Как использовать искусственный интеллект, чтобы упростить классификацию заявок

Когда клиент отправляет в службу поддержки обращение, его нужно классифицировать: подобрать подходящую услугу, определить тип и срочность, найти ответственного за решение сотрудника и передать исполнителю. Если в день приходят сотни заявок, становится сложнее успевать обрабатывать такие объемы вручную. Справиться с подобными рутинными задачами можно быстрее, если использовать искусственный интеллект. Как это работает, расскажем в статье.

Как устроена классификация заявок с базовой автоматизацией

Решения по автоматизации работы с заявками полезны любой компании, вне зависимости от специфики бизнеса. В одних компаниях это помогает повышать эффективность внутренних сервисных процессов, в других — предоставлять более качественные услуги клиентам. Когда поток обращений большой, для их обработки используются специальные ITSM-системы.

Базовые возможности таких систем упрощают классификацию. В системе настраивают каталог услуг, регламентируют сроки для каждого типа обращений, выстраивают маршруты бизнес-процесса, указывают исполнителей. Чтобы обращение попало ответственному за направление специалисту, достаточно выбрать корректную услугу и определить тип. Например, инцидент это или запрос на обслуживание.

Процесс классификации может зависеть от канала подачи заявки. Если в компании используют портал самообслуживания с удобной витриной услуг и понятной навигацией, то сотрудник сам выбирает, к какой категории услуги относится его запрос. Если сотрудники отправляют заявки по электронной почте или телефону, то к первичной обработке подключается диспетчер первой линии. Общий процесс может выглядеть так.

Могут встречаться заявки, где пользователь указывает не все сведения. В таком случае в процесс добавится дополнительный этап, когда специалист первой линии уточняет у пользователя детали, необходимые для решения.

В компаниях с территориально распределенной структурой и большим количеством подразделений каталог услуг может насчитывать более 300 наименований. Специалистам поддержки сложно ориентироваться в таком списке. С ростом количества заявок вероятность ошибок увеличивается, и сервисный специалист может выбрать не ту услугу.

Когда компании стоит задуматься о классификации заявок с помощью ИИ

Выделим несколько предпосылок, когда классификацию заявок лучше передать искусственному интеллекту.

Увеличение количества просроченных обращений. Зачастую проблемы в работе службы поддержки подтверждаются объективной статистикой. Например, аналитические инструменты ИТ-системы позволяют оценить, какой объем обращений обрабатывает первая линия, каково количество просроченных обращений, на каком этапе они находились дольше всего. Динамика этих метрик может показать, что объем обращений вырос и поддержка не успевает их разобрать, поэтому они вовремя не передаются исполнителям. Если дольше всего заявки находятся на этапе классификации, то это повод оптимизировать процесс.

Расширение клиентской базы. Возможно, поддержка справляется с текущим потоком обращений. Но это не значит, что получится выполнять свою работу без потери качества в будущем, если число клиентов увеличится. Чтобы справиться с объемом задач, можно расширить штат, но здесь есть ограничения. Например, на рынке труда дефицит квалифицированных кадров.

Отсутствие дополнительной нагрузки у новых специалистов. В компании может быть такое распределение зон ответственности, что первая линия поддержки занимается разными задачами. В таком случае нельзя гарантировать, что с кратным увеличением обращений дополнительных задач тоже станет больше. Допустим, специалист первой линии отвечает за подготовку статей для базы знаний. Если каталог услуг не расширяется и поддержка получает однотипные запросы, то с ростом количества обращений не возникнет потребности писать больше статей. То есть в периоды спада количества обращений для нового сотрудника не будет достаточной нагрузки.

Высвобождение ресурсов для новых проектов. Руководитель службы поддержки может привлечь специалистов первой линии к более сложным задачам, решение которых будет приносить большую ценность для бизнеса, чем только классификация обращений. Например, развитие компетенций команды позволит подключать сотрудников к вопросам, которые требуют более глубоких технических знаний.

Как работает интеллектуальная классификация

Интеллектуальные механизмы на основе машинного обучения помогают компаниям автоматизировать первичную обработку обращений и снизить нагрузку на специалистов поддержки. ИИ может на основе анализа текста заявки определить, к какой услуге она относится и насколько критична. Разберем подробнее.

1. Пользователь отправляет заявку

Представим, в компанию принимают нового сотрудника. Руководителю отдела необходимо связаться со специалистами HR, АХО и ИТ, чтобы оформить документы и предоставить рабочее место для новичка. Руководитель отправляет письмо по электронной почте: «27 марта выходит новый сотрудник Артемий Иванов. Прошу все подготовить».

2. ИИ анализирует текст заявки и определяет услугу

Основной источник информации для ИИ — это текст обращения. На основе анализа лексики ИИ определяет, к какой категории услуг относится обращение.

Помимо текста алгоритм может учитывать и другие факторы:

  • местоположение — когда в территориально распределенных офисах сотрудникам доступны разные сервисы. Например, в одном офисе есть корпоративный спортзал, а в других — можно отправить заявку на покупку абонемента в фитнес-клуб с корпоративной скидкой;
  • должность заявителя — когда позиция в компании определяет доступные сервисы. Например, руководитель может оформить запрос на выдачу премии сотрудникам команды или пересогласование бюджета отдела.

В нашем примере по фразе «выходит новый сотрудник» система определит услугу «Рабочее место» и проверит, что она доступна инициатору заявки. На основании «27 марта» система заполнит дату, к которой все необходимые сервисы должны быть предоставлены.

