В отделах продаж разбор звонков остаётся одним из самых полезных инструментов обучения, но его слабое место — подготовка. Руководителю нужно найти в CRM подходящие разговоры, переслушать их, выбрать содержательные примеры, обезличить данные и превратить запись в учебный кейс. В Битрикс24 этот процесс начали автоматизировать с помощью ИИ: система отбирает звонки из потока, размечает их и помогает собирать библиотеку кейсов.
• Приложение загружает звонки за нужный период, фильтрует их по воронке, менеджеру и длительности, а затем передаёт на анализ ИИ-модели. Короткие разговоры до двух минут не учитываются, потому что в них обычно мало материала для разбора.
• ИИ ищет не просто любые записи, а содержательные ситуации: удачную продажу, ошибку менеджера, сильную отработку возражения или важный поворот в разговоре. Руководитель затем проверяет отобранные звонки и контекст сделки.
• Важная часть решения — двойное обезличивание. Из расшифровки убираются персональные данные, а оригинальный голос заменяется нейтральной озвучкой. Это снижает риск утечки данных и помогает обсуждать не конкретного сотрудника, а саму рабочую ситуацию.
• Главный вывод: ИИ здесь не заменяет руководителя, а снимает с него рутину поиска и подготовки материала. В результате отдел получает живую библиотеку актуальных кейсов по возражениям и сценариям продаж, а новые сотрудники учатся не на случайных звонках из CRM, а на уже разобранных примерах.

 

Подробнее

Библиотека кейсов: как отделу продаж находить звонки для обучения с помощью ИИ

Почти в любом отделе продаж есть ритуал: разбирать звонки. Слушать реальные разговоры менеджеров с клиентами и вместе думать, что можно было сделать иначе. Штука полезная, но у нее есть слабое место — подготовка. Кто-то должен каждую неделю найти в потоке звонков несколько по-настоящему стоящих, обезличить их и превратить в учебный материал, и вручную это отнимает часы.

О том, как этот процесс может взять на себя ИИ, рассказала Дарья Липчинская, тимлид отдела повторных продаж Битрикс24

Боль: где взять хорошие звонки для разбора

Проблема знакома, наверное, любому руководителю продаж. Чтобы провести разбор, нужны подходящие примеры, а найти их — отдельная работа: ходить по сделкам в CRM, искать нужное по причине закрытия или типу возражения, переслушивать. Когда у команды сотни звонков в неделю, выцепить из этого потока пару содержательных разговоров тяжело и долго.

Хранить «золотые» звонки в папках тоже неудобно: со временем они теряют актуальность. Клиенты и возражения меняются — например, за последний год у многих в разговорах появилась тема вайбкодинга, которой раньше не было вовсе, — поэтому подборку приходится постоянно обновлять. И еще важно правильно выбирать материал: новичок легко примет случайный прием из неудачного звонка за хороший пример и возьмет его на вооружение.

Отдельный, неочевидный со стороны момент — анонимность. Казалось бы, обучение внутреннее, чего скрывать. Но представьте: на разборе несколько человек обсуждают ваш разговор и отмечают, что менеджер «не очень отработал». А если ваш звонок попадает на разбор вторую неделю подряд, легко подумать: «Что, я самый плохой?». Даже те, кто в резюме пишет, что «лоялен к обратной связи», воспринимают такое внимание к своим звонкам остро. Поэтому материал для планерок стоит обезличивать — чтобы команда обсуждала ошибку, а не человека.

Как ИИ отбирает стоящие звонки из потока

В первую очередь приложение делает первичный отбор звонков. Для этого оно:

1. Загружает звонки за нужный период и позволяет отфильтровать их по воронке, менеджеру и длительности. Разговоры короче двух минут не учитываются: как правило, в них недостаточно материала для разбора.
2. Передает весь отобранный поток на анализ ИИ-модели. Она прослушивает звонки и размечает их: удачная продажа, неудачная или пустой разговор вроде «перезвоните — да-да, хорошо».

Дальше задача приложения — найти среди этих звонков содержательные случаи: разговоры, в которых произошел важный поворот — менеджер допустил ошибку или, наоборот, хорошо отработал ситуацию и довел клиента до покупки.

ИИ не всегда классифицирует звонки точно, поэтому перед разбором руководитель переслушивает отобранные записи. В карточке каждого звонка есть ссылка прямо на сделку, поэтому проверить контекст можно сразу. При этом из сотен разговоров система оставляет десяток кандидатов, и руководителю уже не приходится просматривать весь поток вручную.

Двойное обезличивание — текст и голос

Дальше отобранный звонок нужно превратить в кейс, и здесь у приложения есть его сильная особенность: оно обезличивает не только текст расшифровки, но и голос. Многие убирают из кейсов персональные данные, но оставляют оригинальную запись, — а мы заменяем и звук на нейтральную озвучку. Поэтому готовым кейсом не страшно делиться: ни данных клиента, ни узнаваемого голоса менеджера в нем не остается.

Зачем это нужно, видно из двух причин. Первая — техническая. Кейс мы озвучиваем через сторонний сервис синтеза голоса, а расшифровку для анализа прогоняем через ИИ; отдавать во внешние системы персональные данные нельзя, а в разговорах их полно: клиенты диктуют телефоны, почту, реквизиты. Поэтому приложение убирает ФИО, номера, email, а имена заменяет на сквозных героев — у нас это всегда Борис, который не хочет продлевать подписку, и Александра, которая пытается его удержать. Название компании само по себе не персональные данные, но его тоже меняем, чтобы менеджеры не узнали, чей это разговор. После автозамены все проверяется вручную.

Вторая причина — психологическая. Именно обезличивание (и текста, и голоса) позволяет команде спокойно обсуждать рабочие ситуации, не переходя на личности, — тот самый комфорт, без которого разборы быстро превращаются в стресс.

Как звонок становится кейсом

После отбора ИИ-модель готовит по каждому звонку короткое саммари, выделяет ключевые моменты и формирует выводы. Также она проставляет теги — тип сделки, тип возражения (дорого, нет бюджета, не поняли функционал и так далее). Для анализа в промпт заранее заложены критерии оценки, скрипты и описание работы отдела: модель понимает, с чем сравнивать звонок и что считать удачной отработкой.

После этого подключается руководитель. Он проверяет выводы модели, исправляет неточности и добавляет собственный разбор: что менеджер сделал хорошо, где ошибся и что стоило сделать иначе. Затем кейс озвучивается — при необходимости можно поправить ударение, если нейросеть произнесла слово неправильно, — и публикуется в библиотеке. В команде собрали решение через Битрикс24 Коворк/Код.

Что в итоге видят менеджеры

Сам процесс отбора и обезличивания менеджеры не видят вообще. Для них есть только «Библиотека» — готовые, анонимные, озвученные кейсы с разбором. Список исходных звонков и процесс их отбора остаются за кадром: просто «вот три кейса на эту пятницу, давайте посмотрим, что можно было сделать лучше» или «вот смотрите, как классно здесь сработали, что возьмем себе в работу».

На разборе команда обсуждает и удачные, и неудачные кейсы вместе — накидывает варианты, обменивается опытом. А когда приходит новый сотрудник, ему не нужно, как раньше, слушать случайные разговоры из CRM: он сразу учится на отобранных кейсах по конкретным типам возражений — с контекстом и комментариями руководителя.

Что это дало

Приложение работает с июля. На старте были две задачи — снять с руководителя рутину поиска звонков и накапливать собственную базу разобранных разговоров, — и обе уже решаются. Раньше собрать подборку для планерки было отдельной мукой, теперь свежие отобранные кейсы под нужные возражения появляются сами. А параллельно у отдела копится своя библиотека: актуальные, уже разобранные разговоры с комментариями.

Именно эта база — главная ценность на вырост. Со временем она превращается в историю реальных разговоров и отработки возражений, которую можно передавать новым сотрудникам, не выискивая каждый раз примеры в CRM вручную. И, пожалуй, главный вывод из этой истории в том, что подобное решение под конкретную рабочую задачу сегодня можно собрать самому за несколько выходных, без разработчиков.