دستیار صوتی فروش: از گفتگوی تلفنی تا ثبت خودکار مشتری و فرصت فروش
داده فروش معمولاً از روز اول غلط نیست. کم‌کم کهنه می‌شود، چون ثبت هر تماس وقت می‌خواهد و این وقت همیشه کم است. دستیار صوتی فروش هزینه ثبت را کم می‌کند: کارشناس بعد از تماس چند جمله میگوید و سامانه از آن رکورد می‌سازد. در این مقاله می‌بینید این مسیر چه مراحلی دارد، کجا خطا می‌کند و کدام کنترل‌ها آن را قابل اعتماد می‌سازند.
محصول آماده کارن تکنولوژی
این را روی داده واقعی کسب‌وکار خودتان ببینید
آنچه در این مقاله می‌خوانید، در محصولات کارن پیاده‌سازی شده است. در جلسه دمو، همان را روی داده و فرآیند خودتان اجرا می‌کنیم.
درخواست دمو رایگان یا تماس بگیرید: ۰۲۱-۸۸۶۱۴۲۸۲در این صفحه
چرا داده فروش کهنه می‌شود
یک روز کاری کارشناس فروش را در نظر بگیرید. تماس پشت تماس، جلسه، پیام و پیگیری. بعد از هر گفتگو هم باید فرمی را باز کند، نام و شماره را وارد کند، نوع درخواست را انتخاب کند و چند خط توضیح بنویسد.
این کار سخت نیست، ولی بی‌موقع است. تماس بعدی منتظر است و ثبت به «بعداً» می‌افتد. آخر روز هم فقط نکته‌های پررنگ در یاد می‌ماند. بودجه‌ای که مشتری گفت، تعداد دقیق و زمان پیگیری از دست می‌رود.
نتیجه را مدیر می‌بیند: قیفی که با واقعیت نمی‌خواند و گزارشی که کسی به آن اعتماد ندارد. ریشه مشکل معمولاً تنبلی نیست. هزینه ثبت درست در لحظه‌ای پرداخت می‌شود که کارشناس کمترین وقت را دارد. مقاله چرا کارشناسان فروش از CRM استفاده نمی‌کنند این چرخه را از زاویه پذیرش تیم بررسی کرده است. اینجا روی یک راه مشخص تمرکز می‌کنیم: کم کردن هزینه ثبت.
دستیار صوتی فروش چیست و چه چیزی نیست
عبارت «دستیار صوتی» به چند چیز متفاوت گفته می‌شود. بهتر است از اول آن‌ها را از هم جدا کنیم:
| ابزار | چه کسی حرف می‌زند | خروجی |
|---|---|---|
| دستیار صوتی مرکز تماس | مشتری با ربات | پاسخ به مشتری |
| تحلیل تماس فروش | کارشناس و مشتری، در تماس ضبط‌شده | ارزیابی و بینش از مکالمه |
| دستیار صوتی فروش | کارشناس، بعد از تماس | رکورد مشتری و فرصت فروش |
منظور ما ردیف آخر است. این دستیار با مشتری حرف نمی‌زند. کارشناس بعد از تماس یا ملاقات، خلاصه گفتگو را میگوید و سامانه از آن رکورد می‌سازد. این کار را می‌شود در راه برگشت از جلسه هم انجام داد، جایی که باز کردن یک فرم طولانی عملی نیست. اگر ردیف دوم نیاز شماست، راهنمای تحلیل تماس فروش را بخوانید.
مسیر از صدا تا رکورد
دستیار صوتی فروش، با هر جزئیاتی، معمولاً از همین مراحل می‌گذرد:
- ضبط صدا: فایل صوتی نگه داشته می‌شود تا بعداً قابل بازبینی باشد.
- گفتار به متن: صدا به متن تبدیل می‌شود و کاربر می‌تواند آن را اصلاح کند.
- استخراج ساختاریافته: مدل زبانی از متن آزاد، فیلدهای مشخص بیرون می‌کشد.
- نرمال‌سازی: کد سامانه مقدارها را به قالب استاندارد درمی‌آورد.
- کنترل تکرار: سامانه بررسی می‌کند این مشتری از قبل وجود دارد یا نه.
- ساخت رکورد: مشتری و فرصت فروش با رعایت دسترسی کاربر ثبت می‌شوند.
توجه کنید که مدل زبانی فقط در یکی از این مراحل نقش اصلی دارد. بقیه کار با قاعده و کد انجام می‌شود و قابل اعتماد بودن نتیجه هم از همین‌جا میآید.
گفتار به متن کجا خطا می‌کند
تبدیل گفتار به متن در مکالمه فروش با چند سختی روبه‌روست. نام افراد و شرکت‌ها شکل‌های نوشتاری مختلف دارند. عددها در صدا راحت جابه‌جا می‌شوند. نام انگلیسی محصول وسط جمله فارسی میآید. صدای خیابان و ماشین هم به این‌ها اضافه می‌شود.
برای همین دو چیز لازم است. اول، متن باید پیش از تحلیل قابل ویرایش باشد تا کاربر یک شماره اشتباه را همان‌جا درست کند. دوم، صدا نباید دور ریخته شود. اگر متن ناقص بود، اصل گفته هنوز در دسترس است. درباره چالش‌های این مرحله در مقاله تبدیل گفتار فارسی به متن بیشتر نوشته‌ایم.
استخراج ساختاریافته به زبان ساده
متن آزاد برای آدم خواندنی است، ولی سامانه نمی‌تواند آن را جمع بزند یا فیلتر کند. استخراج ساختاریافته یعنی از مدل بخواهیم خروجی را دقیقاً در قالبی از پیش تعریف‌شده بدهد، مثلاً JSON با فیلدهای معین و فهرست مقدارهای مجاز. به این قالب schema می‌گویند.
یک مثال فرضی: «با آقای احمدی صحبت کردم، مدیر خرید یک کارخانه. دو دستگاه می‌خواهد، بودجه‌اش حدود پنج میلیارد تومان است. شماره‌اش صفر نهصد و دوازده، صفر صفر صفر، صفر صفر صفر صفر است. قرار شد پیش‌فاکتور بفرستم.» خروجی می‌تواند این باشد:
| فیلد (مثال فرضی) | مقدار |
|---|---|
| نام | احمدی |
| شغل | مدیر خرید |
| موبایل | ۰۹۱۲۰۰۰۰۰۰۰ |
| تعداد | ۲ |
| بودجه (تومان) | ۵٬۰۰۰٬۰۰۰٬۰۰۰ |
| خلاصه | نیاز به دو دستگاه؛ ارسال پیش‌فاکتور توسط کارشناس |
همین الگو در خواندن اسناد دیگر هم به کار می‌رود، مثل تحلیل رزومه. جمله آخر مثال را هم دست‌کم نگیرید. قول ارسال پیش‌فاکتور جزو داده فروش است و باید جایی بماند که قابل پیگیری باشد.
سطح اطمینان چه فایده‌ای دارد
مدل می‌تواند کنار خروجی بگوید چقدر از آن مطمئن است. کاربرد اصلی این سطح اطمینان، مرتب کردن کار بازبینی است: رکوردی که اطمینان پایینی دارد، زودتر و با دقت بیشتری بررسی می‌شود.
ولی آن را با احتمال درست بودن یکی نگیرید. این برچسب برآورد خود مدل است و مدل می‌تواند با اطمینان اشتباه کند. پس جای کنترل‌های قطعی را نمی‌گیرد.
نرمال‌سازی؛ کاری که نباید به مدل سپرد
یک شماره موبایل را می‌شود چند جور نوشت: با ارقام فارسی، با ارقام عربی، با پیش‌شماره کشور یا با فاصله. اگر هر کدام همان‌طور ذخیره شود، جستجو و کنترل تکرار از کار می‌افتد. یکسان‌سازی این شکل‌ها را نرمال‌سازی می‌گویند:
- موبایل: تبدیل به یک قالب واحد، مثل ۰۹ و بعد از آن نه رقم.
