Представьте: вы руководитель контакт-центра. В понедельник AHT резко вырос на 15%, FCR упал до 62%, а CSAT просел до 3.8. В Excel вы видите цифры, но причины — загадка. Может, новый оператор? Изменение скрипта? Сбой в CRM? Традиционные BI-дашборды показывают тренды, но не отвечают на «почему». Мы разрабатываем дашборд, который не просто отображает метрики, а автоматически диагностирует каждое отклонение с помощью LLM. Система анализирует контекст: штатное расписание, проведённые обучения, исторические паттерны — и выдаёт 2–3 вероятные причины изменения. Это экономит 2–3 часа работы аналитика в день, сокращает время реакции на проблемы с часов до минут и снижает операционные затраты на 25–30% — до $18k–26k. в год для среднего контакт-центра. AI-диагностика в 10 раз быстрее ручного анализа.
Метрики дашборда: полный набор показателей
Дашборд собирает данные из PBX, CRM, QM и WFM. Модель данных включает все критические показатели, включая AI-метрики: containment rate (доля закрытых ботом), deflection rate (переключение на self-service), automation accuracy. Для хранения исторических трендов и событий используем pgvector — это позволяет LLM получать релевантный контекст через поиск по embeddings.
from dataclasses import dataclass from typing import Optional @dataclass class ContactCenterMetrics: period: str # Объёмные метрики total_calls: int answered_calls: int abandoned_calls: int # Скоростные метрики average_speed_of_answer: float # ASA (секунды) average_handle_time: float # AHT (секунды) average_after_call_work: float # ACW (секунды) # Качественные метрики first_call_resolution: float # FCR (%) customer_satisfaction: float # CSAT (1–5) net_promoter_score: float # NPS (-100..100) quality_score: float # Средний QA score # Нагрузочные метрики service_level: float # % звонков за N секунд occupancy: float # % занятости операторов agent_utilization: float # productive time % # AI-метрики containment_rate: Optional[float] = None # % закрытых ботом deflection_rate: Optional[float] = None # % отклонённых в self-service automation_accuracy: Optional[float] = None Детальная таблица метрик
| Метрика | Описание | Источник | Целевое значение |
|---|---|---|---|
| AHT | Средняя длительность обработки звонка | PBX/ACD | < 300 сек |
| FCR | % решённых с первого звонка | CRM/QM | > 70% |
| CSAT | Оценка удовлетворённости (1–5) | Post-call survey | > 4.0 |
| NPS | Лояльность клиентов (−100..100) | Regular survey | > 50 |
| Service Level | % звонков за N секунд | Real-time metrics | > 80% за 20 сек |
| Occupancy | % времени в разговоре | Workforce | 75–85% |
Как мы строим API для дашборда?
@app.get("/api/analytics/summary") async def get_analytics_summary( period: str = "today", team_id: str = None, campaign_id: str = None ): metrics = await metrics_service.get_metrics( period=period, filters={"team_id": team_id, "campaign_id": campaign_id} ) # AI-диагностика аномалий — chain-of-thought промптинг anomalies = await anomaly_detector.detect(metrics) # Тренды относительно предыдущего периода trends = await calculate_trends(metrics, period) return { "metrics": metrics, "anomalies": anomalies, "trends": trends, "alerts": [a for a in anomalies if a["severity"] == "high"] } Почему AI-диагностика точнее ручного анализа?
