М.Видео-Эльдорадо

Что внутри у Алены: разбираем чат-бота по косточкам

Те, кто пользуется мобильным приложением или сайтом М.Видео, наверняка заметили присутствие в них чат-бота. Нет, речь идет не об онлайн-чате, который сейчас есть практически у каждого сайта, где что-то продают. Мы говорим именно о чат-боте – системе, которая не просто удерживает клиента, а сопровождает его, помогает, консультирует, советует. И все это делает не сотрудник контакт-центра, а искусственный интеллект.

Многим не нравятся чат-боты. Это – скорее вопрос психологии. Человеку удобнее общаться с человеком, уникальной личностью, а не машиной. В результате появляется резкая негативная оценка, которая, как любая крайность, не совсем верна, но имеет право на жизнь.

Мы считаем, что каждое мнение важно, но при этом есть и объективные маркеры (CSI, корректность прохождения сценария и т. д.), которые показывают, насколько быстро и эффективно работает чат-бот и как он справляется со своими задачами. Мы опираемся именно на эти показатели. И чем дальше развиваем чат-бот, тем большую пользу он приносит клиентам.

Нашего бота зовут Алена. Сегодня она обрабатывает все входящие сообщения клиентов, которые поступают через сайт, мобильное приложение и мессенджеры Telegram, WhatsApp и Viber. Чаще всего через чат-бот клиенты задают вопросы, связанные с покупкой товаров, настройкой своего профиля и доставкой заказов. В месяц обрабатывается около 150 тыс. обращений, и порядка 40% из них полностью «закрываются» Аленой.

Зачем ритейлеру чат-бот?

В первую очередь потребность в нем определила необходимость снизить нагрузку на персонал. «Пропускная способность» контакт-центра ограничена и нужна своего рода амортизационная подушка, которая позволит его загруженность контролировать.

Кроме этого мы стремимся упростить взаимодействие клиентов с компанией по всем ситуациям, связанным с покупкой и сервисом — наличие товара, статус доставки, заказа или обращения, правила акций и программы лояльности, порядок действий при необходимости возврата или ремонта. Эти вопросы Алена уже решает сама.

Мы расширяем сценарную базу служебных запросов (кредит, возврат, обмен, режим работы магазинов и т. п.) и создаем новые, полезные с точки зрения клиентского опыта интеграции. Например, скоро запустим прямую коммуникацию с конкретным магазином.

Она выходит за рамки классического чат-бота, но на нем базируется. Что касается сервисов, связанных с ассортиментом, то мы строим рекомендательную систему в сценариях работы бота, будем внедрять возможность оформления заказа.

И, конечно, развивается система оценки работы бота. При этом в первую очередь нас интересует, как он взаимодействует с различными внутренними системами и сервисами компании.

Наше представление об «идеальном» чат-боте

Обычно в таких случаях приводят в пример чат-бот, который работает у Amazon, и говорят, что идеальным результатом был бы такой же бот, только с чуть меньшими возможностями. Это – узкоспециализированный помощник, который может за минимальное количество сообщений дать в каждой ситуации клиенту рекомендацию о том, что ему нужно сделать. Разумеется, никогда не ошибаясь.

Нам интересно отработать не только сервисные функции бота, которые снизят нагрузку на контакт-центр, но и заинтересовать клиента продолжить общаться с компанией, совершать покупки, зацепить его интересным предложением. Это – одна из глобальных целей компании, на достижение которой чат-боты могут вполне успешно работать.

Отдельный блок — функциональность помощника в выборе. Она опирается на возможности и самого чат-бота, и на ядро системы, которая предназначена для выбора товара по заданным характеристикам. Сценарий может выглядеть по-разному. Первый – клиент приходит с потребностью в устройстве, озвучивает его характеристики, бот уточняет их у пользователя и предлагает несколько позиций, из которых и делается окончательный выбор.

Есть и другие сценарии, с несколько измененным алгоритмом. Например, клиент может задать вопрос о товаре, которого сейчас нет в наличии. В этом случае может быть предложена альтернатива, близкая по характеристикам.

Что внутри у бота

Архитектура нашего бота опирается на несколько платформ: коммуникационную на базе Edna, систему автоматизации диалогов Just AI, интеграционный модуль, обеспечивающий взаимодействие компонент, и блоки нашего внутреннего ИТ-ландшафта: бизнес-сервисы микро-сервисной платформы и NLP-сервисы, которые мы разрабатываем самостоятельно.

Вендорские решения,Edna и Just AI, не используются в чистом виде, для каждого из этих сервисов имеются прослойки. Одну, техническую, мы разработали сами, она служит для мониторинга диалогов в реальном времени, обогащения их необходимой для бота информацией (о клиенте, полезных товарах и т.п.).