- مبلغ: «پنج میلیارد» به عدد تبدیل می‌شود تا بشود آن را جمع زد و مرتب کرد.
- مقدارهای مجاز: اگر مدل مرحله‌ای خارج از فهرست قیف برگرداند، آن مقدار پذیرفته نمی‌شود.
- طول متن: رشته‌های خیلی بلند کوتاه می‌شوند تا از قالب فیلد بیرون نزنند.
این مرحله باید در کد باشد، نه در دستور مدل. مدل گاهی قالب را رعایت نمی‌کند، ولی کد برای یک ورودی همیشه یک نتیجه میدهد. با خروجی مدل هم باید مثل هر ورودی بیرونی رفتار کرد و پیش از ذخیره آن را بررسی کرد.
جلوگیری از مشتری تکراری
اگر هر تماس یک مشتری تازه بسازد، بعد از چند ماه یک نفر چند پرونده دارد و تاریخچه‌اش تکه‌تکه شده است. در ثبت صوتی این خطر بیشتر است، چون ثبت آسان شده و کسی پیش از آن جستجو نمی‌کند.
نام کلید خوبی نیست. یک نفر ممکن است «آقای احمدی» یا «مهندس احمدی» ثبت شود و افراد هم‌نام هم کم نیستند. شماره موبایل نرمال‌شده کلید بهتری است. اگر این شماره وجود داشته باشد، مشتری تازه ساخته نمی‌شود و فرصت فروش به پرونده موجود وصل می‌شود.
این روش هم بی‌نقص نیست. یک نفر ممکن است دو شماره داشته باشد و گاهی چند نفر از یک شرکت با یک شماره تماس می‌گیرند. پس بازبینی دوره‌ای همچنان لازم است. اگر داده قدیمی شما از اکسل میآید، پیش از هر چیز شماره‌ها را یکدست کنید.
چند تصمیم پیش از راه‌اندازی
پیش از راه‌اندازی دستیار صوتی فروش، این چند مورد را روشن کنید:
- صدای مشتری: وقتی فقط کارشناس خلاصه را میگوید، صدای مشتری ضبط نمی‌شود و کار ساده‌تر است. اگر قرار است خود تماس ضبط شود، قواعد سازمان و الزامات قانونی را از پیش روشن کنید.
- دسترسی: رکورد باید با دسترسی همان کاربر ساخته شود و صدا فقط برای افراد مجاز قابل پخش باشد.
- فیلدهای لازم: فقط چند فیلد واقعاً مهم را لازم بدانید. فهرست بلند دوباره همان فرم قدیمی می‌شود.
- بازبینی: روشن کنید چه کسی خروجی را می‌بیند و اصلاح می‌کند. بهترین گزینه معمولاً خود کارشناس است، چون گفتگو را به یاد دارد.
یک قالب ساده برای گفتن
ابزار هر چقدر خوب باشد، ورودی مرتب نتیجه را بهتر می‌کند. این قالب چهار قسمتی را به تیم یاد بدهید:
- چه کسی: نام، سمت و شماره موبایل. شماره را شمرده بگویید.
- چه می‌خواهد: نوع درخواست، دسته و تعداد.
- چقدر و کی: بودجه و زمان تصمیم، اگر مشتری گفته است.
- قدم بعدی: چه کسی باید چه کاری انجام دهد.
برای سنجش نتیجه، پیش از شروع اندازه بگیرید چه سهمی از تماس‌ها همان روز ثبت می‌شوند و فیلدهای مهم چقدر خالی می‌مانند. چند هفته بعد همین را دوباره بسنجید. تعداد فیلدهایی را هم که کاربران اصلاح می‌کنند ببینید. این عدد نشان میدهد استخراج کجا ضعیف است.
