Ситуация
Наш клиент MyGig — приложение для поиска подработки для специалистов рабочих специальностей: грузчиков, комплектовщиков, работников торгового зала, курьеров и других. Оно соединяет «подработчиков» и работодателей: магазин или кафе в короткие сроки получают нового временного сотрудника, а исполнитель — работу и выплаты после каждой смены.
Проблема
Хотя в приложении регистрируются люди, заинтересованные в заработке, не все из них доходят даже до этапа загрузки документов. Например, пользователь мог забыть, что заводил аккаунт. Нередко задержки были связаны с документами: пользователь не понимает, как загрузить их в приложение, — или просто не хочет этого делать, так как боится передавать личные данные посторонним лицам. Чтобы повысить доверие и уменьшить процент потерь, сервис решил сопровождать зарегистрированных пользователей с помощью звонков.
До обращения в сервис Zvonobot задачу решали силами колл-центра. Менеджеры звонили новым пользователям, которые указали номер телефона, но не загрузили данные, необходимые для начала работы (копия паспорта, реквизиты карты и подтверждение самозанятости). Звонок стал первым этапом онбординга: менеджер знакомил пользователя с сервисом, отвечал на вопросы, помогал завершить регистрацию или связаться с рекрутером для консультации.
Благодаря этому меньше людей стало теряться на первых этапах. В процентном соотношении конверсия в переход распределилась так:
| Группа пользователей | До внедрения сопровождения | Колл-центр |
| Завершившие регистрацию (загрузили паспорт) | 1,4% | 14,54% |
| Готовые к работе (загрузили ИНН самозанятого) | 6,4% | 10,07% |
Завершившие регистрацию (загрузили паспорт) - 1,4% (До внедрения сопровождения) - 14,54% (Колл-центр)
Готовые к работе (загрузили ИНН самозанятого) - 6,4% (До внедрения сопровождения) - 10,07% (Колл-центр)
Количество дошедших на каждом этапе
Тем не менее, этих результатов оказалось недостаточно для компенсации затрат на оплату услуг колл-центра. Чтобы продолжить работу, нужно было улучшить показатели или снизить затраты на обзвон. Например, через увеличение скорости звонков. Руками это сделать невозможно, поэтому компания решила автоматизировать сценарий сопровождения с помощью робота от Zvonobot.
На этапе тестов с колл-центром выявилась еще одна проблема: хотя количество пользователей, готовых к выбору подработки, стало больше, количество тех, кто выходил на смену и завершал задачи не изменилось — то есть конверсия в переход на финальный этап стала даже меньше.
Чтобы повысить этот процент, решили запустить систему напоминаний для тех пользователей, которые уже забронировали смену. Это помогло бы поддерживать актуальность данных в приложении. Например, если пользователь заранее сообщал, что не собирается выходить на смену, бронирование снималось, и задача становилась доступна для других. Так как этот сценарий требовал высокой степени автоматизации, протестировать идею решили сразу в Zvonobot.
Задача
Повысить количество пользователей, которые завершили регистрацию (загрузили все документы), количество успешно выполненных задач и снизить цену сопровождения.
Решение
Шаг 1. Создание сценария
Специалисты Zvonobot записали аудиоролики и создали два сценария по запросам заказчика.
В первом сценарии робот собирал данные о возможности пользователя приступить к работе.
Есть ли у потенциального работника необходимые документы и проживает ли он в городе, в котором приложение предоставляет услуги. Если пользователь подходил по критериям, робот связывал его с менеджером сервиса, который помогал подобрать первую подработку.
Для переключения этапов использовали систему распознавание голоса — робот реагировал на речь собеседника и переключал этапы диалога, когда определял ключевые слова, указанные в сценарии. Во-первых, так собеседники проще усваивали скрипт с множеством вопросов, а во-вторых, сервис не терял доверия пользователей — они принимали робота за человека, поэтому свободнее делились личной информацией.
Во втором сценарии накануне выхода робот напоминал о забронированной смене.
Скрипт содержал всего один вопрос, поэтому для переключения этапов использовали распознавание с помощью клавиш. Это стоило дешевле и никак не влияло на доверие пользователей — получать напоминания от робота для многих стало привычным.
Шаг 2. API-интеграция
После согласования сценариев, из них создали шаблоны для рассылок в личном кабинете Zvonobot.
Далее, чтобы автоматизировать передачу данных и получать результаты в удобном для заказчика виде, нужно было связать сервис с Google-таблицами. Для этого оба сценария преобразовали в API-шаблоны, а технический специалист Zvonobot создал вебхук, который отправлял информацию как из блоков IVR, так и из статистики по каждому звонку.
Шаг 3. Запуск
Чтобы результаты можно было сравнить, специалисты решили провести пилотный запуск по ограниченной выборке пользователей.
Перед запуском технический специалист компании MyGig провёл тест — запрос на звонок выполнился успешно, а данные отправились в таблицу согласно заложенному алгоритму. Сразу после этого сервис запустили по базам из выборок.
Что автоматизировали?
