контроля и сегодня выступает драйвером бизнес-показателей. Автоматическая оценка позволила анализировать 100% диалогов с клиентами, что привело к росту выполненных обещаний по оплате задолженности на 5,5%. Важно также отметить, что среднее время анализа одного диалога экспертом уменьшилось в 20 раз — с 7 минут до 20 секунд: можно быстро ознакомиться с сутью разговора без необходимости прослушивать полный диалог. Ольга Сухарева поделилась результатами реальных примеров внедрения инструмента в контакт-центре. Автоматическая оценка помогла на 1,7% чаще решать вопросы клиентов с первого обращения. Среднее время обработки звонков сократилось на 5 секунд, а конверсия в продажи выросла на 3,3%. Благодаря точному аудиту жалоб доля обращений в ЦБ России снизилась на четверть. Также выросла точность начисления сорри-бонусов с 85% до 97%. Адрес новости: https://corp.cnews.ru/news/line/2026-03-16_otp_bank_rechevaya_analitika |