Кейс страховой компании о том, как мы исследовали взаимосвязь между обнаружением спама и низкими показателями успешных холодных звонков.

Холодный звонок: «Привет, Бен! Я Алекс, торговый представитель страхового агентства X. Я слышал, что вы ищете продление автострахования, и я хотел бы поделиться с вами отличным предложением, которое у нас есть. У вас есть пара минут, чтобы обсудить это?»

Что бы вы ответили на месте Бена? Высокий шанс – нет, если верить исследованию, проведенному Исследовательским центром Келлера при Университете Бэйлора, которое сообщает о 1% успеха при холодных звонках.

Общая причина всех этих «нет» заключается в том, что многие холодные звонки звучат как спамеры. Однако страховая компания может повысить свои шансы на успешные холодные звонки с помощью машинного обучения (ML). Как и в примере, который мы описываем ниже, машинное обучение дает компании отличное представление о взаимосвязи между спам-звонками и низкой производительностью, поэтому компания может использовать эту информацию для улучшения стратегии холодных звонков.

Снижение успешности холодных звонков

«Клиенты не отвечают на мои телефонные звонки» — велика вероятность того, что вы все чаще слышите эту жалобу от своих торговых представителей.

Ежегодный опрос делового общения 2021 года сообщает, что все больше компаний изо всех сил пытаются связаться со своими лидами и клиентами по телефону. Половина предприятий говорят, что доходят только до автоответчика, и с 2020 года эта проблема обострилась на 133% (исследователи связывают это изменение в поведении потребителей с пандемией Covid).

Впрочем, в этом нет ничего удивительного, поскольку в том же исследовании сообщается, что около 97% потребителей признаются, что не отвечают на звонки от компаний и неизвестные номера. Клиенты объясняют, что они просто пытаются уберечь себя от спама, особенно в связи с увеличением количества звонков роботов. Но проблема в том, что ваши холодные звонки могут быть проигнорированы или отправлены прямо на голосовую почту.

Почему холодные звонки помечаются как спам?

Обнаружение спама может быть грязным. Поскольку трудно провести четкую грань между служебными телефонными звонками со спамом и не спамом, клиенты или операторы телефонной связи могут по ошибке пометить ваш номер как спам. В конце концов, это может повлиять на эффективность ваших холодных звонков.

Вот наиболее распространенные факторы, влияющие на определение номера рабочего телефона как спама:

  • Количество звонков с одного и того же номера в день или час. Слишком активные номера, например те, которые совершают более 100 звонков в день, вызывают подозрения и чаще блокируются.
  • Частые сообщения клиентов о спаме. Если большее число получателей пометит номер как опасный или вероятный спам, операторы телефонной связи примут меры и пометят номер как спам, чтобы защитить своих клиентов.
  • Плохие сценарии разговоров. Некоторые агенты начинают с заезженных фраз или слишком рекламных фраз, что побуждает потенциальных клиентов преждевременно заканчивать разговор и помечать номер как спам. Наличие хороших сценариев или, что еще лучше, предоставление агентам убедительных тезисов вместо сценариев могло бы быть более эффективным. Это может привести к меньшему количеству зависаний, более длительным звонкам и большему количеству потенциальных клиентов.

Таким образом, если страховая компания привыкла звонить своим лидам в понедельник утром и делает более сотни холодных звонков до полудня, она сильно рискует, что ее номер будет обнаружен как спам.

Может ли обнаружение спама повредить вашему страховому бизнесу?

Сложный вопрос, кстати. На первый взгляд, ошибочная маркировка номеров рабочих телефонов как спама может иметь неблагоприятные последствия для компании. Здесь мы говорим о неспособности компании привлечь потенциальных клиентов, что в конечном итоге может привести к потере потенциальных клиентов и снижению доходов.

Наше собственное исследование страховой компании доказывает, что слишком много переменных влияет на показатели успешности холодных звонков, и мы не обнаружили прямой зависимости между обнаружением спама и эффективностью номера. Сегодня алгоритмы машинного обучения бросают вызов концепции холодных звонков и могут предоставить вам достаточно информации о вашей стратегии холодных звонков, чтобы сделать ее более эффективной.

Кейс страховой компании

Обзор компании

Наш клиент — страховая компания среднего размера, специализирующаяся на страховании имущества и автомобилей. Холодные звонки составляют значительную часть стратегии продаж Заказчика. Торговые представители регулярно звонят лидам, чтобы предложить им страховку.

Компания звонит с нескольких телефонных номеров, при этом ее база регулярно пополняется новыми лидами. Идея состоит в том, чтобы позвонить и поговорить с как можно большим количеством людей и закрыть максимальное количество сделок. Холодные звонки — один из ключевых каналов, по которым наш клиент привлекает новых страхователей, и поэтому они имеют большое значение для компании.

Вот еще несколько особенностей работы этой страховой компании, которые имели значение при решении данного примера:

  • Разные агенты работают с разными типами лидов, в зависимости от того, из каких источников эти лиды пришли.
  • Существуют также различные способы обработки этих лидов.
  • Разные агенты и операторы связи могут использовать один и тот же номер телефона для холодных звонков.
  • Поскольку агенты используют несколько конвейеров при работе с лидами, один и тот же номер телефона может использоваться по-разному в зависимости от агента, который с него звонит.

Бизнес вызов

Компания связалась с Intelliarts AI для исследования обнаружения спама и риска того, что их количество будет помечено как спам. Заказчик беспокоился, что то, что его номера попали в спам, повлияло на работу компании. Поэтому страховая компания хотела, чтобы мы использовали подход машинного обучения для:

  1. Понять, можем ли мы отследить, был ли номер обнаружен как спам
  2. Узнайте, как клиент может более эффективно совершать холодные звонки

Другими словами, это была скорее задача по поиску знаний, где мы должны были исследовать эффективность номера Заказчика и понять, есть ли какая-либо связь между номером, помеченным как спам, и его успешностью. В идеале мы должны сказать, можно ли было определить факторы, способствующие успеху холодных звонков страховой компании, чтобы компания могла работать над своими слабыми сторонами и повышать показатель успешных холодных звонков.

Бизнес-аналитика

Для выполнения этой задачи Заказчик предоставил нам некоторую информацию о лидах, которые компания собрала с помощью различных конвейеров данных. Это включало важную информацию, например, кто звонил, была ли сделка закрыта, данные о лидах и так далее. Мы также получили набор телефонных номеров, используемых агентами. Клиент указал, что у него есть пул номеров, который он использует и который регулярно пополняется новыми номерами.

Поскольку холодные звонки действительно важны для клиента, чтобы привлечь новых страхователей, страховая компания уже раньше пыталась решить свою бизнес-задачу. В частности, компания попросила стороннего поставщика вручную проверить ее телефонные номера на наличие спама.

Так мы получили еще один тип данных — метки, предоставленные этим вендором, которые помечали телефонные номера Заказчика, помеченные как спам. Эти данные стоили очень дорого, и, проанализировав эту информацию, наши специалисты по данным заметили, что почти все номера, которые проверяла система, были помечены как спам. Страховщик отправил 420 номеров на проверку спама, и только 2% номеров не были помечены как спам.

Решение

В нашем анализе мы использовали данные только за 2021 год как наиболее актуальные. На высоком уровне мы попытались использовать эти исторические данные, чтобы понять разницу между данными до и после того, как номера были помечены как спам.

1. Общий анализ телефонных звонков

Мы начали с общего анализа телефонных звонков, чтобы увидеть общую картину в этом случае. Наша команда хотела узнать, как со временем росло количество успешных холодных звонков и была ли какая-то связь между успешными и всеми звонками в целом.

Мы заметили, что данные об эффективности холодных звонков различаются до и после октября. Поэтому мы решили проанализировать звонки за эти два периода. Данные показали, что до октября количество успешных звонков (0,23), а также общее количество звонков (2,98) росло. Корреляция между вызовами была высокой (0,82).

После октября 2021 года ситуация изменилась:

  • Количество успешных звонков падало (-0,55)
  • Общее количество обращений росло (4,04)
  • Корреляция была ниже (0,66)

Вы можете просмотреть эти данные на графике:

Мы предположили, что этот спад связан с тем, что номера стали чаще помечаться как спам, и поэтому решили копнуть глубже. Наша первоначальная гипотеза заключалась в том, что эффективность холодных звонков падает после того, как номер помечен как спам. Чтобы это проверить, мы провели визуальный анализ номеров, которые сторонний поставщик пометил как спам.

Однако результаты показали, что мы ошибались: мы не заметили тенденции к снижению числа успешных звонков после того, как они были помечены как спам. Два графика ниже демонстрируют, что даже когда номер был помечен как спам, его эффективность продолжала меняться и была не такой низкой.

Еще одним интересным наблюдением было то, что 96% проанализированных нами телефонных номеров использовались менее 10 дней (не обязательно последовательно, но в целом). Последнее усложняло анализ с точки зрения временных рядов. Конечно, можно анализировать звонки по часам, но это не тот период времени, который подходит для поиска закономерности.

