Отдел продаж или LLM-бот новой эры? Принцип работы локального AI-решения для «сложных» отраслей
Про ChatGPT слышал уже каждый. Многие знают, что GPT — это лишь одна из реализаций так называемых больших языковых моделей (LLM, large language model). Вариантов их практического использования много, я расскажу об одном из них: автоматизации запросов клиентов.
Как большие языковые модели выполняют задачи менеджеров по продажам первой линии и сокращают ресурсозатраты на целые отделы
LLM обладают поистине завораживающей способностью анализировать тексты на разные тематики и выдавать связные ответы.
О том, как они работают, как могут ошибаться и как приносят пользу для решения бизнес-задач, в том числе нестандартных, очень подробно рассказали в статье.
Например, давайте представим, что мы продаём что-то более сложное, чем зубочистки: профессиональный инструмент, бытовую технику, станки для предприятий, услуги по ремонту или строительству, автомобили или недвижимость.
Процесс продаж в этом случае требует:
- пошагового уточнения того, что нужно клиенту;
- «дообучения» клиента — когда мы рассказываем ему о новых технологиях, новых продуктовых единицах, технологических или регуляторных аспектах, с которыми он не был знаком.
Мы начинаем с вопроса о том, что ищет клиент, анализируем смысл его ответа и рассказываем о релевантном решении или деталях, которые помогут выбрать подходящий продукт. Выглядит это примерно так:
В случае продажи простого продукта эта схема прорабатывается быстро. Но в случае сложного продукта это весьма затратный путь, требующий высокой квалификации менеджера по продажам и времени для многочисленных уточнений и обсуждений:
Клиент: Хочу купить квартиру.
Менеджер: У вас уже есть критерии, по которым хотите подобрать её?
Клиент: Мне нужна небольшая квартира в центре под сдачу. Говорят, на намывных территориях есть недорогие варианты.
Менеджер: Если вы планируете квартиру для сдачи в аренду, могу рассказать, в каких районах в течение 2-3 лет ожидается повышенный спрос на жильё. Район намыва не стала бы рекомендовать, слишком большой объём застройки и вряд ли получится потом сдать квартиру по высокой стоимости. Кроме того, отмечено снижение стоимости жилья в этой районе на вторичном рынке, что не позволит перепродать её с выгодой.
Клиент: Что тогда посоветуете?
Менеджер: Есть несколько перспективных проектов в стадии строительства, например…
Так можно представить схему обработки запросов менеджерами и использования разнородных источников для подготовки спецификации закупки:
Долгое время автоматизация части продаж, проиллюстрированной выше, упиралась в несколько проблем, среди которых:
- трудоёмкость создания единой базы знаний: необходимо было собрать все разрозненные сведения, которыми пользовался менеджер по продажам и преобразовать их в формат, пригодный для автоматической системы. Порой стоимость этой задачи достигала десятков миллионов рублей;
- ограниченность алгоритмов искусственного интеллекта: для действительно высокого качества требовались невероятные объёмы данных для обучения — порой это превышало все накопленные знания конкретной компании. Поэтому, ограничивались сравнительно простыми решениями на базе древовидной логики. Такие системы могли автоматизировать большую часть типовых запросов, но полностью «разваливались» при обработке нестандартных вопросов клиента. Такие случаи обрабатывались живым менеджером.
Ситуация кардинально поменялась после того, как появились так называемые большие языковые модели: они перевели ИИ в «высшую лигу», позволив ускорить процесс формирования единых информационных баз, а также реализовав возможность учёта любых пожеланий и нестандартных вопросов клиента. Интеллектуальность общения при этом приближена к диалогу с оператором-человеком.
Как LLM извлекают и обрабатывают данные, и что мы получаем на выходе
Процесс извлечения данных из разрозненных источников называется ETL (Extract, Transform, Load). В проектах автоматизации ETL обычно занимает около 50–60% от всего бюджета проекта.
Благодаря ETL, мы получаем структурированные данные, которые затем можно использовать как источник для генерации точных и непротиворечивых ответов клиенту. Например, если в одном документе указана мощность двигателя 180 кВт, а в другом — 190 кВт, то в процессе ETL это противоречие будет выявлено.
У нас даже была ситуация, когда в процессе автоматизации мы создали базу знаний для чат-бота, а потом обнаружили, что менеджеры тоже начали ей пользоваться, так как информация в ней была хорошо структурирована и содержала максимум деталей.
Вот как это выглядело:
С приходом эры LLM стало возможным значительно ускорить процесс извлечения данных. Они «из коробки» умеют:
- анализировать данные в различных форматах;
- сопоставлять их между собой;
- выделять общие свойства и параметры;
- заполнять этими параметрами необходимые структуры данных.
