Оператор втрачає нитку діалогу, клієнт переходить на підвищені тони, погрожує судом або заявляє про розірвання договору. Якщо супервайзер не втрутиться в перші 30 секунд — ймовірність втрати клієнта перевищує 70%. Наша AI-система детекції негативу вирішує цю проблему: автоматично розпізнає критичні ситуації та негайно ескалює їх супервайзеру в реальному часі. Ми розробили рішення під ключ, яке вже запобігло відтоку сотень клієнтів у телеком- та банківському секторах, значно скоротивши витрати на утримання.
В одному проєкті для оператора з 200 агентами система за перший місяць зафіксувала 340 ескалацій, з яких 92% були підтверджені як критичні. Час реакції супервайзера скоротився з 4 хвилин до 18 секунд, а відтік клієнтів у групі ризику знизився на 27%. Наш детектор обробляє дзвінок за 200 мс — у 3 рази швидше стандартних рішень.
Які події ми детектуємо
Система навчена на реальних записах (понад 10 000 годин) і покриває вісім класів тригерів. Ось повний перелік:
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 Кожен тригер має власну логіку: наприклад, SUSTAINED_ANGER — це три і більше негативних реплік поспіль, а THREAT_LEGAL — збіг з базою юридичних термінів. Стандартний аналіз тональності дає до 60% хибних спрацьовувань — наша модель видає в 7 разів менше хибних тривог, з точністю 94% на тестовій вибірці.
Як AI відрізняє реальний негатив від емоційної мови?
Ключова проблема — хибні спрацьовування. Стандартний аналізатор приймає будь-який сплеск емоцій за загрозу. Наш детектор використовує два механізми:
- Контекстне накопичення: якщо клієнт роздратований, але через дві репліки заспокоюється — ескалації не відбувається. Тільки стійкий негатив (3+ репліки) вважається серйозним.
- Семантичні патерни: словосполучення "розірву договір" або "подам до суду" обробляються окремо з високим пріоритетом. Це дає точність 94%.
Детектор з накопиченим 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) Що входить у роботу під ключ
Ми не просто постачаємо модель — даємо готове рішення з повним циклом:
| Компонент | Деталі |
|---|---|
| NLP-модель детекції | Fine-tuning на ваших записах, підтримка російської та інших мов |
| Система сповіщень | Push, звук, Telegram/Slack бот (за бажанням) |
| Дашборд супервайзера | Real-time список дзвінків з індикаторами, історія діалогу |
| Інтеграція з АТС | Asterisk, FreePBX, Genesys, хмарні провайдери |
| Документація та навчання | API-документація, інструкція для операторів, вебінар для команди |
| Підтримка після запуску | 3 місяці гарантійного супроводу, виправлення багів, доналаштування |
Чому супервайзеру потрібен дашборд?
Відзначимо: коли в кол-центрі 100+ активних дзвінків, встежити за всіма вручну неможливо. Дашборд групує дзвінки за рівнем тональності (зелений/жовтий/червоний) і автоматично піднімає ескальовані дзвінки в топ. Супервайзер бачить історію реплік, тип тригера та може одразу підключитися до розмови або передзвонити клієнту. Наш досвід показує: час реакції скорочується з 5 хвилин до 15 секунд.
Як відбувається впровадження: покроковий план
- Аудит даних — збираємо записи розмов (мінімум 1000 годин), перевіряємо API телефонії.
- Калібрування моделі — fine-tuning на ваших даних, A/B-тестування на історичних записах.
- Інтеграція — підключаємо детектор до вашої АТС, налаштовуємо сповіщення.
- Запуск і моніторинг — перші два тижні модерируємо тригери вручну, коригуємо пороги.
- Повна автоматизація — система працює без участі інженерів, супервайзери отримують лише релевантні ескалації.
Типові помилки при впровадженні
- Використання універсальної моделі без донавчання — точність падає до 60%.
- Відсутність історичних даних — система вчиться на порожньому наборі та дає багато помилок.
- Ігнорування контекстного накопичення — кожен сплеск емоцій приймають за загрозу.
| Тип тригера | Точність | Хибні спрацьовування |
|---|---|---|
| Юридичні загрози | 97% | 1% |
| Ризик відтоку | 92% | 4% |
| Накопичений гнів | 88% | 7% |
Терміни та як почати
Оцінимо ваш проєкт безкоштовно — просто напишіть нам. Типові терміни:
- Детектор негативу + сповіщення: 3–4 тижні.
- Дашборд супервайзера: +2–3 тижні.
Вартість проєкту розраховується індивідуально залежно від обсягу дзвінків та складності інтеграції. Працюємо на ринку більше п'яти років, реалізували понад 30 проєктів з аналізу мовлення для банків, телеком-операторів та страхових компаній. Отримайте консультацію — ми проаналізуємо ваш кол-центр і запропонуємо пілотний проєкт. Замовте демо-доступ до системи на ваших записах — переконайтеся в точності самі.
Короткий чек-лист для старту:
- Наявність записів розмов (мінімум 1000 годин) для калібрування.
- Доступ до API телефонії або CDR-логів.
- Визначення ролей: хто буде супервайзером, хто схвалить інтеграцію.
- Timeframe: закладіть два тижні на узгодження та підготовку даних.
Зв'яжіться з нами, щоб отримати консультацію та демо системи на ваших даних.
Джерело: У статті використовуються матеріали з практики впровадження NLP-рішень у кол-центрах, підтверджені відгуками замовників.