Как построить оценку качества контакт-центра с помощью Speech Analytics API

Привет, Хабр! Контакт-центры — это важная линия взаимодействия бизнеса с клиентами. Клиенты могут быть разными: кто-то жалуется на задержки, кто-то хочет вернуть товар, а кто-то просто звонит выразить благодарность. Но для бизнеса важно понять одно: насколько хорошо оператор решил проблему клиента? И ушел ли клиент довольным?

Раньше оценка качества работы операторов выглядела так: субъективные анкеты, прослушивание случайных звонков, мнения «экспертов» на основании пары реплик. Сегодня это прошлый век. Мы живем в эпоху аналитики. Speech Analytics API позволяет собирать объективные данные: как долго говорил оператор, перебивал ли клиент, присутствовали ли жалобы или эмпатия.

В этой статье создадим систему для анализа качества работы операторов. Будем извлекать данные о звонках, сохранять их в базе данных и автоматизируем процесс с помощью webhook. В конце концов, контакт-центр — это не только про разговоры, это про цифры.

Что будем использовать

Перед тем как копаться в коде, разберемся, из чего будем создавать систему:

• Golang — этот язык отлично подходит для создания надежных и быстрых сервисов.

• Speech Analytics API от Exolve — основной инструмент для получения аналитики звонков.

• SQLite + GORM — простая, но мощная база данных, которая позволит хранить результаты.

• Webhook — чтобы система реагировала автоматически.

• HTTP и JSON — стандартный способ взаимодействия с API.

Как выглядит классификация

Классификаторы в Speech Analytics — это ключевые слова или фразы, которые позволяют автоматически выделить важные моменты в разговоре. Например:

• Если клиент говорит: «Я недоволен вашим сервисом», тег Жалобы и недовольства сразу фиксирует жалобу.

• Если оператор отвечает: «Извините за неудобства», тег Эмпатия отмечает проявление эмпатии.

Еще примеры тегов:

Эти данные могут быть полезны для:

• Обучения операторов: выявляем, кто лучше справляется с жалобами.

• Улучшения сервисов: анализируем, почему клиенты недовольны.

• Оптимизации KPI: отслеживаем, как часто операторы проявляют эмпатию.

Какие данные можно получить

Когда вы вызываете метод GetSpeechAnalytic, API возвращает структурированные данные. Поля, которые нас интересуют:

classifier_statistics — статистика классификаторов, где для каждой категории подсчитывается количество совпадений.

transcription — текстовая расшифровка разговора с выделением ключевых фраз и привязкой к тегам.

{   "classifier_statistics": {     "classification_results": [       {         "classifier": "complaints",         "total_count": 1       },       {         "classifier": "empathy",         "total_count": 1       },       {         "classifier": "ask_for_boss",         "total_count": 1       }     ]   },   "transcription": [     {       "channel_tag": "0",       "text": "Я недоволен обслуживанием!",       "start_time": "00:00:05",       "end_time": "00:00:08",       "classifiers": [         {           "classifier": "complaints",           "highlighted_text": "Я недоволен"         }       ]     },     {       "channel_tag": "0",       "text": "Хочу поговорить с вашим начальником!",       "start_time": "00:00:09",       "end_time": "00:00:12",       "classifiers": [         {           "classifier": "ask_for_boss",           "highlighted_text": "поговорить с вашим начальником"         }       ]     },     {       "channel_tag": "1",       "text": "Извините за неудобства. Мы решим вашу проблему.",       "start_time": "00:00:13",       "end_time": "00:00:16",       "classifiers": [         {           "classifier": "empathy",           "highlighted_text": "Извините за неудобства"         }       ]     }   ] }

Мы видим два ключевых блока данных:

1. classifier_statistics:
   Это статистика классификаторов, которая подсчитывает количество срабатываний каждого тега. Например:

   • complaints — 1 жалоба.

   • empathy — 1 случай эмпатии.

   • ask_for_boss — 1 запрос на разговор с начальником.

2. transcription:
   Расшифровка разговора с привязкой фраз к тегам. Каждая фраза содержит:

   • Кто говорил: клиент (0) или оператор (1).

