Разработка AI-системы автообзвона клиентов для опросов (CSAT/NPS)

Разработка AI-системы автообзвона клиентов для опросов (CSAT/NPS)

Голосовой обзвон для NPS/CSAT обеспечивает response rate 30–45% против 5–10% для email-опросов. AI-бот собирает оценки, задаёт уточняющие вопросы при низких оценках и передаёт детальные ответы в аналитику.

Архитектура опросной системы

class SurveyBot:
    def __init__(self, survey_config: dict):
        self.questions = survey_config["questions"]
        self.triggers = survey_config.get("escalation_triggers", {})

    async def conduct_survey(
        self,
        call: ActiveCall,
        context: dict
    ) -> SurveyResult:
        responses = {}

        for question in self.questions:
            # Задаём вопрос
            await call.say(question["text"].format(**context))

            # Собираем ответ
            user_response = await call.listen(timeout_sec=10)
            parsed = await self.parse_response(user_response, question["type"])
            responses[question["id"]] = parsed

            # Условное ветвление
            if question.get("followup_if_low") and parsed.get("value", 10) <= 6:
                followup = question["followup_if_low"]
                await call.say(followup["text"])
                followup_response = await call.listen(timeout_sec=20)
                responses[f"{question['id']}_reason"] = followup_response

            # Эскалация при критичных оценках
            if parsed.get("value") is not None and parsed["value"] <= 3:
                if question["id"] in self.triggers:
                    await self.escalate_to_human(call, context, responses)
                    break

        return SurveyResult(
            contact_id=context["contact_id"],
            responses=responses,
            nps_score=responses.get("overall_rating", {}).get("value"),
            completed=True
        )

NPS-специфичная логика

NPS_SURVEY_SCRIPT = {
    "opening": "Здравствуйте, {name}! Вы недавно воспользовались нашими услугами. Уделите 1 минуту?",
    "nps_question": "По шкале от 0 до 10, насколько вероятно, что вы порекомендуете нас друзьям?",
    "detractor_followup": "Что нам нужно улучшить, чтобы получить более высокую оценку?",
    "promoter_followup": "Что вам особенно понравилось?",
    "closing": "Спасибо за ваш отзыв! Это помогает нам стать лучше. До свидания!"
}

def categorize_nps(score: int) -> str:
    if score >= 9: return "promoter"
    if score >= 7: return "passive"
    return "detractor"

Аналитика результатов

async def calculate_nps_report(campaign_id: str) -> dict:
    results = await db.get_survey_results(campaign_id=campaign_id)

    promoters = sum(1 for r in results if r["nps_score"] >= 9)
    detractors = sum(1 for r in results if r["nps_score"] <= 6)
    total_with_score = sum(1 for r in results if r["nps_score"] is not None)

    nps = ((promoters - detractors) / total_with_score * 100) if total_with_score > 0 else 0

    # Тематический анализ открытых ответов
    open_answers = [r.get("overall_rating_reason") for r in results if r.get("overall_rating_reason")]
    themes = await extract_feedback_themes(open_answers)

    return {
        "nps": round(nps, 1),
        "response_rate": len(results) / campaign_total * 100,
        "promoters_pct": promoters / total_with_score * 100,
        "detractors_pct": detractors / total_with_score * 100,
        "top_issues": themes["negative"][:5],
        "top_strengths": themes["positive"][:5]
    }

Сроки: NPS/CSAT-бот — 2–3 недели. С тематическим анализом открытых ответов — 1.5 месяца.