Аналитика разговоров администратор–пациент

01Бизнес-задача

Супервайзер слушает выборочно 5–10% звонков в неделю — этого недостаточно, чтобы видеть систему: где администратор сливает запись, как меняется тон в пик, какие вопросы повторяются и не закрыты прайсом. Большинство клиник работают на интуиции, а не на цифрах.

AI-аналитика делает 100% звонков прозрачными: каждый разговор разобран по причине обращения, ключевым словам, точкам отклонения от скрипта и итогу. Супервайзер смотрит дашборд с агрегатами и копается в конкретных кейсах, а не слушает 30 часов в неделю.

02Типовой ROI

Параметры расчёта:

• Поток звонков — 30–80 в сутки на клинику
• Время супервайзера на 1 звонок при ручном прослушивании — 6–10 мин (включая заметки)
• Ставка супервайзера / руководителя колл-центра — 80–150 тыс ₽/мес
• Стоимость внедрения — 200–400 тыс ₽ разово
• Операционные расходы (ASR + LLM анализ) — 15–35 тыс ₽/мес на клинику

Дополнительный эффект — рост конверсии в запись на 5–15% после первой итерации обучения администраторов по найденным паттернам отказов.

03Стек — обсуждается под клиента

Конкретный набор моделей, фреймворков и интеграций — закрытая часть проекта, под клиента. На уровне принципа: используем проверенные российские и зарубежные LLM, под compliance требованиям — приватные/on-premise варианты.

Что фиксированно для всех проектов: данные клиента остаются у него, мы — подрядчик; SLA и метрики качества прописаны в договоре; аудит-лог действий AI ведётся у вас.

04Что нужно на старте

• Записи звонков — хотя бы 500 за последний месяц для калибровки категорий и обучения промптов
• Действующие скрипты администраторов — для сравнения с реальным поведением
• Конверсионные метрики из CRM: какие звонки закончились записью, какие — нет
• Перечень типовых причин обращений, который вы хотите различать (10–20 категорий)
• Согласие пациентов на запись звонков — должно быть в стандартной офферте (152-ФЗ)

05Точки риска

1. Качество ASR. Дешёвая ASR-модель путает «имплант» и «компрессор» — все аналитики коту под хвост. Защита: на пилоте сравнить 3 модели на 100 реальных записях, выбрать ту, где accuracy > 92% на медицинской лексике.
2. Категоризация дрейфит. Через 2 месяца LLM начинает иначе группировать звонки, и сравнение по периодам ломается. Защита: версионирование промптов + регрессионные тесты на eval-наборе.
3. Конфликт с трудовым правом. Анализ «тона администратора» можно расценить как слежку. Защита: не выкладывать оценки конкретным сотрудникам, использовать только агрегаты + обсудить рамки с HR на старте.
4. Privacy. Звонки содержат ПДн пациентов и медицинскую информацию. Защита: ASR и LLM-обработка в контуре клиента (on-prem или yandex/sber cloud в РФ), redacting телефонов/имён в дашборде.

06Анти-сценарий

• Меньше 20 звонков в сутки — данных мало, выводы статистически не значимы.
• Нет скриптов и метрик конверсии — нечего сравнивать с реальным поведением, дашборд получится «общая аналитика разговоров» без бизнес-смысла.
• Цель «контроль сотрудников» вместо улучшения процессов. Закончится текучкой и саботажем. Если задача звучит «накажу администратора, который грубит» — не делать.

07Связанные сценарии

• Приём первичных звонков голосовым ассистентом — связка естественная: сначала AI-аналитика показывает где администратор пропускает, потом голосовой ассистент закрывает эти зоны.
• Реактивация спящих пациентов — аналитика разговоров помогает строить триггеры реактивации по реальным паттернам.