Коротко: Чтобы заявки из общего почтового ящика не терялись, к 1С:УТ подключают ИИ-модуль. Он классифицирует каждое письмо, переносит из него контрагента и номенклатуру в реквизиты 1С, направляет обращение ответственному и следит за сроком реакции. У оптового дистрибьютора электротехники после внедрения медианное время первой реакции сократилось с 7 часов до 25 минут, а за полгода не потерялось ни одного обращения.
Кейс: дистрибьютор электротехники на 1С:УТ
Клиент — оптовый дистрибьютор электротехнической продукции: кабель, автоматика, светотехника. У него около 800 активных клиентов, от розничных магазинов до монтажных организаций. Все входящие обращения приходят в общий ящик sales@: заказы, запросы цен, претензии, вопросы о статусе отгрузки. Это 100–150 писем в день.
Поводом обратиться к нам стал конкретный случай. Клиент прислал заявку на 2,3 млн, письмо пролежало в ящике два дня, и заказ ушёл конкуренту. О потере в компании узнали от самого клиента, когда он позвонил попрощаться.
Проблемы клиента
Ответственность за общий ящик ни на ком не лежала
Менеджеры разбирали почту по принципу «кто первый увидел». Срочная заявка на миллионы стояла в одной очереди с рассылками поставщиков и спамом. К вечеру пятницы в ящике обычно оставалось 30–40 неразобранных писем.
Время реакции было непредсказуемым
На одни письма отвечали за 20 минут, на другие через два дня. Замер показал, что медианное время первой реакции составляло около 7 часов. Монтажная организация, у которой простаивает бригада, столько не ждёт и звонит конкуренту.
Претензии терялись среди заказов
В ящике рекламация на брак выглядит так же, как заявка на отгрузку. Если клиент неделю не получает ответа на претензию, он скорее напишет отзыв на отраслевом форуме, чем продолжит ждать.
Статистики не было
Сколько обращений пришло за месяц, чего больше — заказов или жалоб, кто из менеджеров отвечает быстро, а у кого копятся хвосты, руководитель отдела продаж не знал, потому что таких данных просто не существовало.
Что сделали
Подключили к 1С ИИ-модуль разбора входящих обращений. Языковая модель развёрнута локально, поэтому переписка с клиентами за пределы компании не уходит.
Классификация на входе
Модель читает каждое письмо и относит его к одному из типов:
- заказ;
- запрос цен/КП;
- претензия;
- вопрос по статусу;
- документы;
- спам.
После месяца дообучения на собственной переписке компании точность классификации превысила 95%.
Извлечение данных в реквизиты 1С
Из письма модель извлекает:
- контрагента — по подписи, домену или ИНН;
- номенклатуру с количествами, даже из формулировок вроде «как обычно, плюс десять барабанов того кабеля»;
- ссылку на прошлый заказ.
Затем модель сверяет эти данные с историей клиента в УТ и формирует черновик заказа или карточку обращения.
Маршрутизация и приоритет
| Тип обращения | Кому уходит |
|---|---|
| Заявка | Персональному менеджеру клиента |
| Претензия | Сразу руководителю и в отдел качества |
| Запрос КП | Свободному менеджеру по графику загрузки |
Приоритет растёт вместе с суммой потенциального заказа и «возрастом» письма, поэтому заявка на 2 млн не стоит в очереди за спамом.
SLA-таймер и эскалация
У каждого обращения есть таймер первой реакции. Если на заявку не ответили в течение часа, менеджер получает напоминание, через три часа обращение передаётся руководителю. Дашборд в 1С показывает очередь в реальном времени: сколько обращений в работе, сколько просрочено и у кого накопились хвосты.
Результат
- Медианное время первой реакции сократилось с 7 часов до 25 минут.
- За полгода потеряно ноль обращений. Раньше только обнаруженных потерь было 2–3 в месяц.
- Конверсия запросов КП в заказы выросла на 18%, потому что компания стала отвечать первой.
- Претензии закрываются за 2 дня вместо недели, а клиент получает первую реакцию в течение часа.
- Руководитель отдела продаж впервые видит статистику обращений: типы, объёмы и скорость работы каждого менеджера.
- Внедрение окупилось за 3 месяца. Одна спасённая заявка того же масштаба, что и потерянная на 2,3 млн, окупает его целиком.
Частые вопросы
Уходит ли переписка с клиентами во внешние сервисы?
Нет. Языковая модель развёрнута локально, поэтому переписка остаётся внутри компании.
Насколько точно ИИ определяет тип письма?
Модель относит письмо к одному из типов: заказ, запрос цен/КП, претензия, вопрос по статусу, документы или спам. После месяца дообучения на собственной переписке компании точность превысила 95%.
Как быстро окупился ИИ-разбор обращений?
Внедрение окупилось за 3 месяца. По оценке клиента, одна спасённая заявка того же масштаба, что и потерянная на 2,3 млн, окупает его целиком.