Розробка AI-діалера: автоматизація вихідних дзвінків під ключ
Зауважимо: коли відділ продажів витрачає 80% часу на додзвон, а конверсія в контакт – 5–10%, ручний обдзвін стає вузьким місцем. AI Outbound Dialer вирішує цю проблему: він автономно здійснює тисячі дзвінків на годину, веде повноцінний діалог за допомогою голосового AI-агента та передає оператору лише «гарячих» клієнтів. Ми розробляємо такі системи під ключ – від проєктування до деплою.
Продуктивність: 100–500 одночасних дзвінків на один сервер. З предиктивним набором утилізація операторів досягає 95%, а вартість контакту падає на 70% порівняно з ручним обдзвоном. Економія на оплаті праці операторів може досягати 70% від фонду зарплати, а вартість контакту знижується до 0.3–0.7 гривні за успішний дзвінок. При навантаженні 10 000 дзвінків на день витрати на інфраструктуру складають близько 200–400 гривень – це на порядок менше, ніж наймання додаткових співробітників.
Які проблеми вирішує AI Outbound Dialer
Головна технічна складність – низький contact rate. При ручному обдзвоні оператор витрачає час на очікування відповіді, зайнятий сигнал та автовідповідачі. Система інтелектуального обдзвону використовує предиктивний набір: одночасно ініціює більше дзвінків, ніж є операторів, і підключає агента тільки коли абонент відповів. Це піднімає contact rate до 30–45%.
Друга проблема – одноманітність скрипту. Людина втомлюється повторювати одні й ті самі фрази, збивається, пропускає важливі питання. AI-агент строго слідує сценарію, але адаптує відповіді під контекст діалогу. Наприклад, при підтвердженні замовлення він уточнює суму та дату доставки, при опитуванні – записує відповіді в CRM.
Третя – масштабування. Ручний обдзвін вимагає лінійного найму операторів. Платформа масштабується додаванням серверів: один сервер – до 500 одночасних дзвінків. При навантаженні 10 000 дзвінків на годину достатньо 3–5 серверів.
Як AI Outbound Dialer обробляє відмови та перенаправляє гарячі ліди?
Система використовує класифікатор намірів: якщо клієнт зацікавлений, AI-агент уточнює деталі та передає дзвінок оператору з контекстом діалогу. Якщо відмова – фіксує причину, заносить в CRM і повторює спробу за розкладом (до 3 разів з інтервалами 30, 120, 240 хвилин).
from dataclasses import dataclass, field
from enum import Enum
from datetime import datetime
class CampaignType(Enum):
CONFIRMATION = "confirmation" # підтвердження замовлень
APPOINTMENT = "appointment" # нагадування про запис
SURVEY = "survey" # опитування
WINBACK = "winback" # повернення клієнтів
COLD_OUTREACH = "cold_outreach" # холодні дзвінки
DEBT_COLLECTION = "debt" # стягнення
@dataclass
class OutboundCampaign:
id: str
type: CampaignType
name: str
contacts: list[dict]
script_id: str
schedule: dict # часові вікна для дзвінків
retry_config: dict = field(default_factory=lambda: {
"max_attempts": 3,
"intervals_minutes": [30, 120, 240]
})
concurrent_calls: int = 50
class OutboundDialer:
def __init__(self, telephony_provider: str = "twilio"):
self.telephony = TelephonyFactory.create(telephony_provider)
self.ai_agent = OutboundVoiceAgent()
self.rate_limiter = RateLimiter()
self.scheduler = CallScheduler()
async def run_campaign(self, campaign: OutboundCampaign):
"""Запускаємо кампанію з контролем одночасності"""
semaphore = asyncio.Semaphore(campaign.concurrent_calls)
tasks = []
for contact in campaign.contacts:
if await self.should_call(contact, campaign):
task = asyncio.create_task(
self.process_contact(contact, campaign, semaphore)
)
tasks.append(task)
results = await asyncio.gather(*tasks, return_exceptions=True)
return self.aggregate_results(results)
async def process_contact(
self,
contact: dict,
campaign: OutboundCampaign,
semaphore: asyncio.Semaphore
):
async with semaphore:
call = await self.telephony.initiate_call(contact["phone"])
if call.status != "answered":
await self.schedule_retry(contact, campaign)
return {"status": "no_answer", "contact": contact["phone"]}
# Запускаємо AI-агент для діалогу
result = await self.ai_agent.run_dialog(
call=call,
contact=contact,
script=await self.get_script(campaign.script_id),
campaign_type=campaign.type
)
# Запис результату
await self.log_call_result(contact, result)
return result
Чому предиктивний набір ефективніший за ручний?
