Как премиум-автосалон Crystal Car сократил потерю лидов на 20% 
и увеличил конверсию в визиты на 18% через ИИ-аналитику звонков

В премиальных продажах ошибка менеджера может стоить миллионы рублей. Но когда звонков сотни, а прослушивается только 10% диалогов, руководитель просто не видит, где именно теряются лиды.

В этом кейсе расскажем, как премиальный автосалон Crystal Car автоматизировал контроль качества звонков, внедрил ИИ-скоринг в Bitrix24 и DataLens, сократил потерю лидов на 20% и получил прозрачную систему управления продажами.

CrystalCar — премиальный автосалон в Москве. Каждый звонок — потенциальная сделка на несколько миллионов рублей, поэтому качество общения с клиентом здесь прямой фактор выручки: перепутал имя клиента — табу, нахамил — красный флаг.

В отделах продаж качество общения часто оценивается выборочно: руководитель слушает несколько звонков и дает менеджерам общую обратную связь. Проблема в том, что при росте команды и количества лидов в нишах с дорогим трафиком и высоким чеком такой подход перестает работать.

За решением такой проблемы в Аихаб обратился Crystal Car – премиальный автосалон в Москве. В компании работают колл-центр и отдел продаж – суммарно около 15 человек. Каждый месяц команда обрабатывает примерно 1700 звонков, а средний чек сделки составлял около 17 миллионов рублей.

У компании было огромное количество «слепых зон». Менеджеров много, звонков много, все продают по-разному, но полной прозрачности не было. Даже если CRM заполнена идеально, руководитель до конца не понимал, почему один менеджер закрывает встречи лучше другого и какие возражения менеджеры не умеют отрабатывать.

До внедрения ИИ большая часть проблем оставалась незаметной.

До внедрения автоматизации от Аихаб работа строилась стандартно для большей части рынка: Google-таблицы, теги в Bitrix24, выборочная прослушка звонков. Анализировалось около 10% диалогов, а полноценного скоринга не было вообще. Когда появлялись дополнительные задачи, процент прослушки еще сильнее сокращался, и обрабатывали только те звонки, которые физически успевали.

Компания рассматривала Mango Office и Яндекс Бизнес, но стандартные чек-листы сервисов были далеки от реальной специфики премиального автобизнеса:

Именно поэтому Crystal Car искали не коробочное решение, а систему, которую можно адаптировать под собственные бизнес-процессы. 

Для Crystal Car было важно учитывать собственные red flag среди менеджеров: хамство, неправильное имя клиента, отсутствие назначения встречи, ошибки в презентации автомобиля и другие нюансы невозможно уложить в типовое решение.

Дополнительно критически важной была интеграция с Bitrix24 и DataLens, чтобы вся аналитика автоматически попадала в CRM и отчеты.

Поэтому команда Crystal Car обратилась в Аихаб с задачей оцифровать работу менеджеров по продажам и получить прозрачную систему контроля качества звонков через адаптированный под специфику бизнеса чек-лист оценки и получать по нему скоринг для сравнения менеджеров между собой.

У Crystal Car был нестандартно настроенный Bitrix24, поэтому типового подключения здесь не существовало – всю интеграцию мы реализовывали с нуля. Мы отдельно настроили получение звонков, их обработку и отправку всех результатов обратно в CRM.

Одной из ключевых особенностей проекта было разделение звонков на два независимых потока:

• первый – звонки колл-центра, где менеджеры принимают первичные обращения и квалифицируют клиента;
• второй – звонки отдела продаж, где уже идет презентация автомобиля, работа с возражениями и закрытие на сделку.

Для каждого отдела мы выстроили отдельную логику оценки: разные сценарии общения, разные критерии качества и отдельные чек-листы.

Основой всей системы стали кастомные чек-листы клиента. Изначально команда Crystal Car пришла к нам уже с собственной таблицей критериев и правил проверки звонков. Мы взяли эту структуру за основу и построили вокруг нее полноценную систему автоматической оценки.

