Как оценить эффективность ИИ-ассистента в медицинской клинике: метрики от обращения до визита

В статье разберём, почему количество диалогов и скорость ответа ещё ничего не говорят об эффективности ИИ, какие показатели действительно стоит считать и зачем для этого связывать источник обращения, работу ассистента, запись в МИС и состоявшийся визит.

Клиника подключает ИИ-ассистента, и первые цифры выглядят впечатляюще: он отвечает пациентам за секунды, не уходит на обед, работает вечером и за месяц успевает провести сотни диалогов. На этом месте легко решить, что автоматизация удалась.

Но для маркетолога самое интересное начинается дальше. Если ассистент обработал 800 обращений, это ещё не значит, что клиника получила 800 пациентов. Кто-то просто спросил цену, кто-то не нашёл подходящего времени, кому-то понадобился администратор, а часть людей могла записаться, но так и не прийти на приём.

Поэтому эффективность ИИ в клинике нельзя оценивать только по скорости ответа или количеству переписок. Важно видеть весь путь пациента: от рекламного источника и первого обращения до записи в МИС и состоявшегося визита. Только тогда становится понятно, помогает ли ассистент действительно конвертировать обращения в пациентов или просто хорошо справляется с перепиской.

В этой статье разберём, какие метрики стоит отслеживать, как связать данные ИИ-ассистента с МИС и почему для оценки автоматизации важно смотреть не на количество диалогов, а на то, что произошло с пациентом после них.

Почему «ассистент обработал 800 обращений» почти ничего не говорит об эффективности

Первая ошибка – считать объём работы результатом. 800 диалогов показывают только то, что через ассистента прошло 800 обращений.

Но внутри этого числа могут быть совершенно разные ситуации: новый пациент, который выбирает клинику; действующий пациент, уточняющий время приёма; вопрос об адресе; просьба перенести запись; обращение по услуге, на которую ближайшее окно только через три недели. У таких диалогов разная вероятность закончиться новой записью, поэтому сравнивать их одной конверсией некорректно.

Если ИИ обработал много вопросов действующих пациентов, нагрузка на администраторов может снизиться, но новых записей почти не прибавится. И наоборот: несколько диалогов в момент, когда человек выбирает между клиниками, могут сильнее повлиять на выручку.

Поэтому первый вопрос к аналитике должен звучать так: «какие именно обращения ему достались и что произошло с ними дальше?»

Высокая конверсия тоже может обманывать

Представим, что до подключения ассистента из 100 обращений клиника получала 35 записей, а после подключения – 42. На первый взгляд ИИ дал ещё семь записей. Но это пока только гипотеза.

Возможно, в этом месяце было больше брендового трафика, появилось больше свободных окон у востребованного врача или ассистенту просто передали пациентов, которые и без него были почти готовы записаться. Запись после общения с ИИ и запись благодаря ИИ – не одно и то же.

Чтобы оценивать реальный эффект, полезно сравнивать сопоставимые группы: один источник рекламы, одно направление, новых пациентов с новыми, одинаковые часы обращений. В идеале – период до и после подключения или две максимально похожие группы.

Иногда проблема вообще не в ИИ

Пациент может написать в 19:30, получить ответ за несколько секунд, узнать стоимость, выбрать врача – и не записаться. Формально диалог закончился без конверсии. Но если ближайший подходящий слот только через две недели, ограничением была не коммуникация, а доступность услуги.

Поэтому конверсию ИИ нельзя анализировать в отрыве от МИС. Рядом должны быть хотя бы данные о наличии свободных слотов, специальности, враче и фактической записи. Иначе маркетолог видит следствие, но не видит причину.

Полезно отдельно сравнивать обращения с доступным ближайшим слотом и длительным ожиданием, направления с высокой и низкой загрузкой, а также обращения в рабочее и нерабочее время.

Так может выясниться, например, что ассистент отлично конвертирует вечерние обращения в стоматологии, но почти не влияет на направление, где расписание заполнено на месяц вперёд.

Передача диалога администратору – не обязательно провал

Ещё одна типичная ошибка – считать хорошим ИИ только тогда, когда он довёл весь разговор до конца самостоятельно. В медицинской клинике часть вопросов разумно оставить человеку: нестандартные ситуации, сложные уточнения, медицинские вопросы или конфликты.

