Как мы в 2 раза улучшили голосового помощника для медицинских учреждений

Рассказываем с цифрами, фактами и рекомендациями

Здравствуйте!

Меня зовут Михаил Гончарук, я руковожу проектами в компании BSS. Наша команда разработала и внедрила голосового ассистента для одного из заказчиков в медицинской сфере.

Наш помощник принимает до 12 тысяч звонков в день и помогает 50 операторам. Также он записывает 34% абонентов на прием к врачу и 55% помогает вызвать врача на дом. Виртуальный ассистент не только упрощает работу контакт-центра, но и делает услуги линии доступными для 1.4 миллиона жителей региона.

Ещё в начале 2023 количество обрабатываемых роботом звонков без участия операторов (уровень автоматизации) было ниже цели. Инициативы по росту автоматизации не приводили к нужному результату. С помощью анализа звонков и конверсий услуг мы нашли зоны роста, над которым сфокусировались. К концу 2023 по ключевым сервисам удалось повысить конверсию до 76,8%. Доля звонков, самостоятельно обслуженных роботом, достигла 50%. Хочу рассказать о том, как нам это удалось.

На пути к достижению заветных метрик было не все гладко: первые 5 месяцев автоматизация и конверсия звонков (успешное обслуживание роботом по конкретному сценарию) практически не увеличивались. Это заставило нас сфокусироваться на следующих задачах:

Упрощение идентификации

Хочу подробно рассказать о том, как мы пришли к идеи идентификации по номеру телефона. Первоначально для идентификации абоненту необходимо было назвать свои ФИО и дату рождения. Чтобы снизить ошибки, мы добавили модуль нечеткого поиска по ФИО и обогатили базу данными по ранее нераспознанным абонентам. Однако, процент ошибок по идентификации не изменился, даже после дополнительного обучения модели с помощью около 50 тыс. реальных звонков.

Тогда решили добавить новый шаг - идентификацию через СНИЛС. Если робот не мог распознать абонента по озвученным ФИО и дате рождения, то он спрашивал номер СНИЛС. Наше решение не привело к снижению ошибок идентификации, поэтому мы стали исследовать дальше. Проанализировав причины, почему робот не распознает абонентов, мы выявили, что:

Затем мы поправили сценарий работы робота:

Все вышеперечисленное привело к снижению процента ошибок с 26% до 20%. Тем не менее, наша цель в 15% не была ещё достигнута. Нам стало очевидно, что необходимо изменить сам подход и внедрять идентификацию по номеру телефона. И только после этого процент ошибок упал с 22% до 16-18%.

Совершенствование сценариев

Мы проанализировали текущие звонки и добавили новые шаги в сценариях, чтобы абонентам было легче записаться на прием. При общении с роботом люди переживают, что их неверно поймут или ошибочно запишут не к тому врачу. Наша задача –- вызвать доверие абонента и показать ему, что решение, предлагаемое роботом, наиболее удачное в рамках запроса.

Мы полагали, что абоненты отвечают на вопросы согласно логике сценария. Это было нашей ошибкой. Например, у пациентов есть свои «любимчики» и они часто хотели записаться к конкретному врачу. Учли это в новом сценарии. Также для записи к узкому специалисту необходимо направление, а для этого сначала нужно посетить терапевта. Добавили специальный модуль в информационную систему, чтобы проверять наличие направления у абонента. Ещё мы перестали спрашивать у абонента «на какое время вы хотите записаться», а начали предлагать первый свободный слот. Если же слот абоненту не подходит, то после этого уточняем желаемое время и ищем ближайшее свободное окошко. Добавили информирование о записи абонентов, поскольку некоторые перезванивают и хотят убедиться, что их записали. Пока у нас нет технической возможности записывать во все филиалы, в таких случаях сразу переводим абонента на оператора.

Подводя итоги, мы реализовали следующее:

На основе отчетов речевой аналитики мы провели аудит звонков по двум самым популярным сервисам «Запись на прием к врачу» и «Вызов врача на дом». Это позволило нам оценить конверсию из звонков в запись или получение услуги, а также выявить «узкие места» в сценариях.

При анализе звонков в разрезе участковых и профильных врачей удалось более качественно проанализировать работу голосового помощника. Для участковых врачей процент успешных записей на прием составляет 35%. Обычно абоненты теряются на вопросах о выборе даты и времени (14%) и подтверждении талонов (10%), а 9% абонентов не готовы записываться не к своему врачу. Для профильных врачей процент успешных записей составляет 24%. Однако, почти половина абонентов (46%) не может записаться к профильному врачу из-за отсутствия талонов к специалисту на ближайшие 14 дней. Это является главной причиной перевода звонков на оператора.

Чтобы повысить конверсию звонков, мы выполнили следующее:

Также мы проанализировали звонки по тематике «Вызов врача на дом». Больше половины пользователей (52%) среди тех, кто смог идентифицироваться, успешно вызывают врача на дом. Большая часть неуспешных звонков связана с тем, что пользователи кладут трубку на вопросе о подтверждении адреса из ИС. Для минимизации данных случаев мы:

Внедренный голосовой помощник ежедневно обрабатывает от 6 до 10 тысяч звонков без задержек. Робот совершает более 10 000 исходящих звонков в день, освобождая до 300 временных интервалов для медицинских специалистов (один оператор совершает до 200 исходящих звонков за смену). Эти результаты стали возможными за счет уровня автоматизации до 40%.

Также за счет автоматизации снижена нагрузка на регистратуры и увеличен входящий поток обращений без расширения штата операторов контакт-центра. Голосовой помощник позволяет контакт-центру сэкономить более 2,5 миллионов рублей в месяц. Иначе потребовалось бы увеличить количество операторов с 50 до 80 в смену, чтобы поддерживать текущий уровень сервиса.

Такие результаты достигнуты за счет упрощения идентификации абонента по номеру телефона и корректировки сценариев. С помощью речевой аналитики обработали звонки, рассчитали уровень конверсии на каждом этапе и выявили «узкие места» в скриптах. Для удобства абонентов добавили возможность записаться к конкретному врачу, узнать о первом свободном слоте и подтверждение записи.