Теперь каждый звонок автоматически проходит проверку по десяткам параметров. После анализа все данные отправляются обратно в Bitrix24 в виде отдельных полей сделки и DataLens. Помимо даты звонка и оценки менеджера мы также передаем в CRM:

• краткое содержание разговора;
• найденные ошибки;
• цитаты из звонка;
• комментарии по критическим моментам;
• теги и результаты классификации.

Отдельно пришлось глубоко дорабатывать логику самих атрибутов. Например, один из самых сложных блоков – «выявление потребностей клиента».

На старте это была простая проверка «да/нет»: выявил менеджер потребности или нет. Но в процессе работы мы переработали логику так, чтобы система автоматически выделяла потребности клиента из разговора. В итоге атрибут стал работать так:

• если потребности не выявлены – система возвращает «нет»;
• если выявлены – формирует список категорий: цвет, комплектация, кредит, трейд-ин, опции и т.д.

Причем это были не случайные формулировки из разговора, а заранее нормализованные категории, которые использует сам клиент в аналитике.

Точно такую же механику мы реализовали для:

• возражений;
• упоминаний конкурентов;
• причин отказов;
• проблемных зон в коммуникации.

В основе анализа используется GPT-модель, которую мы адаптировали под конкретные бизнес-задачи клиента через систему промптов и правил валидации.

Процесс калибровки чек-листов занял 3 месяца, а тестирование системы продолжается на постоянной основе. Если встречается аномалия, то отдельный сотрудник контроля качества вручную подключается, переслушивает звонок, апдейтит чек-листы и уточняет промпты.

После интеграции Аихаб компания стала в течение дня видеть некачественно обработанные обращения и сразу реагировать на них. Основные результаты:

Потеря лидов сократилась на 20%, потому что проблемные звонки либо передавались сильным сотрудникам, либо менеджеры сами разбирали свои ошибки и возвращали лид в работу. По аналитике Аихаб стало видно, кто из менеджеров не агитирует активно на визит, и прорабатывать это, из-за чего конверсия в визиты выросла на 18%.

Менеджеры стали получать конструктивную обратную связь по конкретным звонкам, появилась прозрачность в оценке. Сначала систему воспринимали в штыки как «контролёра», но со временем, когда пошла конструктивная обратная связь, отношение изменилось.

Из-за наглядности отчетов и статистики выросло понимание ошибок менеджеров, а отслеживать red-флаги и green-флаги можно день за днем. Появилась возможность сравнивать менеджеров между собой по среднему баллу и видеть корреляцию (или отсутствие) с продажами.

Также компания начала глубже понимать самих клиентов. Система тегирует возражения, выявляет боли и показывает, какие вопросы чаще всего влияют на решение о покупке.

Например, в Crystal Car заметили, насколько для клиентов BMW важна комплектация автомобиля. После этого компания усилила блок презентации салона и скорректировала коммуникацию в рекламе и на первом касании.

ИИ помог выстроить систему обучения. На основе успешных звонков и отработки возражений в компании появился внутренний «курс молодого бойца» для новичков. Новые сотрудники учатся не на теории, а на реальных кейсах сильных менеджеров.

Кейс Crystal Car показал, что автоматизация контроля качества в продажах премиального сегмента перестала быть вспомогательным инструментом и стала прямым драйвером выручки. После внедрения система автоматически анализирует около 1700 звонков в месяц и помогает компании оперативно реагировать на проблемные звонки. Это привело к сокращению потерь лидов на 20% и росту конверсии в визиты примерно на 18%.

В будущем Crystal Car планируют пересмотр чек-листа на основе анализа успешных сделок, например, какие пункты уже не актуальны, а какие нужно добавить. Также команда рассматривает создание отдельного автоматизированного дашборда по баллам и проценту выполнения чек-листа для каждого менеджера.

Если вы тоже хотите увидеть, где именно теряются ваши лиды и какие ошибки менеджеров снижают конверсию, оставьте заявку на сайте. На демо покажем на примерах действующих клиентов, как Аихаб находит точки потерь в звонках и какие из них можно быстро исправить без увеличения команды контроля качества.