نمونه عملی: Caren Enterprise AI
برای دیدن این مراحل در یک محصول، Caren Enterprise AI، محصولی از کارن تکنولوژی، را مثال می‌زنیم. در بخش فروش و بازاریابی آن، کارشناس بعد از تماس یا ملاقات خلاصه گفتگو را میگوید و مشتری و فرصت فروش ساخته می‌شوند.
صدا همیشه ذخیره می‌شود و متن پیش از تحلیل قابل ویرایش است. استخراج با schema دقیق انجام می‌شود و نام، موبایل، شغل، نوع درخواست، دسته‌ها، تعداد، بودجه، مرحله قیف، خلاصه و سطح اطمینان را برمی‌گرداند. بعد سامانه موبایل را به قالب ۰۹xxxxxxxxx می‌آورد، مبلغ را به عدد تبدیل می‌کند و فقط مقدارهای مجاز را می‌پذیرد.
مشتری تکراری با همان موبایل ساخته نمی‌شود و به پرونده موجود وصل می‌شود. گالری صوتی هم برای پخش و بازبینی وجود دارد. این قابلیت کنار مالی و منابع انسانی روی یک داده مشترک کار می‌کند. اگر نیاز اصلی شما CRM عمیق و تحلیل تماس‌های سانترال است، داتیک مناسب‌تر است. قیمت Caren Enterprise AI بسته به ابعاد سازمان، ماژول‌ها و مدل استقرار تعیین می‌شود.
می‌خواهید ثبت صوتی را با یک خلاصه واقعی امتحان کنید؟
دستیار صوتی Caren Enterprise AI را در یک دموی زنده ببینید.
پرسش‌های متداول
نه. در این کاربرد، کاربر دستیار خود کارشناس فروش است. او بعد از تماس خلاصه گفتگو را میگوید و سامانه رکورد می‌سازد. ربات‌هایی که با مشتری گفتگو می‌کنند ابزار دیگری هستند و هدف دیگری دارند.
تحلیل کل تماس برای ارزیابی کیفیت گفتگو مفید است، ولی به ضبط همه تماس‌ها و ملاحظات بیشتر نیاز دارد. خلاصه کارشناس ساده‌تر است و ملاقات حضوری را هم پوشش میدهد. انتخاب به هدف شما بستگی دارد و این دو روش می‌توانند کنار هم باشند.
لزوماً نه. این برچسب میگوید مدل از خروجی کمتر مطمئن است، مثلاً چون گفتهها مبهم بودهاند. چنین رکوردی را زودتر بازبینی کنید. برعکس آن هم هست: اطمینان بالا تضمین درستی نیست.
فیلد باید خالی بماند. مدل نباید از روی نوع مشتری یا محصول عددی حدس بزند. خالی بودن فیلد خودش یک نشانه مفید است و میگوید در پیگیری بعدی چه چیزی را باید پرسید.
نه همه را. این روش ساده و قابل اعتماد است، ولی کسی که دو شماره دارد دو بار ثبت می‌شود. برای موارد باقی‌مانده، گزارش دوره‌ای نام‌های مشابه و بازبینی انسانی لازم است. ادغام خودکار پرونده‌ها بدون بازبینی توصیه نمی‌شود.
برای اطلاعات اولیه و پیگیری روزمره معمولاً بله. فرم هنوز برای اصلاح، تکمیل و داده‌هایی مثل مشخصات رسمی لازم است. بهتر است صدا را راه اصلی ثبت سریع بدانید و فرم را راه تکمیل و اصلاح.
کیفیت تبدیل گفتار در نویز پایین میآید، بهخصوص برای عدد و نام. بهتر است پیش از شروع ضبط جای آرامتری پیدا کنید و نزدیک میکروفون حرف بزنید. بازبینی متن پیش از تحلیل هم در این شرایط اهمیت بیشتری دارد.
