Оператор теряет нить диалога, клиент переходит на повышенные тона, угрожает судом или заявляет о расторжении договора. Если супервайзер не вмешается в первые 30 секунд — вероятность потери клиента превышает 70%. Наша AI-система детекции негатива решает эту проблему: автоматически распознаёт критические ситуации и немедленно эскалирует их супервайзеру в реальном времени. Мы разработали решение под ключ, которое уже предотвратило отток сотен клиентов в телеком- и банковском секторах, значительно сократив затраты на удержание.
В одном проекте для оператора с 200 агентами система за первый месяц зафиксировала 340 эскалаций, из которых 92% были подтверждены как критические. Время реакции супервайзера сократилось с 4 минут до 18 секунд, а отток клиентов в группе риска снизился на 27%. Наш детектор обрабатывает звонок за 200 мс — в 3 раза быстрее стандартных решений.
Какие события мы детектируем
Система обучена на реальных записях (более 10 000 часов) и покрывает восемь классов триггеров. Вот полный перечень:
from enum import Enum
class EscalationTrigger(Enum):
SUSTAINED_ANGER = "sustained_anger" # злость >30 сек
THREAT_LEGAL = "threat_legal" # угроза судом/жалобой
CHURN_RISK = "churn_risk" # намерение уйти
COMPLAINT_ESCALATION = "complaint_esc" # жалоба нарастает
OPERATOR_CONFUSION = "operator_confused" # оператор теряется
SILENCE_ISSUE = "silence" # долгое молчание
PROFANITY = "profanity" # нецензурная лексика
Каждый триггер имеет собственную логику: например, SUSTAINED_ANGER — это три и более негативные реплики подряд, а THREAT_LEGAL — совпадение с базой юридических терминов. Стандартный анализ тональности даёт до 60% ложных срабатываний — наша модель выдаёт в 7 раз меньше ложных тревог, с точностью 94% на тестовой выборке.
Как AI отличает реальный негатив от эмоциональной речи?
Ключевая проблема — ложные срабатывания. Стандартный анализатор принимает любую вспышку эмоций за угрозу. Наш детектор использует два механизма:
- Контекстное накопление: если клиент раздражён, но через две реплики успокаивается — эскалации не происходит. Только устойчивый негатив (3+ реплики) считается серьёзным.
- Семантические паттерны: словосочетания "расторгну договор" или "подам в суд" обрабатываются отдельно с высоким приоритетом. Это даёт точность 94%.
Детектор с накопленным контекстом
class NegativeEscalationDetector:
def __init__(self, call_id: str):
self.call_id = call_id
self.sentiment_history = []
self.consecutive_negative = 0
self.escalated = False
LEGAL_THREAT_PATTERNS = [
"роспотребнадзор", "прокуратура", "суд", "иск",
"жалоба", "претензия", "юрист", "адвокат"
]
CHURN_PATTERNS = [
"расторгну договор", "уйду", "другой оператор",
"больше не буду", "отключусь"
]
async def process_utterance(self, text: str, speaker: str) -> list[dict]:
triggers = []
if speaker != "customer":
return []
text_lower = text.lower()
# Юридические угрозы
if any(p in text_lower for p in self.LEGAL_THREAT_PATTERNS):
triggers.append({
"trigger": EscalationTrigger.THREAT_LEGAL,
"severity": "critical",
"evidence": text
})
# Риск оттока
if any(p in text_lower for p in self.CHURN_PATTERNS):
triggers.append({
"trigger": EscalationTrigger.CHURN_RISK,
"severity": "high",
"evidence": text
})
# Накопленный негатив
sentiment = await analyze_sentiment(text)
if sentiment["label"] == "NEGATIVE":
self.consecutive_negative += 1
else:
self.consecutive_negative = 0
if self.consecutive_negative >= 3:
triggers.append({
"trigger": EscalationTrigger.SUSTAINED_ANGER,
"severity": "high",
"evidence": f"{self.consecutive_negative} негативных реплик подряд"
})