Вместо скриптов, программирования и ручной возни можно построить работу с LLM в стиле:
«Выдели из описания оборудования его основные характеристики. Ответ выдай в виде пары "Параметр=значение". Результат выгрузи в виде XML.»
Данные после этапа ETL передаются на хранение в DWH (data warehouse). Отличие DWH от обычной базы данных в том, что он содержит в себе объединение нескольких информационных источников, а также хранит историю изменений этих данных.
И опять же, можно использовать LLM для аналитики данных, например, попросить её выявить неконсистентность/противоречивость данных:
«Проведи анализ описаний оборудования и выведи список оборудования, для которых есть несколько разных значений одного параметра».
Как только данные в DWH валидированы, можно реализовать первый этап автоматизации (назовём его «помощник менеджера»).
LLM в режиме чат-бота будет самостоятельно поддерживать диалог с клиентом, вынимая постепенно нужные данные из разговора, — и отвечать на простые вопросы. Уже на этом этапе армия менеджеров заменяется небольшой группой старших специалистов, в задачу которых входит контроль диалога бота и клиентов, разрешение сложных вопросов, подготовка итоговых спецификаций.
Наш опыт показывает, что при общении через чат клиент не замечает разницы в стиле общения живого оператора и LLM-бота. Разница может быть заметна, только если взаимодействие с клиентом происходит в телефонном канале, хотя она и исчезающе мала.
Дальнейшая автоматизация подразумевает добавление интеллекта в автоматический выбор товаров на основе сложной логики, учитывающей наиболее выгодные товарные позиции, остатки на складе, время поставки, логистику до клиента и возможности допродажи (например, к бетономешалке можно всегда предложить лопату, виброплиту, весы, опалубку и многое другое).
Менеджер в этой схеме уже трансформируется в эксперта-аналитика, который пользуется дашбордами для принятия решения о настройке бота продаж в соответствии с целями.
Схема автоматизации, возможно, выглядит немного фантастически. Но это абсолютно реальный процесс, который может быть запущен в вашем бизнесе буквально за месяцы.
И не так важно, что именно вы продаёте: если у вас база знаний для живых менеджеров, если вы можете описать, как должен выглядеть идеальный процесс продаж, данные о продажах, ценах, складских остатках хранится в каких-либо базах данных — вы уже готовы к автоматизации.
Что касается расчёта окупаемости, её можно легко прикинуть самостоятельно: просто уберите из уравнения продаж всех менеджеров первой линии, добавьте рост эффективности каждого отдельного диалога неутомимого бота и потом сравните со стоимостью внедрения системы на базе LLM.
Буду рад, если вы поделитесь в комментариях своим видением: насколько легко доверить такую большую работу, как обработка запросов клиентов, технологиям. И стоит ли оно того, на ваш взгляд.
А если вам интересно узнавать ещё больше о применении искусственного интеллекта в реальных проектах, добро пожаловать в мой Telegram-канал «Айтигородские байки».
Мне кажется есть прослойка клиентов которые "принципиально" не станут с чат-ботом\ии общаться) Для таких людей важно поддерживать "статусность", любят контролировать и нуждаются в коммуникации напрямую (им нравится больше процесс работы чем итоговый продукт?:) )
Настоящая статусность - это удел небольшой группы, которые действительно могут себе позволить личного ассистента и VIP сервисы. Правда в том, что порой качество массовых услуг сейчас может быть гораздо выше VIP (за исключением того, что тебе будут преданно и внимательно смотреть в глаза): те же боты GPT в режиме 24/7 могут толково решить множество проблем, обладая большей экспертизой, чем живой менеджер, т.к. они работают со всем объемом информации, а менеджер - только с тем, что поместилось в его памяти.
Тот случай, когда ИИ как бы подталкивает линейных сотрудников выходить из зоны комфорта, решать более сложные задачи и становиться круче. Например, тут — разбираться в продукте исключительно на уровне старшего менеджера.
Но возникает вопрос: если у нас сложная сфера, менеджеры первой линии становятся не нужны, а людей, разбирающихся в продукте априори мало или почти нет, как быть при масштабировании компании? И увеличении количества обращений по вопросам, требующим ответа «старшего менеджера по продажам» с экспертизой?
Выглядит так, что сейчас в роли таких менеджеров в компаниях часто выступает руководящий состав, который разбирается в продукте на техническом уровне. Но ведь его ресурс сильно ограничен.
Справятся ли компании с быстрым ростом, успеют ли за ним?
Отличный вопрос. Те, кто успеют - те и выиграют конкуренцию. Остальные останутся в прошлом.