Проблема: ручная обработка звонков — узкое горлышко
Представьте: вы руководитель колл-центра на 50 операторов. Каждый день — 500 звонков, средняя длительность 4 минуты. Чтобы оценить качество, нужно прослушать хотя бы 10% — это 200 минут в день. После каждого звонка менеджер заполняет отчёт — ещё 5 минут. Умножив на 500 звонков, получаем 41 час в месяц на отчёты. AI делает всё это за секунды. Мы внедрили такие решения для 10+ проектов, обработав более 500 000 звонков и сократив время анализа на 70%. Вы тратите часы на прослушивание записей, чтобы выявить проблемы в сценариях или оценить качество работы. Ошибки менеджеров остаются незамеченными, а клиенты уходят. Мы автоматизируем этот процесс с помощью AI-интеграции, что даёт сокращение затрат на ручной анализ до 80%.
Какие задачи решаем?
- Транскрипция и анализ тональности: после каждого звонка автоматически получаем текст, определяем эмоциональную окраску (позитив/негатив/нейтрально) и выделяем ключевые темы.
- Умная маршрутизация: AI анализирует историю обращений и предсказывает, какой отдел лучше справится с запросом — звонок перенаправляется ещё до соединения.
- Поиск по записям: весь архив становится поисковым — нашли упоминание конкурента за месяц? Пара запросов в Elasticsearch.
Как мы это делаем: архитектура и стек
Post-call анализ (быстрый старт):
Завершённый звонок → Webhook от АТС → Скачивание записи → STT (Whisper или Vosk) → NLP (spaCy + transformers) → CRM Real-time обработка (через SIP-транк):
Звонок → АТС → SIP-транк → Media Gateway (RTP → PCM) → AI Server (VAD + ASR + NLU) → Ответное действие (маршрутизация/подсказка) Для развёртывания используем:
- Модели: OpenAI Whisper (large-v3), собственные fine-tuned модели на базе BERT для классификации.
- Инфраструктура: vLLM для инференса, ONNX Runtime для оптимизации, pgvector для хранения эмбеддингов.
- MLOps: MLflow для отслеживания экспериментов, Kubeflow для пайплайнов.
Почему post-call анализ проще внедрить?
Post-call анализ не требует изменений в сети — достаточно настроить Webhook Wikipedia в личном кабинете АТС. Real-time вариант сложнее: нужен выделенный SIP-транк и сервер с GPU для обработки аудиопотока в реальном времени.
Сравнение вариантов
| Критерий | Post-call анализ | Real-time через SIP |
|---|---|---|
| Срок внедрения | 1–2 недели | 1.5–2 месяца |
| Латентность | Минуты | <500 мс |
| Требования к инфраструктуре | CPU + базовый сервер | GPU + SIP-шлюз |
| Возможности | Аналитика, поиск | Маршрутизация, подсказки оператору |
Как AI улучшает маршрутизацию звонков?
Real-time анализ звонка позволяет маршрутизировать вызов на основе предиктивной аналитики: тональность клиента, история обращений, intent. AI принимает решение за 400 мс (p99), что незаметно для говорящих. Например, если клиент раздражён, звонок направляется самому опытному оператору. Это повышает уровень сервиса и снижает количество повторных обращений. Мы внедрили real-time сценарии в двух проектах — клиенты отметили рост удовлетворённости на 15%.
Процесс работы
- Аналитика: аудит текущей АТС, сбор требований, выбор сценариев (post-call, real-time или оба).
- Проектирование: архитектура интеграции, выбор моделей, настройка безопасности.
- Реализация: пишем код на Python (FastAPI + Celery для асинхронности), интегрируем с CRM по REST/SOAP.
- Тестирование: прогон на исторических записях, A/B-тест на 10% звонков. Достигаем точности транскрипции 95%+.
- Деплой: контейнеризация (Docker + Kubernetes), мониторинг (Prometheus + Grafana).
Сроки
- Post-call анализ: от 1 до 2 недель.
- Real-time интеграция: от 1.5 до 2 месяцев.
- Полный цикл (оба сценария + дашборды): до 3 месяцев.
Стоимость интеграции рассчитывается индивидуально после аудита вашей инфраструктуры.
Что входит в работу
- API-документация схем интеграции.
- Доступ к тестовому стенду на время разработки.
- Обучение команды работе с дашбордами.
- Гарантия на код и SLA обработки ошибок до 4 часов.
Типичные ошибки при самостоятельной интеграции
- Игнорирование ACK от Webhook: Mango Office повторяет запрос — дубли записей. Решение: возвращайте HTTP 200 сразу.
- Неправильная подпись запросов: хеш не совпадает, запросы блокируются. Решение: используйте hmac с сортировкой по ключам.
- Перегрузка STT-модели: высокая латентность и стоимость. Решение: включите VAD, чтобы не обрабатывать тишину.
У нас более 10 проектов по интеграции AI в телефонию, 5 лет опыта в NLP и MLOps. Закажите аудит вашей АТС — это бесплатно и займёт 30 минут. Мы подготовим предложение с точными сроками и стоимостью. Свяжитесь с нами для консультации — оценим ваш сценарий и предложим оптимальное решение.