Как ИИ помогает находить ошибки до того, как они начинают стоить компании денег

Продолжаем серию постов о том, как внедряем ИИ-подходы в мувинговую компанию в Нью-Йорке.

Мы уже рассказывали о том, как ИИ ускоряет процессы, снижает косты и помогает повышать эффективность компании.

Но есть ещё одна важная вещь: ИИ помогает находить ошибки до того, как они начинают стоить компании денег.

В мувинге estimate состоит из большого количества деталей. Сейлз собирает inventory, оценивает объём работы, рассчитывает количество часов, учитывает дополнительные услуги, маршрут, количество рабочих дней и особенности каждого move.

И здесь очень легко что-то пропустить или допустить ошибку, особенно если условий много.
Например, в мувинге есть правило расчета времени, когда трак едет пустой в начале и в конце работ.

Если общее время дороги составляет до 6 часов, к расчёту добавляется 30 минут. Если время превышает 6 часов, начинается следующий шестичасовой блок и нужно добавить уже 1 час.

Представим, что по маршруту получилось 6 часов 10 минут.

Менеджер увидел «6 часов» и добавил 30 минут:
6 h 10 min + 30 min = 6 h 40 min
Но по правилам нужно было добавить уже 1 час:
6 h 10 min + 1 h = 7 h 10 min
Разница — всего 30 минут.

Возьмем самую низкую ставку за 4 муверов на рынке — $150 в час. Тогда компания недополучает $75 на одной сделке.

Если такая ошибка происходит хотя бы 5 раз в месяц:
$75 × 5 = $375 в месяц
$375 × 12 = $4,500 в год
И это только один маленький участок одного правила, без учёта более дорогих moves, большего количества movers или других ошибок в estimate.

Но ошибка может работать и в другую сторону.

Представим move с несколькими адресами. Менеджер видит полный маршрут и добавляет всё время между адресами в время, когда трак едет пустой. При этом часть этой дороги уже включена в рабочее время команды. В результате одно и то же время попадает в quote дважды.

Для клиента цена выглядит выше, чем должна быть. Он просто сравнивает итоговую сумму с другими предложениями на рынке. И даже если у компании качественный сервис, хороший crew и сильная репутация, клиент может выбрать конкурента только потому, что наш quote оказался дороже из-за ошибки в расчёте.

То есть в одном случае компания теряет деньги, потому что не учла часть времени. В другом — теряет клиента, потому что случайно завысила стоимость.

И если такие ошибки происходят регулярно, они перестают быть небольшими.

И именно в этом одна из самых практичных ценностей ИИ для бизнеса.Не только сделать процесс быстрее, а системно находить небольшие ошибки, которые человек может не заметить, но которые при регулярном повторении превращаются в реальные деньги.

Что делать, если новый сейлз не знает, о чем спросить

Продолжаем рассказывать, как внедряем AI в мувинговой компании в Нью-Йорке.

В прошлом посте мы разбирали ошибку в оценке переезда. Она может выглядеть небольшой, но такую ошибку важно найти. Ещё важнее — сделать так, чтобы новый сейлз не повторил её в следующей сделке.

Поэтому мы начали с базы знаний для Sales.

В оценке переезда слишком много деталей: что клиент везёт, какие есть ограничения по адресам, сколько потребуется людей и времени, какие услуги нужны дополнительно. При этом ставки и условия нужно проверять в CRM, а не вспоминать из головы.

Когда мы собрали все правила, следующим шагом стало выстроить сам процесс обучения.

Если просто дать новичку чат, он сможет спросить, как посчитать конкретный переезд или что ответить клиенту. Это полезно в работе.

Но новичок не знает, о чём ещё ему следовало спросить. Он может не заметить, что клиент не сообщил важную деталь, и уверенно пойти готовить оценку.

Поэтому мы разбили обучение на этапы.

Сначала сейлз разбирается, какие услуги оказывает компания и как устроен путь клиента. Затем учится обрабатывать лида, выяснять детали переезда, выбирать способ оценки, готовить quote и передавать информацию дальше.

По каждому этапу можно изучить материалы самостоятельно или разбирать их в диалоге с базой. После теории идут вопросы и ситуации, похожие на реальные сделки компании.

Например: клиент назвал дату и адреса, но не прислал полный список вещей. Что сейлз может сделать сейчас, а для чего данных ещё недостаточно?

Так мы проверяем не только знание правила, но и способность вовремя остановиться, задать вопрос или передать нестандартную ситуацию тому, кто вправе принять решение.

И на этом база знаний не заканчивается.

Она остаётся инструментом для работы. Если вопрос возникает уже по реальной сделке, сейлзу не нужно ждать, пока освободится опытный коллега. Можно найти правило и понять следующий шаг.

