«Много лосося»: чат-бот отвечает за секунду и консультирует по составу блюда

«Много лосося» обратились за автоматизацией коммуникации в феврале 2024 года. Проблемы были типичные: долгое ожидание ответа клиентом и измученные однотипными фразами операторы. Сегодня расскажу, как мы избавили компанию от проблем, добившись 70% покрытия за 1,5 месяца работы с компанией.

Демьян Грин, гендиректор и основатель сервиса автоматизации коммуникации с клиентами Лия

«Много лосося» — это крупная сеть, занимающаяся производством и доставкой суши и роллов. Также в ее меню поке, гунканы и пицца. Заказы принимаются через приложение, поддержка клиентов осуществляется по телефону и через бот в WhatsApp и Telegram.

Перед нами стояла задача обеспечить как можно большее покрытие обращений чат-ботом в Telegram, WhatsApp, повысить скорость ответа на вопросы. Мы работали с омниканальной платформой Webim (https://webim.ru/) — она использовалась клиентом ранее, а также является нашим партнером.

Благодаря автоматизации коммуникации мы добились следующих результатов:

На старте работы мы провели анализ обращений клиентов в поддержку (они были собраны в датасет). Теперь еще немного цифр:

Иногда клиенты сами предлагают набор тематик, но, как показала наша практика, для качественной автоматизации гораздо эффективнее опираться на точные данные, то есть на запросы пользователей.

Было принято решение автоматизировать все 19 интентов. В ходе анализа стало понятно, что для части из них вполне подходят простые статические сценарии, в которых на вопрос пользователя приходит типовой ответ. Всего реализовали 9 статических сценариев.

В статику вошли следующие тематики:

Например, какая-то из кухонь может быть временно закрыта на уборку или техобслуживание. И когда клиент не может заказать оттуда доставку, у пользователя отображается информация «Кухня на паузе». В сценарии мы указываем причину, по которой кухня приостановила работу, и предлагаем подождать открытия или заказать в другой точке.

Динамический сценарий отличается от статического тем, что он реализуется с помощью сниппетов на JavaScript. При этом бот либо запрашивает данные из админки клиента (по API), либо работает без них (в зависимости от задачи). Такие сценарии нужны для запросов, на которые нельзя дать быстрый стандартизированный ответ. Разработкой сниппетов в зависимости от тарифа занимаются специалисты нашей компании или сам клиент.

У «Много лосося» сейчас реализовано 9 динамических сценариев, из них 3 разработала наша команда, а еще 6 — сам клиент.

Было решено, что динамические сценарии лучше всего подойдут для интентов, относящихся к зоне доставки, составу блюд, а также изменению количества приборов в заказе. Как это работает?

Когда клиент задает вопрос о доставке блюда в определенное место, благодаря сниппету (коду, написанному для выполнения конкретных действий) определяется адрес. Для удобства работы он обозначается как сущность (переменная). И далее все просто — адрес ищут «Яндекс.Карты» (с ними мы интегрировались по API). Все доступные варианты в разных городах всплывают перед глазами клиента в виде нескольких кнопок, а он выбирает, какой адрес имел в виду. Полученные данные проверяются по админке (ML-системе клиента) с целью выяснить, попадает ли конкретный адрес в зону доставки, после чего формируется ответ.

В данном случае программа только забирает данные, сверяет их с имеющимися в системе, но не обновляет их, то есть динамика односторонняя. Если необходимо внести изменения, беседа переводится на оператора. Допустим, клиенту необходимо добавить комментарий в уже оформленный заказ. Бот уточняет номер заказа или ID пользователя и какие именно изменения он хочет внести, после чего подключает оператора. Специалист видит весь диалог чат-бота и клиента, а также все данные, которые запрашивались по сценарию (имя, дату и др.).

