Голосовой помощник для колцентра интернет-провайдера: опыт команды Ziax

Система автоматически обрабатывает до 85% входящих звонков.

В этой статье поделимся секретами нашего успешного кейса решения задачи роботизации входящих вызовов в контакт центре небольшого регионального провайдера.

Руководители провайдера вышли на нас с целью провести тестирование нашего решения на первой линии технической поддержки. Перед нами также стояла своя локальная задача — доработать Ziax для обработки входящих вызовов.

Изначально наша команда занималась разработкой систем IP-ATC для контакт-центров, основная задача которых состояла в сборе данных о работе операторов по итогам дня, недели или месяца, необходимых руководителям для подсчёта заработной платы.

В процессе работы возник резонный вопрос: «Зачем нам собирать столько отчётов? Если будут роботы, то столько отчётов не нужно». Нам повезло, ведь именно в то время появились голосовые сервисы у «Яндекса» и Google. Так появился Ziax.

После нескольких пилотных проектов и успешных внедрений продукта на исходящие вызовы, мы решили сфокусироваться на обработке входящих. Уже на тот момент на рынке стали появляться сервисы автообзвонщиков с якобы «искуственным интеллектом» и с использованием «псевдонейронной сети».

Но в таком ПО «под капотом» была классическая блочная система и скриптовая логика работы бота. Изучив подробно функционал конкурентов, мы поняли, что слабые места всех их сервисов — обработка входящих вызовов.

Заказчики для нового направления появились практически сразу, и одним из них стал крымский интернет-провайдер, которому требовалась именно обработка входящих звонков, включающая такие операции по решению следующих вопросов пользователей:

• баланс на лицевом счете;
• номер лицевого счета по SMS;
• обещанный платеж;
• приостановка обслуживания;
• активация услуги после приостановки;

Базового функционала классической скриптовой логики робота, конечно же, недостаточно, поэтому для заказчика наше решение было наиболее подходящим, ведь Ziax использует контентно-интентную модель. Нам предстояло решить, как интегрировать нашу систему с внутренней системой заказчика и авторизацией абонента.

Для интеграции мы использовали API биллинговой системы провайдера, методы, в свою очередь, вызывались с помощью встроенной в Ziax функционала вебхуков.

Интеграция прошла успешно, и возникла необходимость организовать и авторизацию. Как уже было сказано, Ziax работает по контекстно-интентной модели и, когда абонент начинает разговор в телефонном канале, в системе автоматически создаются параметры:

• АОН клиента (телефонный номер, с которого звонит клиент);
• имя клиента (если есть).

Таким образом, по умолчанию при приветствии всегда отрабатывает вебхук, который ищет совпадения АОН с абонентом в базе заказчика. Если нам приходил ответ, что данный АОН закреплен за конкретным абонентом, мы уточняли у него, правильно ли система определила адрес подключения. В случае, если система правильно распознавала адрес, авторизация считалась пройденной. Если же адрес определить не удалось, то клиенту предлагается назвать номер договора.

Стоит заметить, что номера договоров у заказчика имеют разный формат, и мы должны были определять их корректно, как бы клиент ни произнес фразу, содержащую необходимую нам информацию (ведь зачастую пользователь называет номер договора не сразу, а произносит его по частям, либо вступает в диалог с роботом, говоря много лишнего).

Мы обучили систему на извлечение параметра «номер договора» и сейчас проблем с извлечением не возникает.

Далее необходимо было собрать модель для обучения. Мы проанализировали записи предыдущих звонков колцентра и составили лингвистическую модель. После этого начали заполнять агента в своей системе. Расписали все интенты и объединили их контекстами.

Чтобы извлечь параметры, необходимо разметить фразы пользователя, с помощью которых обучается агент, выделив необходимую информацию. Ниже приведен пример разметки текста для обучения агента:

После сохранения агента система начинает обучаться — чем больше данных вносится, тем дольше проходит обучение. Но данные должны быть максимально разнесены по вариантам, чтобы робот обучался эффективней и работал более точно.

После успешных внутренних тестов мы начали использовать робота для диалога с реальными клиентами, и тут возникли некоторые проблемы. Мы не предупреждали о том, что разговор идёт с роботом, и абоненты начинали мучить его вопросами, которым он, к сожалению, обучен не был. После этого было принято решение сообщать клиентам, что они разговаривают с роботом.

Безусловно, в первый месяц мы периодически обучали агента, исходя из постоянно получаемой обратной связи. Сейчас робот обрабатывает без ошибок 75-85% всех звонков. Лучший показатель у этого клиента — 87%. В среднем робот обслуживает 500–1000 входящих звонков в сутки. Клиент доволен и заказывает новые тематики, а робот постоянно расширяет свою базу знаний. Наша цель — чтобы робот без ошибок обрабатывал не менее 90% всех звонков.

Если у вас был опыт интеграции роботизированных систем, то будем рады комментариям с вашими кейсами.

Вот как наш робот из описанного выше примера общается с клиентами:

#колцентр #голосовой_помощник