Поэтому высокая доля передачи администратору сама по себе не говорит о плохой работе. Гораздо полезнее смотреть, что произошло после передачи.

Например: 100 диалогов потребовали администратора – 76 были подхвачены – 49 закончились записью. Если ИИ передал пациента человеку правильно, но администратор ответил через два часа, проблема уже находится на другом участке воронки.

Такая метрика показывает не только качество ИИ, но и то, насколько хорошо работает связка ассистент + команда.

Какие метрики действительно показывают эффективность ИИ-ассистента

Если смотреть на ИИ только через количество диалогов, почти любая автоматизация будет выглядеть успешной. Чем больше обращений прошло через ассистента, тем внушительнее отчёт. Но для клиники важен не объём переписки, а то, что произошло с пациентом после неё.

Поэтому начинать стоит не с одной общей конверсии, а с нескольких показателей, которые описывают разные участки пути пациента.

1. Конверсия целевого обращения в запись

Первое, что стоит отделить, – обращения, в которых вообще была возможность получить запись. В один и тот же отчёт могут попасть новый пациент, который выбирает врача, действующий пациент с вопросом о времени, просьба перенести визит или медицинский вопрос, который должен уйти специалисту.

Если посчитать конверсию по всем диалогам сразу, показатель получится почти бесполезным. Например, ассистент обработал 1 000 обращений и создал 180 записей. Но если только 300 обращений вообще были связаны с выбором услуги и времени, картина меняется.

• Поэтому диалоги полезно сначала делить хотя бы на целевые для записи, сервисные и требующие передачи человеку. Именно неправильный знаменатель часто делает отчёты по ИИ красивыми и одновременно бессмысленными.
• Даже среди целевых обращений стоит отдельно смотреть те, где клиника действительно могла предложить подходящий слот. Если в одной клинике приём доступен завтра, а в другой ближайшее окно через три недели, один и тот же ассистент покажет разную конверсию.
• Более честный показатель – сколько пациентов записались из тех, кому клиника реально могла предложить подходящий вариант. Так проще отделить проблему коммуникации от проблемы расписания.

2. Время до первого содержательного ответа

Обычно сервисы показывают «время ответа». Но автоматическое сообщение «Здравствуйте! Мы получили ваше обращение» формально отправлено за секунду, хотя пациент всё ещё не получил ответа на вопрос.

Поэтому лучше измерять время до первого содержательного ответа – момента, когда человек получил информацию, которая действительно двигает его дальше: стоимость, свободное время, информацию о специалисте или уточняющий вопрос.

Особенно полезно смотреть этот показатель по времени суток. Если днём администраторы и так отвечают за две минуты, ИИ может почти не изменить результат. А вечером или в часы пик разница окажется заметнее.

Так становится понятно не только, насколько быстро работает ассистент, но и в какие часы он действительно закрывает слабое место клиники.

3. Доля диалогов, которые ИИ может закончить самостоятельно

Эту метрику иногда называют уровнем автоматизации: какая часть подходящих обращений прошла без участия администратора. Но гнаться за максимальным процентом не стоит: если ассистент любой ценой удерживает сложные обращения у себя, опыт пациента может ухудшиться.

Корректнее считать, сколько диалогов ИИ закрыл самостоятельно из тех, которые по правилам клиники действительно можно автоматизировать.

Вопросы о стоимости, графике, специалистах, свободных слотах или переносе записи подходят для этого лучше медицинских и нестандартных ситуаций. Тогда показатель отражает, сколько рутинной работы действительно снято с команды.

4. Что происходит после передачи диалога человеку

Передача администратору – отдельный участок воронки, который часто исчезает из аналитики. ИИ может корректно понять, что сам вопрос не решит, передать диалог сотруднику – а пациент получить ответ через 3 минуты или через два часа.

Поэтому здесь стоит смотреть сразу три вещи: доля переданных диалогов – время до подключения сотрудника – конверсия после передачи.

Например: 120 диалогов переданы администратору – 105 обработаны – 61 закончился записью. Если после передачи конверсия резко падает, проблема может находиться уже не в ИИ.

Для руководителя это особенно полезный показатель: он показывает стык между автоматизацией и людьми, а именно там часто появляются незаметные потери.