Традиционный BI-дашборд показывает тренды, но не объясняет их. Наш AI-слой использует chain-of-thought промптинг: LLM получает контекст (изменение AHT, штатное расписание, обучение, события в CRM) и выдаёт 2–3 вероятные причины изменения метрики. Это экономит 2–3 часа работы аналитика в день и позволяет реагировать на аномалии за минуты, а не часы. Исследование Gartner показывает, что такие системы сокращают время анализа на 40%.
async def diagnose_metric_change( metric: str, current_value: float, previous_value: float, context_data: dict ) -> dict: """LLM объясняет почему метрика изменилась""" change_pct = (current_value - previous_value) / previous_value * 100 if abs(change_pct) < 5: return {"significant": False} response = await client.chat.completions.create( model="gpt-4o", messages=[{ "role": "system", "content": "Ты аналитик контакт-центра. Объясни изменение метрики." }, { "role": "user", "content": f""" Метрика: {metric} Изменение: {previous_value:.1f} → {current_value:.1f} ({change_pct:+.1f}%) Контекст: - AHT: {context_data.get('aht_trend')} - Staffing: {context_data.get('staffing')} - New agents: {context_data.get('new_agents_count')} - Recent training: {context_data.get('recent_training')} Назови 2–3 вероятные причины. Кратко.""" }] ) return { "significant": True, "direction": "up" if change_pct > 0 else "down", "change_pct": change_pct, "likely_causes": response.choices[0].message.content } Как мы обрабатываем данные для дашборда?
Данные поступают из нескольких источников: PBX (Avaya, Genesys, Asterisk), CRM (Salesforce, 1С, Bitrix24) и систем QA. ETL-пайплайн на Python агрегирует их в единую модель, которая сохраняется в PostgreSQL с расширением pgvector. Для AI-диагностики мы загружаем в векторную базу контекст: исторические тренды, события (обучения, смены скриптов), профили операторов. LLM (GPT-4o, Claude 3.5 или LLaMA 3) получает срез этих данных и генерирует объяснение. Нагрузочное тестирование подтверждает p99 latency < 200 мс при 1000 одновременных пользователей. Для уменьшения latency используем квантизацию модели (INT8) и кэширование результатов.
| Источник | Тип данных | Частота обновления |
|---|---|---|
| PBX | звонки, длительность, ожидание | реальное время |
| CRM | статусы заказов, жалобы | 5 мин |
| QM | оценки качества, скрипты | ежедневно |
| WFM | расписание, навыки | ежедневно |
Что входит в работу под ключ?
- Аналитика — интеграция с PBX, CRM, QM (Avaya, Genesys, Asterisk, 1С). Проектирование модели данных, согласование метрик.
- Разработка бэкенда — FastAPI, агрегация метрик, детектор аномалий (Isolation Forest + LLM).
- Фронтенд — React-дашборд с drill-down по операторам, командам, периодам. Реальные метрики обновляются в режиме реального времени.
- AI-модуль — LLM-диагностика (GPT-4o / Claude 3.5 / LLaMA 3 fine-tuned). Контекстная база в pgvector. Для экономии бюджета используем LoRA-адаптеры под специфику датасета.
- Тестирование — нагрузочное до 1000 одновременных пользователей, p99 latency < 200 мс.
- Деплой и документация — Docker Compose / Kubernetes, Swagger, инструкция по эксплуатации. Обучаем команду.
Сроки разработки
Базовый дашборд с 10 метриками и трендами — 3–4 недели. Полная платформа с AI-диагностикой, прогнозированием (LSTM) и оповещениями — 2–3 месяца. Стоимость рассчитывается индивидуально под объём интеграций.
Типичные ошибки при внедрении AI-аналитики
- Нет контекста — LLM без данных о загрузке операторов, обучении и кампаниях даёт нерелевантные причины. Мы подключаем все источники.
- Игнорирование latency — синхронный вызов LLM блокирует UI. Используем очередь (Celery/Redis) и кэш метрик.
- Отсутствие explainability — просто показать "AHT вырос" недостаточно. Наш дашборд показывает источники данных для каждого вывода.
Мы имеем 5+ лет опыта в разработке аналитических платформ, более 30 проектов для контакт-центров. Гарантируем SLA, прозрачную отчётность и поддержку после внедрения. Закажите консультацию, и мы покажем демо на ваших данных. Оцените возможности — свяжитесь через форму на сайте.