Вторая отвечает за работу бота в режиме специализированных сценариев. К примеру, в рекомендательных системах есть набор сервисов, который принимает заказ от бота, запрашивает из баз характеристики и т.п.

Коммуникационная платформа Edna отвечает за присутствие чат-бота в разных каналах (сайт, мобильное приложение, мессенджеры). Это – агент, обрабатывающий связь с клиентом.

После того, как обращение клиента поступило в чат, включается промежуточная, интеграционная платформа на базе Just AI. Она дополнена логикой, которая разработана нашими силами. Это – набор микросервисов, анализирующих запрос и определяющих, к каким внутренним системам боту нужно обратиться (это могут быть CRM, различные логистические системы, пользовательские корзины и т. п.), через какой интерфейс это сделать.

На основе такого понимания для бота обогащается исходная информация, полученная от клиента. Если говорить упрощенно, то этот модуль определяет набор сценариев, которым соответствует клиентский запрос и на основании этого – набор интерфейсов и систем, с которыми нужно взаимодействовать боту. Затем боту предоставляется набор шаблонных ответов для клиента, которые он использует в дальнейшем диалоге.

Сценарии

Очень важная часть чат-бота – сценарии, по которым отрабатываются клиентские обращения. Они составляют несколько сценарных групп на основе общих тем обращений. Их всего шесть, они все связаны с предметной сущностью, по которой клиент хочет получить информацию: заказы, товары, программа лояльности, магазины и несколько видов сервисных запросов.

В каждой группе есть как минимум два сценария отработки клиентского запроса. К примеру, самая многочисленная группа – «Заказ». В нее входят такие сценарии, как «Статус заказа», «Изменение заказа», «Продление резерва», «Оформление», «Отмена». Конечно, существующий набор сценариев постоянно дополняется, новые сценарные группы появляются по мере внедрения в компании новых процессов.

Изначально сценарные группы вовсе были сценариями, которые постепенно усложнялись и делились. К примеру, в самом начале работы мы разработали три сценария: «Статус заказа», «Баланс бонусных рублей» и общий сценарий помощи, в котором группировались ответы на вопросы по использованию приложения и сайта.

Новые сценарии появляются довольно часто. Мы видим объем обращений, которые не «попадают» в сценарии или даже сценарные группы, и стараемся его минимизировать.

Сегодня бот может осмысленно общаться с клиентом в 60% случаев. Наша цель – довести к концу года этот показатель до 80%.На практике это выглядит так. По первоначальному запросу клиента определяется сценарная группа для дальнейшего диалога. Затем бот задает клиенту несколько вопросов, ответы на которые он (бот) знает точно.

По сути, клиенту предлагается выбрать один из сценариев, входящих в группу. Если сценарий, который выбран клиентом, уже разработан, общение продолжается с ботом. Если нет, то запрос переадресовывается оператору колл-центра.

Как бот помогает подбирать товары

Отдельно, стоить отметить группу сценариев по подбору товара — одну из самых важных и сложных. Если сервисные сценарии улучшают опыт клиентов, упрощают взаимодействие и снижают нагрузку на контакт-центр, то здесь мы имеем дело непосредственно с конверсией и, как следствие, с продажами.

Основная сложность состоит в том, чтобы бот “понял” клиента. Для реализации этого “понимания” необходимо по реплике определить и классифицировать намерение клиента, распознать товарную категорию, характеристики товара и требуемые значения.

При этом, клиенты в общении с ботом используют привычную для них лексику — термины, которые плохо согласуются со справочными, табличными данными товарных спецификаций. Соответственно, одна из дополнительных задач, которую мы решаем, это автоматическое извлечение ключевых пользовательских терминов и «связка» этих двух словарей.

Другая проблема, возникающая при подборе, это построение оптимального диалогового сценария. Ее можно решать разными способами и по-разному подходить к самому критерию оптимальности. Например, исходить из минимизации количества дополнительных вопросов. Правда в этом случае некоторые вопросы для клиента могут показаться странными и неожиданными.

Пока, мы остановились на варианте использования списка важности характеристик категории, полученного semi-supervised методами на корпусе текстов отзывов клиентов о товарах, который, конечно, имеет и другие области применения. В таком подходе, мы можем быть уверены, что уточнили у клиента все действительно важные с точки зрения последующей эксплуатации товара детали.

Формирование финального списка подходящих товаров тоже не простая задача. Для начала, необходимо построить итоговый score по товарам с учетом вероятности принадлежности извлеченных терминов к продукту и характеристикам.