Набор и обзвон большой базы номеров;Сопровождение и квалификация лидов;
Напоминания о собеседовании или выходе на смену.
Реализация
Так как аудиоролики прошли модерацию заранее, звонки по базам начинались сразу после отправки запроса по API.
Сценарий 1
По первому сценарию робот проводил опрос клиента: выяснял наличие паспорта РФ, медицинской книжки, а также город, в котором пользователь ищет работу.
Клиент мог отвечать на вопросы с помощью голоса: сценарий состоял из закрытых вопросов и учитывал самые популярные ответы. А если робот не распознавал ключевое слово, скрипт не завершался, а переходил на этап уточнения — «Я вас не расслышала, повторите, пожалуйста».
Такой звонок мотивировал пользователя закончить регистрацию и помогал разобраться, как начать работу, — с помощью перевода звонка на менеджера. Он происходил, если клиент подтверждал наличие всех документов и сообщал, что находится в городе, где есть партнеры сервиса. В остальных случаях номер клиента перемещался в базу для дальнейшей обработки, а робот завершал звонок.
Сценарий 2
По второму сценарию робот звонил тем, кто забронировал смену: напоминал о выходе и выяснял, планирует ли пользователь приступать к работе.
Клиент мог ответить на вопрос «Все ли у вас в силе?» с помощью клавиш: 1 — да, 2 — нет. В зависимости от выбранного ответа, номер клиента попадал в определенную базу, и робот завершал звонок.
После завершения рассылки по каждому из сценариев Zvonobot автоматически отправлял вебхук на передачу статистики по звонкам в Google-таблицу заказчика.
Результат
Первый сценарий (онбординг) повысил процент готовых к работе пользователей
После внедрения автозвонков количество пользователей, которые завершили регистрацию, выросло в 5 раз, а количество полностью готовых к работе — в 4 раза. То есть тестовый проект доказал, что сопровождение клиентов можно автоматизировать без потери продуктивности. На звонок от робота пользователи реагировали так же, как и на звонок оператора, но обзвон проходил оперативнее.
Хотя колл-центр на старте лучше убеждал пользователей загрузить паспорт, Zvonobot удалось оптимизировать затраты на обзвон. Если минута работы оператора в среднем стоила от 7 до 10 рублей, то минута робота — менее 5 рублей. То есть обработка того же объема регистраций с помощью колл-центра или штатных рекрутеров обошлась бы минимум в два раза дороже.
Постепенно выросли и основные показатели: при сопровождении роботом количество пользователей, которые загрузили все документы, стало в 2,5 раза больше, чем было при сопровождении менеджерами.
В процентном соотношении конверсия в переход между этапами выглядела так:
| Группа пользователей | До внедрения сопровождения | Колл-центр | Zvonobot |
| Завершившие регистрацию | 1,4% | 14,54% | 6,8% |
| Готовые к работе | 6,4% | 10,07% | 23,5% |
Завершившие регистрацию (загрузили паспорт) - 1,4% (До внедрения сопровождения) - 14,54% (Колл-центр) - 6,8% (Zvonobot)
Готовые к работе - 6,4% (До внедрения сопровождения) - 10,07% (Колл-центр) - 23,5% (Zvonobot)
Сравнение результатов после пилотного запуска
Также, в отличие от оператора, робот защищен от ошибок из-за человеческого фактора (стресс, плохая память, эмоции), поэтому он всегда следовал сценарию: уделял время каждому пользователю и звонил точно в нужный момент, без задержек и пропусков
В качестве бонуса сервису удалось автоматизировать и задачу по квалификации лидов — менеджеры не тратили свое время на тех, кто не соответствовал требованиям MyGig.
Количество исполнителей, вышедших на подработку, увеличилось пропорционально — в 4 раза. По одной из выборок процент конверсии в переход на финальный этап выглядел так:
| Группа пользователей | До внедрения сопровождения | Zvonobot |
| Вышедшие на смену | 3,2% | 12,6% |
Вышедшие на смену - 3,2% (До внедрения сопровождения) - 12,6% (Zvonobot)
Сравнение результатов после звонков по выборкам
Второй сценарий (напоминания о смене) не оказал влияния на показатели
Специалистам не удалось подтвердить, действительно ли Zvonobot мотивировал исполнителя выйти на забронированную подработку. После пилотного запуска они сравнили количество завершенных смен, и показатели «до» и «после» оказались примерно равны:
| Группа пользователей | До внедрения сопровождения | Zvonobot |
| Вышедшие на смену | 31,24% | 30,54% |
Вышедшие на смену - 31,24% (До внедрения сопровождения) - 30,54% (Zvonobot)
Сравнение результатов выхода на смену по количеству выполненных задач
Тем не менее, эти показатели зависят от множества факторов — например, от той же выборки. Поэтому нельзя утверждать, что автоматические напоминания никак не скажутся на количестве закрытых смен, — для качественных результатов требуется больше тестов.
Отзыв клиента
«У нас с внедрением Zvonobot выросло количество трудоустроенных в 2 раза, а готовых к работе в 5 раз — кажется, это лучший и самый лаконичный отзыв, который можно придумать».