3. ИИ выбирает исполнителя и оценивает критичность

Чаще всего зоны ответственности в компаниях распределены по категориям услуг. Вместе с тем при выборе исполнителя могут учитываться и другие параметры:

  • местоположение заявителя — если в компании много офисов, то система выберет исполнителя, который находится ближе всего к офису заявителя. Например, это актуально для выездных инженеров, которые обслуживают сразу несколько офисов;
  • сложность обращения — если ИИ определит, что это сложное обращение, то он выберет специалиста с наиболее подходящим уровнем компетенций;
  • статус клиента — к примеру, задачи от вип-клиентов должны решаться в первую очередь;
  • язык заявки — если работа ведется в мультиязычной системе и сотрудники коммуницируют на разных языках, важно, чтобы специалист решал обращения на том языке, который он знает;
  • часовой пояс и режим работы офисов — этот параметр важно учитывать для территориально распределенных компаний, чтобы сотрудники получали задачи в рабочее время.

Когда выбраны исполнители, система определяет критичность и срок выполнения работ на основе SLA. Например, если в системе произошла проблема в рабочий день, то ее необходимо решить быстрее, чем если бы это произошло в ночной период.

В нашем примере с выходом нового сотрудника ИИ проанализирует, из какого офиса руководитель инициировал задачу и выберет соответствующие отделы HR, АХО и ИТ.

4. Исполнитель решает заявку

Далее в зависимости от категории услуги в ИТ-системе автоматически будут созданы несколько задач. Для услуги «Рабочее место» это будет запрос в отдел кадров — для подготовки документов, в АХО — для обустройства рабочего места, в ИТ — для выдачи техники.

Какие данные нужны для обучения ИИ

Внедрить интеллектуальную классификацию можно, если в компании накоплено достаточное количество данных для обучения модели. Например, ИИ «показывают» примеры заявок, и он запоминает, какие слова используются в обращениях по каждой категории услуг.

Классификатор обязательно нужно обучать на массиве данных конкретной компании. У каждого бизнеса своя специфика бизнес-процессов, свой каталог услуг и семантика запросов. Чтобы создать модель для обучения ИИ, необходимо три условия:

Большой объем исторических данных — по каждой услуге в ИТ-системе есть 500-1000 обращений. На меньших объемах проводить обучение модели нецелесообразно.

Непротиворечивый каталог услуг — услуги четко разграничены, названия услуг не повторяются, и сотрудникам легко ориентироваться, к какой категории относится их обращение. Если обращения похожи между собой и формулировки расплывчатые, это усложнит обучение модели. Например, запрос с формулировкой «Помогите починить» может относиться к ремонту мебели в АХО и настройке оборудования в ИТ.

Отсутствие большого числа ошибок при классификации заявок. Так как модель обучается на исторических данных, то она будет повторять те ошибки, которые накапливаются. Небольшое количество ошибок некритично. Однако если специалисты по определенным обращениям постоянно неверно классифицировали заявки, то и модель будет ошибаться на этих примерах.

Проблема с качеством исходных данных решается не всегда просто. В некоторых случаях требуется предварительно изменить каталог услуг, чтобы он стал понятнее для пользователей. Затем установить временной период, за который накопятся обращения по новым категориям услуг, и далее обучать модель на полученных примерах.

Важно отметить, что при подключении ИИ в процесс обработки заявок нет задачи автоматически распределить 100% обращений по всем услугам. Обычно обращения распределяются неравномерно. Есть услуга, по которой поступает 80% обращений от общего числа, а есть услуги, по которым приходит одно обращение в несколько месяцев. Задача ИИ — автоматически классифицировать именно эти 80% по небольшому количеству самых частотных услуг. Это как в правиле Парето: 20% усилий дают 80% результата.

Какую пользу приносит умная классификация

Рассмотрим, какой эффект приносит использование ИИ на примерах компаний, которые уже внедрили умные технологии.

Ускоряется обработка обращений

Чем быстрее определена услуга, там быстрее обращение будет доставлено к исполнителю.


    ФПК сократила время поступления обращения к исполнителю с 5 дней до 2 минут

    ФПК — федеральная пассажирская компания, которая предоставляет услуги по перевозке пассажиров и багажа.

    Как было: Ежемесячно в ФПК поступает до 10 тыс. обращений. Обработка занимала от 3 до 5 дней. При этом первая линия поддержки заносила в заявки информацию о поезде, вагоне, месте проезда пассажира из сторонней системы вручную.

    Что сделали: Создали классификаторы обращений. Из текста обращения извлекается информация о поездке, и оно дополняется необходимыми данными. После этого обращение готово к обработке специалистом.

    Итог: Время передачи обращения исполнителю сократилось до 2 минут. Это снизило количество просроченных обращений и повысило удовлетворенность клиентов.


Повышается прозрачность управления каталогом услуг

ИИ позволяет увидеть проблемы в каталоге услуг и перестроить под потребности бизнеса.


    Globus создал непротиворечивый каталог услуг и повысил точность классификации до 90%

    Globus — международная сеть гипермаркетов. Клиентский сервис компании включает обработку обращений, связанных с товарами, доставкой, жалобами, возвратами, юридическими и бухгалтерскими вопросами.

    Как было: 80% обращений попадали на услугу «Прочее». К этой категории относились заявки с абсолютно разными текстами. Часть услуг пересекалась, поэтому сотрудники путались в сервисах.

    Что сделали: Переделали каталог услуг и собрали необходимое количество заявок для обучения классификатора. Выделили новую категорию услуг, по которой не планируется большое число обращений и решили, что такие услуги будут классифицироваться вручную.

    Итог: Услуги, по которым поступает больше всего обращений, распределяются автоматически с точностью около 90%. Это разгрузило первую линию поддержки и снизило число ошибок.