После этого уточнить список, исходя из доступности товаров в регионе и возможных способов получения (доставка, самовывоз из разных точек) через вызов соответствующих модулей микросервисной платформы.

Дополнительно, как опциональный шаг, можно обратиться к другим ml-сервисам по рекомендации аксессуаров/расходных материалов).На самом деле, окончательно чат-бот не будет готов никогда. Его можно совершенствовать бесконечно.

Разработав очередную функциональность, мы сразу принимаемся за новую, и этот процесс наверняка будет продолжаться постоянно. А значит, мы будем периодически рассказывать о том, что мы делаем.

Например, о развитии и масштабировании NLU модулей (natural language understanding), технологиях NLG (natural language generation) или персонализации взаимодействия бота с клиентами. Алена — девушка очень разносторонняя и постоянно подкидывает интересные сюжеты.

Если вам интересны другие подробности, то заявки принимаются в комментариях.

{ "author_name": "М.Видео-Эльдорадо", "author_type": "editor", "tags": [], "comments": 1, "likes": 4, "favorites": 3, "is_advertisement": false, "subsite_label": "mvideoeldorado", "id": 262427, "is_wide": true, "is_ugc": false, "date": "Wed, 23 Jun 2021 22:13:37 +0300", "is_special": false }
0
1 комментарий
Популярные
По порядку
1

Когда вы научите бота(поддержку в целом), решать возникшие вопросы и проблемы, а не просто писать email на СЗ магазина, которая говорит о том, что не в их силах решить это:
-  "звоните на Горячую Линию".
- Так я туда и звонил, переадресовали к вам.
- Звоните ещё, попросите усиленно.

Есть ли у вас сотрудники, которые разбирают возникшую проблему и действительно думают, как сделать так, чтобы она не возникла? Потому что проблемы из раза в раз одни и те же, повторяются многократно. Например, сейчас дикий конфликт вызывает электронная очередь на выдачу интернет заказа, который почему-то оказывается "витринный". Ну и ваш пресловутый срок получения "завтра", который в реальности, сразу в момент оформления заказа меняется на "послезавтра, ближе к вечеру".

Ответить
Читать все 1 комментарий
Отдам читателям vc.ru бесплатно SaaS- и другие сервисы с исходниками

Друзья, привет! В своё время покупал для личного использования разные сервисы. Теперь решил раздать, может, кому-нибудь будут полезны.

Как я размещался на маркетплейсах для программистов и что из этого вышло

Меня зовут Виталий, я программист и предприниматель. Или предприниматель и программист. Делюсь историей о том, как я пытался выйти на международный рынок с небольшим IT-продуктом через маркетплейсы, и что из этого получилось.

Эксперимент: выбрать квартиру в другом городе с помощью 3D-тура

«Ирония судьбы» научила нас: все новые дома похожи друг на друга — а значит, имея представление о новостройках в одном городе, можно сделать вывод и о домах в другом. Для этого теперь даже не нужен билет на поезд или самолёт: прогуляться по квартирам в новостройках можно с 3D-туром на сайте «Циан».

Mail.ru Group представила новую концепцию устойчивого развития

Борьба с пластиком и со спекулянтами, сотни онлайн-курсов и миллионы долларов на поиск уязвимостей, гендерный баланс и благотворительность: в отчете по ESG рассказываем, что сделали для устойчивого развития в 2020 — и что планируем дальше.

Очень страшный август

Дмитрий Космодемьянский, управляющий активами УК "Открытие"

Карта «120 дней»: почему это выгодно

Еще каких-то 5-7 лет назад большинство россиян использовали дебетовые карты, чтобы снять с них наличность в день получения аванса и зарплаты, а кредитными старались не пользоваться вовсе.

Кейс Xsolla — грустная история про то, как цифры стали важнее людей

В сети спорят, можно ли уволить 150 сотрудников из-за недостаточной активности в рабочих программах. HR-директор Тина Макарова и директор по коммуникациям digital-агентства Go Mobile Екатерина Гладкова прокомментировали ситуацию и рассказали, как измерять показатели продуктивности и вовлечённости и что делать, если они низкие. Гоуллеги дополняют.

Британский стартап Arrival Дениса Свердлова договорился с Microsoft о создании платформы для управления автопарком Статьи редакции
Трудоголизм: причины
Японский производитель лапши отказался от наклеек на крышках — теперь у банок два «ушка» и морда кота Статьи редакции

А иногда — тибетская лиса.

Apple начнёт локально проверять фото на iPhone на предмет жестокого обращения с детьми — FT Статьи редакции

Сперва функцию внедрят в США, утверждают источники.

null