Как Росгосстрах построил речевую аналитику на open‑source и покрыл 100% звонков
Росгосстрах — один из крупнейших страховщиков России, работает в 85 регионах, обслуживает 17 млн частных и 300 тысяч. корпоративных клиентов. В штате — 50 000 сотрудников и 25 000 страховых агентов. Контакт-центр принимает около 15 000 звонков ежедневно.
TLDR
Контакт-центр Росгосстраха принимает 15 000 звонков в день, но служба контроля качества могла прослушать только 1% из них. Команда построила внутреннюю систему речевой аналитики на базе open-source решений.
Результат: 100% звонков под контролем, критичные инциденты обрабатываются за час, а скрытые проблемы клиентов впервые стали видимыми.
Проблема: 15 000 звонков в день и лишь 1% под контролем
В Росгосстрахе не было речевой аналитики. Служба контроля качества прослушивала звонки выборочно — примерно 1% от потока. На основе этой выборки проводили обучение операторов и делали заключения о качестве.
Задачу сформулировали так: транскрибировать все звонки, извлекать ценную информацию и на ее основе менять бизнес-процессы. Совместно с подразделениями составили список из 100+ параметров для анализа:
| Тип параметров | Примеры |
| Базовые | Приветствие, завершение разговора, обращение по имени |
| Качество коммуникации | Негативная лексика, сленг |
| Обработка обращений | Реакция на возражения, фразы амортизации |
| Критичные триггеры | Жалобы в госорганы (ЦБ и другие) |
| Страховая специфика | Отраслевой сленг, специфические ситуации |
Почему не вендор: собственная разработка за месяц
Open-source модели для распознавания речи сильно выросли в качестве, а генеративные инструменты ускорили саму разработку. Команда собрала рабочий прототип за несколько дней — он сразу показал результаты, и решение «доводить до продакшена» приняли быстро.
Для транскрибации сначала взяли Turbo Whisper от OpenAI. Позже появились российские речевые модели — GigaAM и другие — с коммерческими лицензиями и сопоставимым или лучшим качеством. Команда протестировала их и переключилась.
Таймлайн проекта:
Лето 2025 → прототип за несколько дней
Через месяц → первый работающий продакшен, транскрибация запущена
До декабря 2025 → улучшения, расширение отчетов и аналитики
Пайплайн: от записи до бизнес‑решения в четыре шага
Шаг 1. Запись. Система телефонии записывает звонки и складывает в хранилище.
Шаг 2. Транскрибация. Open-source Speech-To-Text-модели автоматически переводят аудио в текст. Дообучение не потребовалось — модели работают из коробки.
Шаг 3. LLM-анализ. Каждый транскрибированный звонок проходит через цепочку из 100+ промптов и получает оценку по всем параметрам.
Шаг 4. Действие. Два режима на выходе:
| Режим | Что анализирует | Скорость | Зачем |
| Batch | Все параметры, статистика, оценки операторов | На следующий день | Контроль качества, анализ работы операторов |
| Real-time | Критичные триггеры (жалобы в ЦБ и другие госорганы) | Мгновенно | Немедленная реакция на проблемы клиентов, чтобы ее решить |
Batch-аналитику смотрят раз в несколько дней перед совещаниями — переносить все в real-time нет смысла, это лишняя нагрузка на ресурсы. А вот критичные триггеры работают мгновенно: система автоматически рассылает уведомления заинтересованным лицам, и служба клиентского сервиса подключается к решению вопроса.
Если средний балл звонков проседает, система показывает, у какого оператора и по каким параметрам.
100+ промптов вместо дообучения: как устроен анализ
Для анализа текста команда написала больше 100 многоуровневых промптов с нуля, каждый под конкретный параметр оценки.
Ключевое решение — многоуровневые цепочки промптов. Команда использует не тяжелые модели с развитой способностью к рассждению, а более легкие. Поэтому сложную задачу разбивают на последовательность простых шагов: каждый промпт решает одну узкую подзадачу и передает результат следующему.
Как это работает:
- Сжатие. Звонок может быть длинным, и отправлять всю расшифровку в один промпт неэффективно. Первый уровень извлекает из звонка наиболее важные фрагменты диалога.
- Поиск паттернов. Второй уровень работает уже с этой выжимкой и ищет конкретные вещи: сколько жалоб было, сколько позитивных моментов, использовал ли оператор нужные фразы.
- Выход. По каждому параметру — структурированный ответ, который попадает в отчет.
Обратная сторона — накопление ошибки: чем больше уровней, тем ниже итоговая точность.
Помимо универсальных параметров (приветствие, завершение, негативная лексика), есть промпты с учетом страхового сленга и специфических ситуаций отрасли.