А если подтверждённого ответа в базе нет, она не должна придумывать его за компанию.

Сейчас процесс обучения уже выстроен. Следующий шаг — сделать его измеримым.

Нам нужно определить, когда нового сейлза действительно можно допускать к самостоятельной работе.

Недостаточно сказать, что он прошёл все разделы или правильно ответил на 70% вопросов.

Нужно зафиксировать, что именно он должен уметь сделать без помощи: какие данные собрать, какие решения принять, что проверить в CRM, когда запросить недостающую информацию и какие ошибки недопустимы даже при хорошем общем результате.

Из этого будут складываться критерии готовности и KPI обучения.

И тогда мы сможем смотреть не просто на то, прошёл ли человек обучение, а на то, как быстро он начинает работать самостоятельно и сохраняется ли при этом качество его решений.

Потому что цель всей этой системы не в том, чтобы сейлз чаще пользовался AI.

Цель — передавать опыт новым людям по понятному процессу, измерять результат обучения и при этом меньше зависеть от постоянного участия самых сильных сотрудников.

Обучение пройдено. А что дальше?

Продолжаем разбирать процесс обучения сейлзов в мувинговой компании в Нью-Йорке.

В прошлом посте мы остановились на том, что обучение уже выстроено по этапам, а база знаний помогает последовательно передавать новому сотруднику знания компании. Но если сейлз прошел все этапы обучения, можем ли мы уже доверить ему реальные проекты?

Он может пройти все этапы обучения, правильно ответить на вопросы и выполнить практические задания. Но это ещё не значит, что он сможет так же действовать на реальных проектах.

База знаний может проанализировать ответы и процент успеваемости, но на этом этапе она фактически оценивает сама себя. Задания могут оказаться слишком простыми, а проверка знаний сразу после изучения материала ещё не показывает, насколько хорошо человек усвоил правила. И тогда получается, что мы оцениваем качество обучения, но не обязательно готовность сейлза к работе.

Поэтому нам нужно смотреть не только на то, как сейлз прошёл обучение, но и на то, что меняется в его работе после него.

Зачем мы вообще выстраиваем этот процесс? Не потому, что сейчас все внедряют AI, а потому, что хотим ускорить обучение сейлзов и повысить его качество. От работы сейлзов напрямую зависит доход компании: насколько правильно они собирают информацию, выбирают способ оценки, выставляют quote и обрабатывают лиды. Если они понимают правила и принимают решения не наугад, это может положительно влиять на конверсию, выручку и маржинальность.

Поэтому оценивать результат обучения мы решили с трёх сторон:

Как обучение влияет на бизнес в целом.
Насколько качественно выстроен сам процесс обучения.
Как быстро конкретный сейлз становится готов к самостоятельной работе.

Но что именно мы можем увидеть на каждом из этих уровней?

Если сотрудники регулярно ошибаются на одном и том же этапе, нужно разобраться, почему так происходит. Достаточно ли понятно описаны правила? Хватает ли инструкций? Правильно ли устроено обучение? Возможно, проблема не в сотрудниках, а в том, как мы передаём им знания.

Но даже если с обучением всё в порядке, это ещё не значит, что конкретный сейлз готов работать самостоятельно. Это уже нужно проверять на реальных проектах.

Поэтому готовность к самостоятельной работе мы решили оценивать отдельно по каждому этапу Sales process. У каждого этапа свои правила, ограничения и задачи. Нам важно понимать не только общий результат, но и то, где человек уже справляется сам, а где ему всё ещё нужна помощь.

Сначала смотрим, прошёл ли сейлз обучение: понимает ли правила, может ли выбрать правильный способ оценки, собрать полную информацию для quote, корректно заполнить CRM и не пропустить обязательный follow-up. Но здесь мы пока проверяем, усвоил ли он материал, а не то, как он будет действовать в работе.

Следующий этап — реальные проекты. Здесь уже смотрим, какие ошибки сейлз допускает, насколько часто требуется вмешательство, может ли он самостоятельно собрать данные, подготовить quote и передать проект дальше без потери важной информации. Только по результатам такой проверки можно понять, готов ли он работать самостоятельно.

В итоге нам важно не просто собрать базу знаний и выстроить обучение, а понять, работает ли всё это на практике. Проходит ли сейлз обучение быстрее, становится ли самостоятельнее, как его решения влияют на реальные результаты бизнеса.

И здесь есть ещё один момент. Если разные новые сейлзы ошибаются в одном и том же месте, не обязательно дело в том, что они плохо обучаются. Возможно, правило недостаточно понятно описано, нужной инструкции вообще нет или информацию пора обновить.

Поэтому мы проверяем не только сейлза, но и сам процесс обучения. Если находим места, которые мешают сотрудникам работать самостоятельно, разбираемся в причинах и исправляем их.