2. Анализ миграции номеров

Как было сказано ранее, для миграции между операторами связи, типами потенциальных клиентов и т. д. использовались разные телефонные номера, и наша команда предположила, что это также может влиять на производительность. Например, мы отслеживали успешность звонков с течением времени для номера телефона и то, как она менялась, когда номер был помечен как спам. Ожидалось, что производительность упадет после того, как номер будет помечен как спам, и это действительно произошло. Чего мы не ожидали, так это того, что производительность снова начала расти, когда с того же номера было сделано еще несколько звонков. Более того, у проанализированного номера могли быть разные носители, и это также повлияло на его успешность.

3. Неэффективность и анализ спама

Поскольку анализ с точки зрения временных рядов провести было невозможно, наши специалисты по данным сосредоточились на анализе с точки зрения количества звонков. Идея заключалась в том, чтобы понять, как неэффективность определенного номера коррелирует со спамом.

Решение было следующим:

  1. Мы выбрали группу звонков с одного номера и проанализировали ее по разным характеристикам звонков, например, кому звонила компания с этого номера или какие операторы связи были задействованы.
  2. В качестве следующего шага мы искали группы вызовов со схожими характеристиками и сравнивали эффективность проанализированных нами вызовов с эффективностью этих других групп вызовов. Цель состояла в том, чтобы увидеть, была ли вероятность успеха статистически разной в каждом случае, и если да, то каким образом.
  3. Мы также обратили внимание на уровень успеха до и после обнаружения спама, чтобы сравнить уровень успеха для разных групп звонков.

Наши результаты видны на следующем графике. Успешность проанализированных нами групп звонков была относительно низкой (2,14%). Большинство групп вызовов со схожими характеристиками работали лучше, что свидетельствует о недостаточной эффективности групп вызовов, которые мы проанализировали, по отношению к показателю успешных аналогичных вызовов.

Ниже вы также можете просмотреть пример вывода нашего решения. Как уже было сказано, идея заключалась в том, чтобы выбрать группу звонков и проверить, нет ли обнаружения спама.

Если рассмотреть результаты об успешности холодных звонков до и после обнаружения спама, мы обнаружили, что между проанализированными звонками не было серьезного снижения эффективности. Всего мы проверили успешность 1000 звонков (пять групп по 20 звонков в каждой) до и после обнаружения спама и не обнаружили между ними существенной статистической разницы.

В целом анализ подтвердил то, о чем мы подозревали ранее: неэффективность холодных звонков Клиента не была вызвана спамом, что опровергло все прежние предположения страховщика. Однако на показатель успеха в значительной степени повлияло то, кто звонил, кому звонила компания и как осуществлялись холодные звонки.

Ценность для бизнеса

Исследовательский проект завершился большим количеством информации о рынке и неожиданными результатами для Заказчика. Машинное обучение оказалось бесценным источником информации для страховых компаний. Если быть более точным с результатами проекта, то мы можем отметить следующее:

  • Мы предоставили Клиенту информацию о том, что в этом случае не было сильной корреляции между спамом и низкими показателями успешных холодных звонков на основе данных. Мы также рекомендовали страховщику выявлять неудовлетворительные результаты и пытаться их уменьшить.
  • Вторым важным выводом из данных клиента было множество факторов, влияющих на эффективность телефонного номера. Наша рекомендация здесь заключалась в том, чтобы создать систему управления номерами и способствовать успешности холодных звонков.
  • Мы также создали MVP, который может определять неэффективность телефонных номеров для клиента. В долгосрочной перспективе мы можем помочь страховой компании определить, какие именно факторы вызывают низкую эффективность холодных звонков.

Поскольку наше сотрудничество с этой страховой компанией продолжается, мы оставляем за собой возможность вернуться к этим рекомендациям позже и еще больше повысить эффективность холодных звонков компании.

Заворачивать

Как уже говорилось, наука о данных и машинное обучение могут помочь страховщикам понять, что именно вызывает низкий уровень успеха холодных звонков. Наша команда может построить модель с рекомендациями по улучшению производительности. Некоторые примеры рекомендаций, основанных на данных, могут включать в себя подсказки о том, когда лучше звонить лидам, как лучше организовать разговор и оставлять наиболее эффективные голосовые сообщения. В конце концов, страховщики могут также использовать эти идеи при обучении сотрудников в качестве важных свежих советов по холодным звонкам.

Холодные звонки уже давно используются как мощный метод продаж, который позволяет страховщикам охватить широкую аудиторию, а также устанавливать личные связи с потенциальными клиентами. Сегодня исследования доказывают снижение показателей успешности холодных звонков, что, вероятно, связано с ростом автоматических звонков, а также с тем, что все больше номеров помечаются как спам.

Машинное обучение может помочь вам определить, действительно ли обнаружение спама вызывает низкую эффективность ваших холодных звонков или, возможно, есть альтернативная причина. В любом случае, это поможет вашей страховой компании улучшить показатели успешных холодных звонков, предоставив вам интересную информацию о вашей стратегии холодных звонков.