5. Запись ещё не результат: сколько пациентов дошли до визита

ИИ может хорошо выполнять KPI «создать запись» и одновременно создавать много нестабильных записей, которые потом отменяются. Поэтому следующая обязательная ступень – запись – состоявшийся визит.

Здесь стоит смотреть долю состоявшихся визитов, отмены, переносы и неявки.

Причём полезно сравнивать записи, созданные с участием ИИ, с другими каналами.

• Например, ассистент может хорошо конвертировать вечерние обращения, но такие пациенты чаще отменяют визит. Тогда проблема уже не в первичной конверсии – нужно смотреть, кому, на какие сроки и на какие услуги создаются записи.
• Без данных МИС этот участок воронки почти невозможно увидеть: переписка закончилась успешно, а реальный исход произошёл спустя несколько дней.

6. Дополнительный эффект, а не просто результат «после подключения»

Если после запуска ИИ число записей выросло на 15%, очень хочется записать весь рост на его счёт. Но в тот же месяц клиника могла увеличить рекламный бюджет, открыть расписание нового врача, запустить акцию или получить больше брендовых обращений.

Поэтому сильная аналитика отвечает на вопрос: «Сколько дополнительных записей появилось именно благодаря изменившемуся сценарию обработки обращений?»

Для этого лучше сравнивать сопоставимые группы: одинаковые направления, источники, часы обращений и наличие свободных слотов.

Например, отдельно посмотреть вечерние обращения до подключения ассистента и после него. Если раньше часть пациентов ждала ответа до утра, а теперь получает время приёма сразу и чаще записывается, влияние автоматизации можно оценивать увереннее. Средняя конверсия по всей клинике такой эффект легко скрывает.

В итоге нужна не одна цифра, а связанная воронка

Правильный отчёт по ИИ-ассистенту выглядит как: источник – целевое обращение – содержательный ответ – самостоятельная обработка или передача – запись – визит.

А рядом должны находиться контекстные данные: направление, врач, доступность слотов, время обращения и источник пациента.

Только тогда становится видно, где ИИ действительно изменил результат, а где он просто оказался последним участником процесса, который начался задолго до него.

И именно на этом этапе возникает следующая проблема: большая часть нужных данных находится уже не в переписке, а в МИС. Поэтому отдельно анализировать работу ИИ и отдельно – работу клиники недостаточно. Следующий вопрос – как связать эти два слоя данных в одну воронку.

Как связать работу ИИ с данными МИС

Сам по себе диалог с ИИ показывает только верхнюю часть пути пациента. Чтобы понять, что произошло дальше, нужно связать переписку с событиями из МИС: появилась ли запись, состоялся ли визит, какой врач принял пациента, какая услуга была оказана.

И здесь часто возникает незаметная проблема: данные есть, но живут в разных системах и не «узнают» друг друга.

Например, в чате пациент проходит по одному идентификатору, в МИС – по номеру телефона, а в рекламной аналитике – по источнику обращения. Если эти данные не связаны, маркетолог видит обращение, администратор – запись, а руководитель – выручку, но доказать, что это один и тот же путь пациента, уже сложно.

Поэтому для нормальной аналитики нужна единая цепочка: источник – обращение – диалог – запись в МИС – визит – результат.

Чем меньше в этой цепочке ручных переносов, тем точнее аналитика. Любая ручная выгрузка или сведение таблиц добавляет риск потерять часть данных, задвоить пациента или неверно приписать результат каналу.

Именно поэтому интеграция ИИ с МИС важна не только для автоматизации записи. Она ещё и делает путь пациента измеримым.

На практике такой сценарий возможен, когда ассистент не существует отдельно от медицинской системы, а умеет работать с её данными.

Например, так устроена связка Aura + МИС SQNS: ассистент может использовать данные SQNS, помогать подобрать время и создавать запись прямо в МИС. За счёт этого событие «пациент записался» уже не нужно восстанавливать постфактум по переписке.

Для клиники это означает более цельную аналитику: можно смотреть не просто, сколько сообщений обработал ИИ, а какие из этих диалогов дошли до реального визита, и сравнивать его вклад по направлениям, часам работы и источникам пациентов.

ИИ-ассистента стоит оценивать не по тому, сколько сообщений он отправил. Его работа становится измеримой, когда клиника может проследить весь путь: от обращения до записи и состоявшегося визита. И чем теснее ассистент связан с МИС, тем меньше этого пути приходится восстанавливать вручную.