Чтобы автоматизировать обработку вопросов о составе блюд, наши специалисты создали отдельную сущность «Блюдо». В первый столбик внесли все наименования блюд из меню, во второй — всевозможные вариации его написания.

Как работает этот механизм? Лия распознаёт интент и наличие сущности в сообщении. К примеру, пришел вопрос: «А что в составе?». Лия задает встречный вопрос: «Какое блюдо интересует?». Пользователь должен указать название блюда либо сразу, либо в ответе на вопрос Лии. Бот заглянет в сценарий и посмотрит, есть ли в поступившем сообщении ключевые слова, которые совпадают с описанием этой сущности в сценарии.

Далее следует проверка на варианты и определяется конечное блюдо, состав которого нужно продемонстрировать заказчику, что и происходит в финале. Допустим, вас интересует состав шаурдельфии — Лия распознает сущность, на всякий случай уточнит с помощью кнопки, действительно ли речь о шаурдельфии, и потом по API получит ответ с полным составом блюда.

Чтобы сократить и упростить путь пользователя к решению его проблемы, мы предусмотрели наличие нескольких стартовых кнопок для самых популярных тематик в меню WhatsApp- и Telegram-бота: вопросов про промокоды, оформление и статусы заказов, жалоб на доставку и др.) Лия отвечает на вопрос, заданный триггером при нажатии конкретной кнопки, и затем ведет живой диалог с пользователем на выбранную тему. При этом заказчики готовой еды от «Много лосося» получили возможность неоднократно делать выбор тем с помощью кнопочного меню.

Например, нажав клавишу «Вопросы по промокодам», можно перейти в следующий раздел и выбрать кнопку с одним из популярных вариантов: «Доступные промокоды на скидку», «Забыли ввести промокод», «Ошибка при применении промокода», «Другой вопрос», «Назад». Запросы по кнопке проще распознаются, что повышает процент автоматизации, и вообще очень удобны — человеку не нужно каждый раз мучить клавиатуру и напрягать пальцы, чтобы подробно описать, чего ему хочется — можно просто кликнуть.

При реализации сценария с распознаванием адреса наш клиент столкнулся с кое-какими сложностями. После анализа данных из диалогов стало очевидно, что в некоторых случаях сущность определялась неверно — для адресов создается отдельная сущность (с разными вариациями адреса). Или Лию «дезинформировали», передавая ей по API из системы клиента, что в указанное место доставки нет (хотя в действительности данный адрес входил в рабочую зону курьеров).

Немало ошибок было связано с «Яндекс.Геосаджест». Когда пользователь спрашивал, есть ли доставка по определенному адресу, Лия сначала искала адрес в данном предложении и, обнаружив его, передавала в сервис полную фразу, не вычленяя из нее название улицы, номер дома и квартиры. Так как «Яндекс.Геосаджест» работает по определенным правилам, распознавание не всегда было корректным.

Бороться с ошибками нужно с помощью дополнительного образования для чат-бота — дообучения. Для правильной работы и повышения уровня автоматизации необходимо делать это постоянно.

В «Много лосося» решили добавлять интенты и сценарии по готовым кластерам и далее самостоятельно, но для максимального эффекта первую неделю после запуска мы проводили «допобразование» бота по вновь появившимся намерениям силами собственных специалистов. А затем организовали соответствующие курсы для команды клиента. Как и предполагалось, уровень распознавания заметно подрос — так, если по интенту «Время доставки» первоначально он составлял 2%, то через месяц добрался уже до 8%.

Сейчас «Много лосося» добавляет код или дополнительные функции для чат-бота под свои нужды без нашего участия. К примеру, они дополнили список запросов «Первым промокодом» и ввели несколько новых кнопочных интентов. Тем не менее наши специалисты процесс контролируют и при необходимости сразу подключаются (если надо быстро устранить ошибки и скорректировать работу Лии).

👉 Ближе познакомиться с моей компанией, ее предложениями и возможностями Лии вы сможете на нашем сайте.