Как логистическая компания увеличила повторные продажи на 28% и снизила нагрузку на операторов на 40% за 3 месяца

Бизнес, который работает на пределе возможностей

Компания «Энергия» — лидер в сфере логистики на территории России и СНГ.
За 20 лет работы она охватила более 35 000 населенных пунктов, открыла 597 грузовых терминалов в 6 странах и выросла до штата в 4500 сотрудников.

При таком масштабе любая неэффективность становится заметной:

• Огромный поток обращений от клиентов — до 80% из них однотипные вопросы о статусах доставки, стоимости услуг и сроках.
• Ручное управление повторными продажами — клиенты забывают о предложениях и акциях, уходят к конкурентам.
• Операторы перегружены — в высокий сезон заявки копятся быстрее, чем их успевают обработать.

Было очевидно, что рост компании ограничивается человеческим фактором.

Почему стандартные решения не работали

Рынок предлагал массу вариантов: от простых чат-ботов с заранее прописанными сценариями до CRM-интеграций. Но ни одно из них не подходило.

1. Чат-боты с готовыми ответами. Они могли закрыть лишь базовые вопросы, но не адаптировались к новым сценариям. Любое обновление требовало сложных правок, что замедляло процесс.
2. Сложные IT-системы. Внедрение занимало месяцы, требовало значительных затрат и не гарантировало гибкости.

Решением стал генеративный ИИ, способный не только понимать запросы, но и адаптироваться к различным формулировкам и новым задачам.

Какие задачи стояли перед нами

Компания «Энергия» обратилась к нам с четким запросом:

1. Автоматизировать ответы на вопросы клиентов, чтобы снизить нагрузку на операторов.
2. Увеличить повторные продажи за счет персонализированных предложений.
3. Систематизировать огромный массив информации, чтобы передать его боту.
4. Создать гибкое решение, которое можно развивать, не тратя месяцы на обновления.

Подготовка: работа с данными

Перед тем как внедрять ИИ, мы провели масштабную работу с данными:

1. Анализ и классификация запросов. Мы изучили обращения клиентов за последний год — это более 1 миллиона заявок. Все запросы разделили на категории: статусы доставки, стоимость перевозки, условия сотрудничества, вопросы по возвратам и рекламациям.

2. Сбор и систематизация информации.

• Собрали все скрипты операторов, обучающие материалы и регламенты.
• Проверили каждый документ на актуальность.
• Привели данные к удобной структуре, чтобы ИИ мог их «понимать» и использовать.

3. Создание базы знаний. Мы объединили все данные в единую базу знаний, которую ИИ использовал для ответов на вопросы.

Почему генеративный ИИ — это лучшее решение

Генеративный ИИ отличается от традиционных чат-ботов своей гибкостью:

• Он понимает разные формулировки запросов, даже если они написаны с ошибками.
• Обучается на новых данных. Когда клиенты задавали вопросы, которых не было в базе, бот «запоминал» их и передавал информацию в виде отчетов.
• Генерирует персонализированные ответы, а не выбирает готовый шаблон.

Эти преимущества позволили нам создать систему, которая стала настоящим помощником для компании.

Как проходила работа над внедрением

Этап 1: тестирование. Мы начали с малого — запустили бота в популярных мессенджерах, где общались 80% клиентов. Провели A/B тестирование, сравнивая работу бота с ответами операторов.

Этап 2: адаптация.

• Внесли более 200 правок на основе первых тестов.
• Подключили интеграцию с ERP-системой компании, чтобы бот мог в реальном времени получать данные о заказах.
• Обучили ИИ реагировать на негативные отзывы и передавать их оператору.

Этап 3: постоянное улучшение. Ежедневно мы анализировали:

• Время ответа бота.
• Процент успешных решений без вмешательства человека.
• Отзывы клиентов. По итогам дорабатывали логику работы, добавляли новые сценарии.

Этап 4: интеграция функций продаж. Мы научили бота напоминать клиентам о текущих акциях, предлагать дополнительные маршруты и услуги. Это дало мощный прирост повторных продаж.

Результаты, которых мы достигли

1. Снижение нагрузки на операторов на 40%. ИИ взял на себя 80% однотипных запросов, освободив операторов для более сложных задач.

2. Рост повторных продаж на 28% за 3 месяца. Клиенты стали чаще возвращаться благодаря напоминаниям о наших предложениях.

3. Повышение лояльности клиентов на 22%. Быстрые и точные ответы, персонализированные предложения — всё это сделало взаимодействие с компанией удобным и приятным.

Какие проблемы мы решали ежедневно

1. Контроль качества. Каждый день мы проверяли отчеты бота: какие вопросы он обработал, какие передал операторам. Это помогало оперативно исправлять ошибки.
2. Анализ обратной связи. Мы изучали отзывы клиентов, чтобы понимать, где система еще требует доработок.
3. Докрутка сценариев. На основе анализа работы бота мы еженедельно добавляли новые сценарии, улучшали структуру базы знаний и адаптировали ответы под реальные запросы.