Мы используем cookie-файлы. Оставаясь на сайте роботов, человек соглашается на использование cookie-файлов.
Подробнее — в «Условиях использования cookie-файлов».

Как нейросеть ускоряет работу службы поддержки

Операторы, как роботы, отвечают на сотни одинаковых вопросов в день. Но клиентам всё равно приходится ждать в очереди. Вот что получилось, когда мы передали обработку обращений настоящему роботу.

Эксперты прогнозируют, что к 2020 году люди будут разговаривать с ботами чаще, чем со своими супругами. Звучит вызывающе, но аналитики уверены: до 85% всех обращений в поддержку будут обрабатываться без участия человека.

Всегда на связи

CRM любого сервиса подтвердит: до половины клиентских вопросов — однотипные, сотрудники справляются с решением на автомате. И всё же в пиковые моменты приходится ждать ответа оператора по пять-десять минут. По сегодняшним меркам это непозволительно долго.

Чтобы клиенты могли решать свои проблемы, не отвлекаясь от дел, компании переходят к мультиканальности: к горячей линиям добавляются мессенджеры соцсетей, чаты в приложении и на сайте компаний. Сервис становится фоновым и непрерывным.

Пользователь круглосуточно онлайн и ждёт от поддержки мгновенной реакции. Если для b2c-компании скорость обработки клиентских обращений — это конкурентное преимущество, то для техподдержки бизнеса и производства скорость — защита от крупных издержек. Например, быстро починить кассовый аппарат в час пик критически важно для супермаркета.

Как всё устроено

Служба поддержки в крупном ритейле, банке, телеком- и страховой компании — это внутренний департамент или компания-подрядчик. Коммуникация разделена на несколько линий. Первая линия принимает и сортирует обращения, на второй линии специальные службы решают разные типы проблем.

Например, клиент спрашивает об условиях своей программы ДМС. Оператор находит в базе данных договор и разъясняет включённые в него услуги. Страховой случай по КАСКО — задача посложнее. Со слов клиента оператор внесёт в базу сведения происшествия и подскажет, как запустить процедуру возмещения убытков. Заниматься возмещением будет ответственный департамент.

Решать проблемы на первой линии всегда дешевле. Компании постоянно анализируют обращения, выделяют повторяющиеся запросы и пополняют базу типовых инструкций, чтобы справляться с ними на уровне оператора.

Типовые задачи — роботу

Каким бы детальным не был скрипт ответов, люди неидеальны и всегда будут делать ошибки из-за невнимательности, усталости и неопытности.

Мало кто любит повторяющуюся, монотонную работу. Она одновременно скучная и быстро снижает концентрацию, достаточно напряжённая и не даёт ярких результатов для мотивации. Человеческий мозг хорош в решении задач, где есть не только анализ, но и эмпатия с интуицией. Кому нет равных в типовой рутине — это роботу:

  • быстро и точно сортировать повторяющиеся запросы, сократив клиенту время ожидания;
  • автоматически переадресовать вопрос профильному специалисту;
  • разгрузить очередь на линии в час пик;
  • сократить количество сотрудников, занятых на первой линии.

Среди множества обращений робот может распознавать одинаковые по смыслу, соотносить их со скриптом, задавать клиенту уточняющие вопросы, чтобы получить недостающие данные. Может выдавать инструкции, чтобы с простейшими случаями клиент справился сам.

Обычно в базе данных или CRM компании есть почти всё, что нужно для обучения автоматической системы: скрипт ответов и инструкции по работе с клиентами, персональные данные и история диалогов, классификация проблем, решаемых в процессе диалогов.

Как учится робот

Наши пилотные проекты — два чатбота: для клиентской поддержки страховой компании и техподдержки ритейл-сети.

В обоих проектах данные подгружаются из CRM, рабочие каналы — чат в приложении страховой и хелпдеск сети супермаркетов. Интерфейс системы может быть любым, в том числе голосовым, на технологии обучения это почти не отразится.

Чтобы научить робота обрабатывать сообщения, из огромного массива диалогов нужно выбрать наиболее качественные. Это работа для команды дата-сайентистов.

Юрий Чайников,

руководитель Redmadrobot Data Lab

Наши вводные — несколько сотен тысяч тикетов техподдержки. Мы взяли данные за период, когда операторы уже умели адекватно реагировать на обращения, исключив несколько первых месяцев истории. Почистили «мусор», пропуски и выбросы. Векторизовали. Натренировали ансамбль предикторов и объединили в конечный автомат по принятию решений.