   • Текст фразы и временные метки начала и конца.

   • Список классификаторов с выделением ключевых фраз.

Как это работает:

1. Сначала клиент говорит: «Я недоволен обслуживанием!» — это автоматически фиксируется как complaints.

2. Затем клиент просит начальника: «Хочу поговорить с вашим начальником!» — появляется тег ask_for_boss.

3. Оператор отвечает: «Извините за неудобства» — срабатывает тег empathy.

Что можно увидеть в этих данных:

classifier_statistics: две жалобы, один случай эмпатии.

transcription: первая фраза клиента: «Я недоволен обслуживанием!». К ней привязан тег complaints. Ответ оператора: «Извините за неудобства». К ней привязан тег empathy.

Реализация системы анализа звонков

Настройка базы данных

Первым делом создадим базу данных, чтобы сохранять данные звонков, классификаторов и статус обработки.

type CallAnalysis struct {     ID          uint   `gorm:"primaryKey"`     CallID      uint64 `gorm:"not null;unique"`  // Уникальный идентификатор звонка     Classifier  string `gorm:"not null"`         // Название классификатора (например, complaints)     TotalCount  int    `gorm:"not null"`         // Количество совпадений классификатора     Status      string `gorm:"default:'pending'"`// Статус обработки: pending, completed, failed }  func initDB() (*gorm.DB, error) {     db, err := gorm.Open(sqlite.Open("analytics.db"), &gorm.Config{})     if err != nil {         return nil, fmt.Errorf("ошибка подключения к базе: %w", err)     }     if err := db.AutoMigrate(&CallAnalysis{}); err != nil {         return nil, fmt.Errorf("ошибка миграции базы: %w", err)     }     return db, nil }

Эта структура позволяет сохранять информацию о звонках и классификаторах. Поле Status поможет отслеживать этапы обработки данных.

Реализация вебхука

Теперь создадим сервер, который будет принимать уведомления от МТС Exolve и обрабатывать их.

import (     "github.com/gin-gonic/gin"     "gorm.io/gorm"     "log"     "net/http" )  // Структура для обработки входящих данных type WebhookPayload struct {     CallID uint64 `json:"call_id"` }  // Обработчик вебхука func handleWebhook(db *gorm.DB) func(c *gin.Context) {     return func(c *gin.Context) {         var payload WebhookPayload         if err := c.BindJSON(&payload); err != nil {             c.JSON(http.StatusBadRequest, gin.H{"error": "Неверный формат данных"})             return         }          // Получаем аналитику звонка         analytics, err := GetSpeechAnalytic(payload.CallID)         if err != nil {             log.Printf("Ошибка получения аналитики: %v", err)             c.JSON(http.StatusInternalServerError, gin.H{"error": "Ошибка получения аналитики"})             return         }          // Сохраняем данные в базу         for _, classifier := range analytics.ClassifierStats {             record := CallAnalysis{                 CallID:     payload.CallID,                 Classifier: classifier.Classifier,                 TotalCount: classifier.TotalCount,                 Status:     "completed",             }             if err := db.Create(&record).Error; err != nil {                 log.Printf("Ошибка сохранения данных: %v", err)             }         }          c.JSON(http.StatusOK, gin.H{"message": "Аналитика сохранена"})     } }  func main() {     db, err := initDB()     if err != nil {         log.Fatalf("Ошибка инициализации базы данных: %v", err)     }      r := gin.Default()     r.POST("/webhook", handleWebhook(db))     r.Run(":8080") }

Этот сервер принимает вебхуки, вызывает метод GetSpeechAnalytic, чтобы получить аналитику звонка, и сохраняет данные в базу.