if triggers and not self.escalated:
await self.notify_supervisor(triggers)
return triggers
async def notify_supervisor(self, triggers: list[dict]):
self.escalated = True
await notification_service.send({
"call_id": self.call_id,
"urgency": max(t["severity"] for t in triggers),
"triggers": triggers,
"operator_id": self.operator_id,
"call_url": f"/monitor/calls/{self.call_id}"
})
# Push уведомление + звуковой сигнал на рабочем месте супервайзера
await websocket_manager.notify_supervisors(self.call_id, triggers)
Что входит в работу под ключ
Мы не просто поставляем модель — даём готовое решение с полным циклом:
| Компонент | Детали |
|---|---|
| NLP-модель детекции | Fine-tuning на ваших записях, поддержка русского и др. языков |
| Система уведомлений | Push, звук, Telegram/Slack бот (по желанию) |
| Дашборд супервайзера | Real-time список звонков с индикаторами, история диалога |
| Интеграция с АТС | Asterisk, FreePBX, Genesys, облачные провайдеры |
| Документация и обучение | API-документация, инструкция для операторов, вебинар для команды |
| Поддержка после запуска | 3 месяца гарантийного сопровождения, исправление багов, донастройка |
Почему супервайзеру нужен дашборд?
Отметим: когда в колл-центре 100+ активных звонков, уследить за всеми вручную невозможно. Дашборд группирует звонки по уровню тональности (зелёный/жёлтый/красный) и автоматически поднимает эскалированные звонки в топ. Супервайзер видит историю реплик, тип триггера и может сразу подключиться к разговору или перезвонить клиенту. Наш опыт показывает: время реакции сокращается с 5 минут до 15 секунд.
Как проходит внедрение: пошаговый план
- Аудит данных — собираем записи разговоров (минимум 1000 часов), проверяем API телефонии.
- Калибровка модели — fine-tuning на ваших данных, A/B-тестирование на исторических записях.
- Интеграция — подключаем детектор к вашей АТС, настраиваем уведомления.
- Запуск и мониторинг — первые две недели модерируем триггеры вручную, корректируем пороги.
- Полная автоматизация — система работает без участия инженеров, супервайзеры получают только релевантные эскалации.
Типичные ошибки при внедрении
- Использование универсальной модели без дообучения — точность падает до 60%.
- Отсутствие исторических данных — система учится на пустом наборе и даёт много ошибок.
- Игнорирование контекстного накопления — каждую вспышку эмоций принимают за угрозу.
| Тип триггера | Точность | Ложные срабатывания |
|---|---|---|
| Юридические угрозы | 97% | 1% |
| Риск оттока | 92% | 4% |
| Накопленный гнев | 88% | 7% |
Сроки и как начать
Оценим ваш проект бесплатно — просто напишите нам. Типовые сроки:
- Детектор негатива + уведомления: 3–4 недели.
- Дашборд супервайзера: +2–3 недели.
Стоимость проекта рассчитывается индивидуально в зависимости от объёма звонков и сложности интеграции. Работаем на рынке более пяти лет, реализовали более 30 проектов по анализу речи для банков, телеком-операторов и страховых компаний. Получите консультацию — мы проанализируем ваш колл-центр и предложим пилотный проект. Закажите демо-доступ к системе на ваших записях — убедитесь в точности сами.
Краткий чек-лист для старта:
- Наличие записей разговоров (минимум 1000 часов) для калибровки.
- Доступ к API телефонии или CDR-логам.
- Определение ролей: кто будет супервайзером, кто одобрит интеграцию.
- Timeframe: заложите две недели на согласование и подготовку данных.
Свяжитесь с нами, чтобы получить консультацию и демо системы на ваших данных.
Источник: В статье используются материалы из практики внедрения NLP-решений в колл-центрах, подтверждённые отзывами заказчиков.