Кейс: заменили на Black Friday колл-центр KupiVIP роботом, и только 5 человек из 5000 поняли, что общаются с нейросетью

Этой осенью мы попробовали заменить сотрудников колл-центра KupiVIP голосовым роботом Neuro.net. Но решили поставить его не для отработки шаблонных ситуаций вроде сбора NPS или уточнения адреса доставки, а бросить в довольно непростой кейс.

Такой, где нужно уточнить причину, по которой человек не заходил на сайт, отработать возражения, а затем рассказать про скидки на Black Friday и ответить на дополнительные вопросы и комментарии. Расскажем, как нам удалось с голосовым роботом обойти по результатам реальных сотрудников колл-центра.

Проект Neuro.net мы запускали вместе с партнерами в прошлом году, когда один из наших сооснователей Николай Кравчук переехал жить в Калифорнию. В штатах роботы звонят еще чаще, чем в России (например, такой канал информирования, как SMS, в США почти не используется, и вы скорее получите обычное письмо по почте или звонок с предложением).

Однако американские голосовые роботы, используемые для обзвона клиентов, очень ограничены: они не могут ответить ни на один вопрос, постоянно выдерживают долгие паузы, и максимум, что могут — назвать твое имя.

В России ситуация была не сильно лучше, по сути, все создавали IVR-прозвонщика по примеру: «Вы имеете право на бесплатную юридическую консультацию. Если интересно — нажмите 1». Тогда мы и задумались об идее идеального голосового робота. Спустя год с момента идеи, мы стали запускать первые коммерческие проекты, один из которых — кейс с KupiVIP.

О себе мы рассказали KupiVIP еще летом, и сразу начали реализовывать идею. Процесс запуска робота выглядит так: мы собираем у клиента аудиозаписи звонков, которые делал их прежний колл-центр. Затем расшифровываем их, анализируем, размечаем данные для нейросети и линкуем семантику текста с ИТ-частью.

Выгрузка звонков для обучения робота — самое сложное в крупных компаниях. Из-за закона о персональных данных записи звонков передаются третьей стороне через кучу разных бюрократических проволочек и необходимость очистки каждого звонка от этих самых персональных данных. В нашем случае обеим сторонам было интересно поучаствовать в пилоте, поэтому процесс передачи аудио (мы получили около 500 записей) занял всего пару недель.

После этого команда Neuro.net два месяца работала без перерывов: айтишники писали софт, аналитики и лингвисты изучали записи, на основе записей выстраивали систему правильного принятия решений и делали разметку для нейросети. Параллельно в студии мы записывали по созданной структуре разговора фразы для робота.

Уже в августе мы запустили внутренний пилот и начали тестирование на сотрудниках KupiVIP. И мы быстро поняли, что это было ошибкой: когда люди знают, что общаются с роботом, они начинают всеми способами ломать логику разговора. Это полезная «прокачка мускул», но она удаляла нас от решения реальных задач и работы с реальными диалогами.

Тогда мы перешли на тестовые звонки клиентам, на объеме около 200 звонков. После нескольких итераций доработок мы увидели, что робот уже справляется с диалогами очень и очень хорошо.

Доработка проекта совпала с приближением Black Friday, коллеги из KupiVIP видели, что им нужна помощь на огромный обзвон перед распродажей. Нам предстояло обзвонить за два дня сразу 5 тысяч клиентов. Но мы контролировали работу, отслеживали звонки, выборочно их прослушивали и понимали, что все идет хорошо.

Главная причина успеха проекта в том, что мы использовали не типовые скрипты, а полноценную нейросеть, которая и дала такие впечатляющие результаты. Вместо типовых паттернов, мы задавали вектор, по сути, мы работали с созданием глубокой логики на стыке лингвистики и программирования.

