> ## Content Index > Fetch the complete content index at: https://admin.kod.ru/llms.txt > Use this file to discover other available public pages before exploring further. # Речевая аналитика в банке: как ИИ помогает слышать каждого клиента - URL: https://admin.kod.ru/ai-pomogaet-slishat-clienta/ - Published: 2026-04-15T10:41:02.000Z - Updated: 2026-04-15T10:41:02.000Z - Description: В этом материале команда ОТП Банка расскажет, как изменился подход к анализу коммуникаций, как была выстроена работа с речевой аналитикой и к каким результатам это привело на практике. - Author: OTP Bank - Tags: Блоги Искусственный интеллект уже встроен в операционные процессы, в том числе в работу с клиентскими коммуникациями. Долгое время контроль качества осуществлялся выборочно: мы анализировали только отдельные диалоги. Это не позволяло получить целостное представление о процессах и оперативно их корректировать. В этом материале команда ОТП Банка расскажет, как изменился подход к анализу коммуникаций, как была выстроена работа с речевой аналитикой и к каким результатам это привело на практике. ## Два инструмента, две задачи Начнём с базового. В работе с речевой аналитикой мы используем два типа моделей, и у каждой из них своя роль. **Базовая ML-модель:** - работает на обучающих примерах - оценивает диалоги по заданным критериям - хорошо справляется с повторяющимися задачами - быстро запускается и не требует сложной инфраструктуры **LLM-модель:** - работает через короткие инструкции и понимает контекст - анализирует смысл разговора, а не только формальные признаки - помогает находить инсайты и давать рекомендации - используется там, где важно учитывать нюансы и логику диалога Если упростить, ML отвечает за стабильный контроль и массовые задачи, а LLM подключается там, где требуется более глубокое понимание разговора. ## Что происходит, когда анализируют всё ### Удержание клиентов в период охлаждения Клиент может отказаться от кредита в течение 48 часов, одна из частых причин, когда деньги не поступают сразу. После внедрения базовой речевой аналитики контроль соблюдения алгоритмов удержания запустили за восемь часов, система начала фиксировать лучшие практики и отклонения в режиме 24 на 7, а работа выделенной группы корректировалась каждый час. На следующем этапе внедрили LLM, модель повысила точность определения тематики диалога до 98% и позволила давать персональные рекомендации по каждому сотруднику. В результате эффективность удержания выросла с 40 до 70%. ### Управление начислением сорри-бонусов Схожий подход применили к начислению сорри-бонусов, то есть компенсаций клиентам. Базовая речевая аналитика обеспечила почасовой контроль соблюдения регламента и позволила быстро давать обратную связь по ошибкам. После внедрения LLM анализ дополнился учётом эмоционального контекста, система начала лучше различать ситуации и выявлять проблемные продукты и процессы. В результате точность начислений выросла с 85 до 97%. ### Контроль регуляторных рисков Автоматический контроль также применили к работе с регуляторными рисками. Основные проблемы были связаны с этапом допретензии и переводом обращений на вторую линию. За счёт ежечасного аудита отчётности по жалобам и автоматической проверки корректности маршрутизации в ОТП Банке удалось сократить количество жалоб в Центральный банк на 25%. ### Рост конверсии в продажах На исходящем обзвоне аналитика используется для работы с возражениями клиентов. LLM помогает их собирать, классифицировать и использовать для точечного анализа и обучения команды. Это дало дополнительный рост конверсии, плюс 1,54% по кредитам наличными и плюс 2,03% по кредитным картам. ### Оптимизация работы в чате В чатах LLM встроен в процесс как инструмент поддержки оператора. Модель исправляет формулировки, выравнивает тон и помогает структурировать ответ перед отправкой клиенту. Дополнительно оператор видит краткое резюме истории коммуникаций, что сокращает среднее время обработки обращения примерно на восемь секунд и влияет на индекс удовлетворённости, который вырос на 0,3 пункта. ## Разговор как источник данных В Collection ключевым изменением стал переход к анализу 100% коммуникаций, что дало возможность работать с полной картиной взаимодействий. ML-модель оценивает относительно простые критерии диалогов сотрудников и роботов в голосе и чате, при этом корректность оценки достигает 99,1%. Отдельной задачей в ОТП Банке стала оценка мотивации клиента к погашению задолженности, которая является самой сложной для анализа. Для ML точность здесь составляла около 57%. После подключения LLM точность оценки превысила 94%, а доля выполненных обещаний оплаты выросла на 5,5%. Дополнительно система определяет тематику входящих обращений. Более 95% звонков и чатов укладываются в семь основных категорий, что позволяет быстро понимать причины изменений в трафике. Около 30% простых тематик переданы входящему роботу. Изменился и процесс анализа диалогов. Если раньше на один разговор уходило около 33 минут, то с автоматической саммаризацией это время сократилось до 20 секунд. Система выделяет ключевые темы и суть разговора без необходимости прослушивать запись полностью. ## Что меняется в итоге Речевая аналитика стала одним из драйверов изменений, которые заметно улучшили клиентский опыт. Так, индекс удовлетворённости в Collection на исходящей линии и в чате вырос с 3,2 до 4,5 из 5\. На входящей линии среднее время ответа сократилось до 3 секунд, уровень сервиса достиг 99,4%, а итоговая оценка CSI находится на уровне 4,8 из 5. Фокус смещается от выборочных проверок к работе со всем потоком коммуникаций. Это позволяет видеть не отдельные эпизоды, а общую картину, быстрее замечать отклонения и выстраивать работу с диалогами как часть повседневных операционных процессов.