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.

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.

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.

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.

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:

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.

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.

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.

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.

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.

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.