Аналитика разговоров администратор–пациент

01Бизнес-задача

Супервайзер слушает выборочно 5–10% звонков в неделю. Этого мало, 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.

Аналитика на ИИ делает 100% звонков прозрачными. Каждый разговор разобран: причина обращения, ключевые слова, отклонения от скрипта, итог. Супервайзер смотрит сводки на дашборде 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)

Дополнительный эффект — рост конверсии в запись на 5–15%. Появляется после первого разбора: администраторов учат по найденным причинам отказов.

03На чём собрано — обсуждается под клиента

Конкретный набор инструментов и интеграций — закрытая часть проекта. Собирается под клиента. Принцип: беру проверенные российские и зарубежные нейросети. Под требования безопасности — вариант на вашем сервере.

Что одинаково на всех проектах: данные остаются у клиента, я — подрядчик. Письменные гарантии по срокам и показатели качества прописаны в договоре. Журнал действий ИИ ведётся у вас.

04Что нужно на старте

• Записи звонков — хотя бы 500 за последний месяц, чтобы настроить категории и ответы модели
• Действующие скрипты администраторов — для сравнения с реальным поведением
• Данные о конверсии из базы клиники: 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 оферте (152-ФЗ)

05Точки риска

1. Плохое распознавание речи. Дешёвая модель путает «имплант» и «компрессор» — вся аналитика впустую. Защита: на пилоте сравниваем 3 модели на 100 реальных записях. Берём ту, что даёт точность выше 92% на медицинской лексике.
2. Разбивка по категориям плывёт. Через 2 месяца нейросеть иначе группирует звонки, и сравнение по периодам ломается. Защита: фиксируем версии правил и прогоняем проверки на контрольном наборе.
3. Конфликт с трудовым правом. Анализ «тона администратора» можно расценить как слежку. Защита: не показываем оценки по конкретным сотрудникам, только сводные цифры. Рамки обсуждаем с HR на старте.
4. Приватность. Звонки содержат персональные данные пациентов и медицинскую информацию. Защита: распознавание и обработка на стороне клиента (на вашем сервере или в российском облаке Yandex/Sber), телефоны и имена скрыты в дашборде.

06Анти-сценарий

• Меньше 20 звонков в сутки — данных мало, выводы статистически не значимы.
• Нет скриптов и данных о конверсии — не с чем сравнивать. Дашборд выйдет «общая аналитика разговоров» без бизнес-смысла.
• Цель «контроль сотрудников» вместо улучшения процессов. Закончится текучкой и саботажем. Если задача звучит «накажу администратора, который грубит» — не делаем.

07Связанные сценарии

• Приём первичных звонков голосовым ассистентом — связка естественная: аналитика показывает, где администратор пропускает, а голосовой ассистент закрывает эти зоны.
• Реактивация спящих пациентов — аналитика разговоров помогает строить поводы для реактивации по реальным сценариям.