Предиктивний dialer (див. Predictive dialing) використовує статистику: середній відсоток відповідей (зазвичай 30%), середню тривалість розмови. Алгоритм ініціює дзвінків більше, ніж вільних операторів, щоб мінімізувати простої. Коефіцієнт pacing factor (наприклад, 1.3) підбирається під кампанію – занадто високий призведе до пропущених відповідей, низький – до недовантаження.
class PredictiveDialer:
"""Дзвонимо більше контактів ніж операторів, бо не всі дадуть відповідь"""
def __init__(self, target_agents: int):
self.agents = target_agents
self.pacing_factor = 1.3 # на 30% більше дзвінків ніж операторів
def calculate_calls_to_initiate(
self,
current_active_calls: int,
avg_answer_rate: float, # 0.3 = 30% відповідають
avg_call_duration_sec: float
) -> int:
available_agents = self.agents - current_active_calls
calls_needed = int(available_agents * self.pacing_factor / avg_answer_rate)
return max(0, calls_needed - current_active_calls)
Порівняння ручного та AI-обдзвону
| Параметр | Ручний обдзвін | AI Outbound Dialer |
|---|---|---|
| Contact rate | 5–10% | 25–45% |
| Операторів на 1000 дзвінків/день | 5–10 | 1–2 |
| Вартість контакту | висока | на 70% нижча |
| Масштабування | лінійний найм | додавання серверів |
| Запис та аналітика | ручна | автоматична |
Метрики кампанії
| Метрика | Норма |
|---|---|
| Contact Rate | 25–45% |
| Conversion Rate | 15–30% (залежить від типу) |
| Transfer Rate | 10–20% |
| Average Call Duration | 60–120 сек |
| Cost per Contact | -70% vs ручний |
Що входить у розробку під ключ
- Аналітика та проєктування: аудит поточної інфраструктури, вибір стеку (OpenAI/LLaMA, RAG, TTS).
- Розробка AI-агента: налаштування NLP (інтинти, слоти, few-shot), інтеграція з STT/TTS (Whisper, ElevenLabs).
- Предиктивний набір: реалізація алгоритму з адаптивним pacing factor, контроль Do Not Call.
- Інтеграція з CRM: передача лідів, запис розмов, історія взаємодій.
- Тестування та деплой: навантажувальне тестування (p99 latency < 500ms), моніторинг.
Етапи впровадження
- Аналітика: вивчаємо вашу поточну телефонію, CRM, сценарії дзвінків. Готуємо документ з вимогами.
- Проєктування: вибираємо стек (TTS, STT, LLM), проєктуємо архітектуру діалогів та інтеграцій.
- Реалізація: пишемо код AI-агента, налаштовуємо предиктивний набір, підключаємо CRM через REST API.
- Тестування: прогоняємо 1000+ тестових дзвінків, вимірюємо p99 latency, accuracy класифікації.
- Деплой: розгортаємо на ваших серверах або в хмарі (AWS, GCP, Azure), навчаємо операторів.
Деталі щодо навантаження
Для 10 000 дзвінків на день достатньо 2–3 серверів з 16 vCPU та 32 GB RAM. При пікових навантаженнях (чорна п'ятниця) автоматично додаються ноди через Kubernetes.Терміни та вартість
Терміни: базовий автодіалер з одним сценарієм – 4–6 тижнів. Повна система з предиктивним набором – 3–4 місяці. Вартість розраховується індивідуально – залежить від кількості сценаріїв, інтеграцій та обсягу дзвінків.
Нагадування про запис за допомогою AI-агента скорочує кількість пропусків на 30% – це один із затребуваних сценаріїв. Система оповіщення клієнтів також налаштовується під будь-які бізнес-процеси.
Оцінимо проєкт після брифу. Отримайте консультацію, щоб обговорити деталі вашого завдання. Досвід нашої команди – 7+ проєктів із впровадження AI-діалерів, гарантія якості на всіх етапах. Замовте пілотний проєкт для оцінки ефективності інтелектуального обдзвону на ваших даних.