Пример 1: спросил ли оператор имя клиента
Двухуровневая цепочка. Первый промпт определяет факт, второй проверяет формулировку на соответствие корпоративному стандарту.
Промпт 1 — определение факта:
Твоя задача — проанализировать диалог оператора и клиента и понять, спросил ли оператор имя клиента.
Оператор может спросить имя по-разному, например:
Как я могу к вам обращаться? Как вас зовут? Как ваше имя?
ИНСТРУКЦИЯ:
1. Проанализируй диалог.
2. Если оператор спросил имя клиента, напиши:
{«answer»: «да», «phrase»: «текст вопроса оператора без изменений»}
3. Если оператор забыл спросить имя, напиши:
{«answer»: «нет», «phrase»: «-«}
Промпт 2 — проверка по стандарту:
Определи, соответствует ли входной текст шаблону:
«Как я могу к вам обращаться?»
ПРАВИЛЬНО (похожи на шаблон):
— Скажите, пожалуйста, как могу к вам обращаться?
— Подскажите, как мне вас называть?
НЕПРАВИЛЬНО (отличаются от шаблона):
— Как вас зовут?
— Ваше имя?
— Назовите ваше имя
— Представьтесь, пожалуйста
Если текст похож на шаблон — напиши: да
Если отличается — напиши: нет
Зачем два уровня: первый промпт ловит сам факт (спросил или нет), второй различает формулировки — «как я могу к вам обращаться?» и «как вас зовут?» по-разному соответствуют корпоративному шаблону.
Пример 2: обработка возражений клиента
Тоже двухуровневая цепочка: сначала классификация звонка, потом оценка качества реакции оператора.
Промпт 1 — классификация:
Проанализируй диалог оператора и клиента и ответь:
обратился ли клиент с возражением (претензией, жалобой, проблемой)?
Если клиент выражает возражение — напиши: претензия
Если обычная консультация — напиши: консультация
Выбери только один вариант.
Промпт 2 — оценка качества (запускается, если промпт 1 вернул «претензия»):
Оцени, как оператор обработал возражение клиента. Три варианта:
1. Корректно обработано — оператор внимательно отнесся к проблеме,
извинился, использовал фразы амортизации:
«От имени компании приношу извинения»,
«Со своей стороны сделаю все возможное, чтобы решить вопрос»,
«Я понимаю важность вашей проблемы и постараюсь вам помочь»
2. Отсутствует амортизация — оператор попытался помочь,
но не извинился и не использовал фразы смягчения.
3. Проигнорировано — оператор полностью проигнорировал возражение,
не предложил альтернативы и не извинился.
Выбери один вариант и больше ничего не пиши.
Второй промпт запускается только при наличии претензии — на обычных консультационных звонках оценка качества обработки возражений не нужна.
Что нашли в данных: 15 критичных жалоб каждый день
Когда система заработала на всем потоке, обнаружились вещи, которые раньше были невидимы.
У нас стабильно 15 клиентов в день жалуются по ряду вопросов. Раньше эти проблемы были скрыты — невозможно было понять, как их исправить. Теперь мы можем анализировать все звонки.
Бизнес-кейс: лишний документ. Через анализ оценок CSI выявили, что клиенты недовольны требованием предоставлять дополнительные документы в одном из процессов. Обсудили внутри, убрали требование — проблема исчезла. Без аналитики этот паттерн тонул в 15 000 ежедневных звонков.
Результаты
| До | После | |
| Покрытие звонков | 1% вручную | 100% автоматически |
| Реакция на критичные инциденты | Не реагировали | В течение 1 часа |
| Видимость проблем | Известно, что есть, но где — непонятно | Конкретные паттерны с фильтрацией |
| Оценка операторов | Невозможно оценить весь поток | Видно, кто проседает и по каким параметрам |
Честно о точности: простые vs сложные метрики
| Что измеряли | Результат | Комментарий |
| WER транскрибации | 0,23 | Word error rate — доля ошибок в распознавании слов |
| Простые параметры | 90-95% | Высокая точность на однозначных критериях |
| Сложные комбинированные | 60-70% | Накопление ошибки на каждом этапе цепочки промптов |
Закономерность: чем больше уровней анализа нужно пройти, тем заметнее накапливается погрешность. Команда продолжает работать над повышением точности сложных метрик.
Что дальше: real‑time для всех звонков
Основной челлендж — сократить задержку аналитики звонков до минимума, чтобы информация была доступна сразу после звонка, а не на следующий день. Это требует другого подхода к GPU-нагрузке: помимо добавления серверов, команда исследует более эффективные инференс-модели. Параллельно планируют расширять бизнес-сценарии.
Если вы думаете о внедрении речевой аналитики или AI-анализа клиентских обращений — команда Just AI помогает пройти путь от задачи до первого пилота