Нейросеть помогает роботу принимать похожие на правильные решения. Есть 100 слов, похожих на «да»: «давайте», «окей», «хорошо» и прочее, то нейросеть может сказать, что новое для нее слово, например, «ну ок», скорее похоже на согласие, так как она обучалась на предыдущих согласиях.

Увы, люди говорят совсем не так, как мы ожидали: в процессе анализа реальных данных мы натыкались на самые неожиданные повороты. Когда клиент говорит что-то вроде «ой, я не думала об этом, возможно да, но не знаю», робот получает такой поток разных смыслов, что просто не понимает о чем речь. Легендарное российское «да нет» тоже вначале стало непростым вызовом для логики робота.

В ходе анализа реальных звонков мы с помощью нейросети получили огромный массив данных по самым разным сценариям диалога. Теперь робот уже знает все возможные варианты, которые в этом звонке могут быть, и даже если человек говорит что-то совсем экстраординарное, мы понимаем, с какой вероятностью он закладывает в свою фразу один смысл или другой.

На это есть, на наш взгляд, минимум три причины.

Первое. Мы работали не по скриптам, а создали нейросеть. Вместо тысячи вариантов логичного проведения диалога, мы получили миллионы, и людям стало в разы сложнее понять, с кем они общаются.

Второе. Мы смогли уменьшить паузу в разговоре до 500-700мс, что как раз соответствует паузе в реальном человеческом общении. Если голосовой робот общается с паузами в несколько секунд, собеседнику сразу становится ясно, что что-то идет не так. Может показаться, что решение проблем с паузами — простая задача, но нет: только на настройку протоколов для распознавания речи в потоковом режиме и приведение в порядок всего зоопарка технологий, мы потратили больше полугода.

Третье. Робот звучит живо и не устает. Это хоть и банальный факт, но тоже немаловажный. Интересно, что мы пробовали сделать версию робота, когда он говорил голосами профессиональных дикторов — и люди быстро поняли, что таким красиво поставленным голосом с ними едва ли говорит живой человек, который делает сотни звонков в день. Тогда мы поменяли подход: голосом робота стали обычные люди - эффективные менеджеры по продажам, без наигранных интонаций и даже с некоторыми артефактами в речи. И в итоге получили звонки, практически неотличимые от обычного оператора колл-центра.

Послушайте пару примеров наших звонков:

Несмотря на то, что создание такого проекта — это дорогая разработка, робот все равно получается в обслуживании как минимум в два раза дешевле, чем типовой региональный колл-центр. А эффективность получается та же или даже выше: в наших тестах с KUPIVIP, где людям предлагали воспользоваться промокодом, количество активаций промокода у голосового робота доходило до 8% против 6% у реальных сотрудников колл-центра.

Второй плюс — возможность мгновенного масштабирования. Используя облачные сервера, можно за час обзвонить любой объем клиентов.

Но есть тут и риски. Например, в той же Калифорнии голосовому роботу уже запрещают притворяться реальным человеком. В начале разговора он должен представиться и дать понять, что он — робот. Но я уверен, что, когда технология получит массовое применение, то несмотря на законодательное регулирование, спрос на продукт останется.

Главное для пользователя, который отвечает на звонок — общаться и получать информацию на родном языке. С «умным» роботом пользователю не придется запоминать и использовать специальные команды вроде «привет, Siri». Клиент будет разговаривать естественно — так же, как он делает это с живым оператором.

Наверное, в таком кейсе не обойтись и без этической составляющей: гуманно ли лишать работы сотрудников региональных колл-центров? Мы смотрим на пример KupiVIP, и видим, что ребята на обзвоне сами работают как роботы: по 100 раз в день повторяют одно и то же.

Хотелось бы нам, чтобы люди делали такую рутинную работу? Однозначно нет. Разбирать проблемы клиентов, отвечать на личные вопросы, получать знания в областях, где требуется большая интеллектуальная работа — всё это делает и жизнь самих операторов КЦ интереснее. Наша цель — не заменить человека роботом, а спасти его от рутинных задач.