Автоматизация клиентского сервиса с помощью ИИ: основы и наш кейс

Сегодня в нашем блоге гость — Полина Кузьмина, руководитель диджитал-подразделения. Она кратко расскажет о работе отдела и детально — о трендах применения ИИ в компании на примере одного из недавних внедрений. Спойлер — речь пойдёт о ботах: какими они бывают, чем отличается их разработка, каких больше любят клиенты, и как ИИ позволил нашему партнеру оптимизировать ресурсы.

Привет, меня зовут Полина. Я возглавляю диджитал-подразделение в крупнейшем в России аутсорсинговом контакт-центре. Подразделение отвечает за всё то, что находится на стыке оптимизации процессов, клиентского сервиса и технологий: роботы, боты, аналитика, симуляторы, — любой технологичный полный или частичный селф-сервис для конечных потребителей брендов, с которыми мы работаем.

Моя задача — оптимизировать и автоматизировать общение клиентов с брендами, что в конечном счете помогает им:

Эту задачу мы решаем двумя основными способами:

1. С помощью оптимизаций процессов, когда без вложений (или с минимальными), просто изменив процесс, удается добиться нужного результата. Для этого мы детально исследуем дорогие или трудоемкие процессы, тестируем гипотезы и предлагаем изменения.

2. С помощью таких технологий, как, например, искусственный интеллект, о применении которого расскажу далее.

На момент написания статьи чаще всего бренды в клиентском сервисе используют ИИ в форме ботов: на сайтах, в мобильных приложениях, в мессенджерах, на голосовой линии, в бэк-офисе. Боты отвечают на самые частые вопросы, предоставляют данные о бонусах, покупках, статусах заказов и рейсов, собирают оценки о сервисе, делают и озвучивают рассылки и акции, выполняют ещё много других функций.

С точки зрения технологий и для простоты понимания предлагаю разделить ботов на две категории:

1. Простые структурные, или сценарные. У них заранее прописаны многоуровневые сценарии. Они как бы создают клиентский путь, по которому и предлагают пройти, чтобы решить вопрос. По нашей статистике, таких ботов предпочитают около 60% конечных потребителей. Я объясняю это тем, что нажимать кнопки легче, чем формулировать вопрос, да и проще идти по проложенной кем-то дороге :) Важно: у таких ботов нет искусственного интеллекта.

2. ИИ-интентные с nlu-модулем. Здесь сценария нет, принцип работы иной. Интент — это суть запроса потребителя. Например, в вопросе: «У меня сломался прибор Х, где я могу его починить?» — два интента: «сломался Х» и «адрес сервисного центра». Мы настраиваем бота так, чтобы он корректно распознал интент и в ответ отправил нужную информацию без дополнительных действий со стороны потребителя. Наша главная задача — это не проложить пошаговый -маршрут клиента из пункта А в пункт Б, а дать самую короткую прямую дорогу (в идеале — телепорт :) ) от вопроса до ответа.

Создавать и внедрять ботов разных типов будут разные команды. Со сценарными ботами справятся бизнес-аналитик, или, как мы его называем, контент-менеджер, и тестировщик. Может понадобиться несколько тестировщиков, если бот большой или присутствует во многих каналах. Чтобы подготовить и запустить ИИ-бота, в команде, помимо бизнес-аналитика и тестировщиков, потребуются ещё и дата-саентист и/или разработчик — в зависимости от выбранной технологии для реализации бота.

По моему опыту, не существует идеальной рекомендации «у вас такая задача — вам подойдет такой бот». На выбор бота по его типу влияет бизнес-задача, бюджет и другие ресурсы, как, например, команда, тайминги, смежные проекты, а также стратегические планы по трансформации клиентского пути — видение, как бизнес будет взаимодействовать с клиентами ближайшие 2–3 года.

Мы создавали и внедряли как простых скриптовых ботов, которые автоматически обрабатывают более 90%* запросов конечных потребителей, так и ИИ-ботов, которые обрабатывают 60% клиентов самостоятельно. И иногда на одном проекте.

Один из недавних наших кейсов — ИИ-бот в мессенджерах для международного производителя бытовых товаров. Реализация базовой версии (топ-тематики) заняла 3,5 месяца.

Сначала мы собрали данные по истории обращений в текстовых каналах за 6 месяцев. Затем проанализировали и кластеризовали эти данные. После создали 7 сценариев первого уровня, подготовили ответы на точечные и общие вопросы. Далее обучили nlu-модель. Наконец, провели несколько раундов тестирования, в том числе с клиентом.

Важно, что ИИ — не панацея. В данном кейсе, например, бот работает как сценарный, так и интентный, и предпочтения потребителей распределяются примерно поровну: 56% клиентов выбирают ходить по заданным сценариям. Однако однозначно можно сказать, что тренд направлен на усиление позиций ИИ-технологий в сфере автоматизации клиентского сервиса: бренды наращивают инвестиции в эти инструменты, а конечные потребители готовы к взаимодействиям с ИИ.