Получение данных о звонке

Метод GetSpeechAnalytic запрашивает данные аналитики для звонка.

package main  import ( "bytes" "encoding/json" "fmt" "net/http" "os" "time" )  type ClassifierResult struct { Classifier   string `json:"classifier"`   // Тег (например, complaints) TotalCount   int    `json:"total_count"` // Количество совпадений }  type SpeechAnalyticsResult struct { CallID          uint64             `json:"call_id"` ClassifierStats []ClassifierResult `json:"classifier_statistics"` }  // Получение аналитики звонка func GetSpeechAnalytic(callID uint64) (*SpeechAnalyticsResult, error) { endpoint := "https://api.exolve.ru/statistics/call-record/v1/GetSpeechAnalytic" payload := map[string]interface{}{ "call_id": callID, }  body, err := json.Marshal(payload) if err != nil { return nil, fmt.Errorf("ошибка сериализации: %w", err) }  req, err := http.NewRequest("POST", endpoint, bytes.NewBuffer(body)) if err != nil { return nil, fmt.Errorf("ошибка создания запроса: %w", err) } req.Header.Set("Authorization", "Bearer "+os.Getenv("EXOLVE_API_KEY")) req.Header.Set("Content-Type", "application/json")  client := &http.Client{ Timeout: 10 * time.Second, // Добавлен таймаут }  resp, err := client.Do(req) if err != nil { return nil, fmt.Errorf("ошибка выполнения запроса: %w", err) } defer resp.Body.Close()  if resp.StatusCode != http.StatusOK { return nil, fmt.Errorf("ошибка: статус %d", resp.StatusCode) }  var result SpeechAnalyticsResult if err := json.NewDecoder(resp.Body).Decode(&result); err != nil { return nil, fmt.Errorf("ошибка декодирования ответа: %w", err) }  // Проверка на пустой результат if len(result.ClassifierStats) == 0 { return nil, fmt.Errorf("пустой результат аналитики") }  return &result, nil }

Анализ данных

После сохранения данных можно строить отчёты. Например, подсчитаем, сколько жалоб зафиксировано за день, а также рассчитаем долю эмпатии среди всех классификаторов для каждого звонка:

SELECT     call_id,     SUM(CASE WHEN classifier = 'complaints' THEN total_count ELSE 0 END) AS complaints,     SUM(CASE WHEN classifier = 'empathy' THEN total_count ELSE 0 END) AS empathy_count,     ROUND(SUM(CASE WHEN classifier = 'empathy' THEN total_count ELSE 0 END) * 100.0 /           SUM(total_count), 2) AS empathy_ratio FROM call_analysis GROUP BY call_id;  Или создадим общий отчет по звонкам: type Report struct { CallID       uint64  `json:"call_id"` Complaints   int     `json:"complaints"` EmpathyCount int     `json:"empathy_count"` EmpathyRatio float64 `json:"empathy_ratio"` // Процент эмпатии }  func generateReport(db *gorm.DB) ([]Report, error) { var reports []Report err := db.Raw(`         SELECT             call_id,             SUM(CASE WHEN classifier = 'complaints' THEN total_count ELSE 0 END) AS complaints,             SUM(CASE WHEN classifier = 'empathy' THEN total_count ELSE 0 END) AS empathy_count,             ROUND(SUM(CASE WHEN classifier = 'empathy' THEN total_count ELSE 0 END) * 100.0 /                   SUM(total_count), 2) AS empathy_ratio         FROM call_analysis         GROUP BY call_id     `).Scan(&reports).Error if err != nil { return nil, fmt.Errorf("ошибка создания отчёта: %w", err) } return reports, nil }

Заключение

Мы создали систему, которая:

• Анализирует звонки и выделяет ключевые теги.

• Сохраняет данные в базе.

• Использует вебхуки для автоматизации.

Что дальше? Можно добавить более сложную аналитику: подключить классификаторы для анализа долгосрочных трендов, строить отчеты о ключевых метриках или запустить систему рекомендаций для операторов в реальном времени. Не бойтесь экспериментировать.

Документация Speech Analytics API.

---

Подписывайтесь на наш Хаб, следите за новыми гайдами и получайте приз

Каждый понедельник мы случайным образом выбираем победителей среди новых подписчиков нашего Хабр-канала и дарим крутые призы от МТС Exolve: стильные рюкзаки, лонгсливы и мощные беспроводные зарядки. Победители прошлых розыгрышей и правила.