В том и другом случае сначала мы выгрузили историю сообщений. Разбили массив коммуникаций на диалоги. В каждом диалоге зафиксировали важные для модели параметры: авторство сообщения — клиент или оператор, текст сообщения, временную метку и категорию запроса. Для каждого сообщения определили, в какой ветке дерева сценариев происходит диалог. А дальше из общей массы текстов убрали «шум»: автоответы, обрывочные клиентские сообщения, сообщения оператора, оставленные без ответа и т.д.

Как алгоритмы принимают решения Открыть статью

Получать свой FYI

Ежемесячная подборка приятных металлических текстов

Ненадёжный источник данных

Мы предположили, что система научится распознавать тип обращения и его место в дереве сценариев, проанализировав массу клиентских сообщений. Но люди умеют спрашивать одно и то же тысячей разных способов. А если вводят текст на ходу — то и с ошибками, неправильной автозаменой и прочими нелепостями.

Результаты первых попыток классификации получились неудовлетворительными. Несмотря на очевидную для человека повторяемость сообщений, из-за разнообразия формулировок классы «типичных запросов» получились слишком маленькими, а общее количество классов — огромным.

Так-то лучше

С анализом сообщений клиентов не вышло. Но у нас ещё есть сообщения операторов. Вариантов ответов операторов оказалось значительно меньше, а их формулировки — намного более похожими между собой. Например, сотрудники давали почти одинаковые ответы на вопросы, в которых встречались сочетания: «ДМС», «Как записаться к врачу», «Вопрос по наполнению программы». Организовать эти данные в классы получалось гораздо лучше.

Самой качественной выборкой оказались ответы сотрудников, которые отработали в поддержке минимум два-три месяца. Выяснилось, что даже при наличии готовых скриптов оператор оттачивает свои навыки общения только со временем — учится правильно распознавать проблему клиента, вырабатывает собственные типовые формулировки, чтобы отвечать быстро и избегать уточнений.

Юрий Чайников,

руководитель Redmadrobot Data Lab

При классификации сообщений мы могли определить произвольное количество классов — от нескольких десятков до многих сотен. Чем больше классов мы фиксировали, тем меньше оказывался каждый из них, тем труднее нейросети было правильно его определить и тем больше ошибочных решений она принимала. Оптимальным количеством классов, с точки зрения бизнеса, оказалось пятьдесят.

Система принимает решение, что хочет пользователь и как на это реагировать. Ещё есть внутренний параметр уверенности системы в принятом решении. Опираясь на показатели уверенности, мы внедряли систему постепенно. Сначала передали на обработку 10% обращений с максимальной уверенностью, проверили точность на практике и получили 99,5%. Затем передали следующие 10%, проверили точность. И так, пока работа системы показывала точность больше 90%, которые заказчик определил как необходимые. На этих условиях нам удалось автоматизировать больше 60% случаев.

Результаты

С момента выгрузки данных до получения работающих моделей прошло две недели. За это время мы прописали дерево сценариев, отобрали качественные данные, прописали классификации и обучили на них нейросеть, настроили переадресацию на живых операторов и получили результаты.

Скорость. Робот сортирует сообщения быстрее человека в 100-1000 раз. Но гораздо важнее пользовательский опыт. Вместо 2-15 минут, за которые успевает ответить человек, машина реагирует на каждое обращение мгновенно. По итогам тестирования среднее время реакции сократилось с пяти до двух минут. Среднее время решения инцидента — с восьми до четырёх часов.

Точность. Чатбот страховой компании показал 80% точность сортировки обращений на 20 категорий (страхование жизни, имущества, ответственности, ДМС и т.д). Чатбот техподдержки супермаркетов правильно классифицировал обращения в 79% случаев, живые операторы в среднем справляются в 75% случаев.

Масштабируемость. Система может отработать любое количество запросов за единицу времени. Её мощность ограничивается только бизнес-задачами компании и размером хранилища данных. Обеспечить бесперебойную работу сервера значительно дешевле колл-центра.

Дообучаемость. Если в поддержке появится новый сценарий обслуживания, для обучения системы понадобится история корректных ответов на обращения и несколько часов работы дата-сайенитстов.