Как увеличить эффективность контроля качества в 100 раз с помощью ML
3 марта мы организовали онлайн-конференцию Machine Learning в Digital-продуктах с участием спикеров из Тинькофф, СБЕРа, МТС, Checklens GmbH, Brickit, Epoch8 и AGIMA. В рамках конференции Михаил Корочкин из компании МТС рассказал о том, как удалось увеличить охваты и эффективность контроля качества в крупных контакт-центрах с помощью технологий машинного обучения.
Проблема контроля качества
В любом крупном контакт-центре уже сейчас реализована функция контроля качества, этим занимаются супервизоры. Они вручную отбирают и прослушивают звонки, оценивают правильность речи оператора по чек-листу и делают заключения. Проблема такого подхода в том, что ручной контроль качества не покрывает и 1% звонков. С другой стороны, чтобы контролировать все 100% трафика, нужно нанять по 1,5 супервизора на каждого оператора, но это совсем не рационально.
Как это работает
Задачи подобного уровня решаются с помощью внедрения алгоритмов машинного обучения. В нашем понимании, самое частое и практичное применение ML-алгоритмов — это решение рутинных вопросов человекоподобным образом, но в гораздо большем масштабе.
У нас существует 4 основных этапа:
1. Во-первых, мы подключаем наш продукт к виртуальной автоматической телефонной станции клиентов, чтобы получать оттуда 100% звонков. Далее мы превращаем аудиозаписи звонков в текст, так как с ним удобнее работать. Это первая точка, где мы используем технологии машинного обучения ASR (automatic speech recognition).
2. Мы берем текст звонков, который у нас получился, анализируем речь операторов на соответствие чек-листу, который пользователь нашего сервиса задал в интерфейсе. Это вторая точка, где мы используем ML. Мы создали алгоритм на базе ML, который ищет заданный текст человекоподобным способом, пытается выделить смысл и найти все соответствующие этому смыслу фразы.
Завершающий шаг — предоставить статистику пользователю. С ее помощью он может понять, кто из операторов хуже всего соблюдает скрипт или использует больше всего стоп-слов, например, ругательств и оскорблений. Есть шанс увидеть, в каком конкретном блоке оператор нарушает правила.
В результате супервизор не тратит время на выявление нарушений, он работает с оператором, помогает ему устранить ошибки.
Наглядно об интерфейсе пользователя
Первый шаг, с которого начинается работа, — это составление чек-листа. Пользователь самостоятельно вбивает название групп, реплик и для каждого блока выбирает триггерные фразы.
Далее пользователь переходит к сводному отчету, в котором он видит список своих операторов, и может ранжировать их, например, по степени соблюдения пунктов в чек-листе. Есть возможность выбрать определенного оператора, перейти к его детализации по блокам, а также увидеть на конкретных примерах, в чем его ошибки.
Такое мощное технологическое решение, которое мы облачили в легкую и удобную оболочку для того, чтобы человек, не обладающий навыками работы с компьютером, мог с этим разобраться.
Кейс контакт-центра
Возьмем стандартный контакт-центр для компании в финансовой сфере, в которой есть 100 операторов. Они работают 2/2, а в день делают по 150 звонков. В результате в месяц получается около 225 000 звонков. В таком контакт-центре может быть около 5 супервизоров, которые обрабатывают около 20 звонков в день. Учитываем, что они работают по 5 дней в неделю и в среднем их команда прослушивает около 2200 звонков, что является чуть меньше 1% от всего объема.
Если мы внедряем речевую аналитику на базе искусственного интеллекта на 30% звонков, то это способствует увеличению конверсии с 0,3% до 0,8%. Это уже покрывает затраты на речевую аналитику и увеличивает прибыль компании.
Технологии машинного обучения выполняют стандартные операции не только для человека, но и помогают компаниям облегчить рабочие процессы. Это не далекое будущее, а вещи, которые необходимо внедрять прямо сейчас.
Как увеличить эффективность контроля качества в 100 раз с помощью ML
Здесь вы можете посмотреть онлайн-конференцию: Практическое применение Machine Learning в Digital-продуктах.
В предыдущей серии: