Искусственный интеллект для службы поддержки: 4 способа улучшить сервис

Служба поддержки крупной компании ежедневно получает от сотни до нескольких тысяч обращений. С таким объемом сложно справиться без ИТ-системы, которая помогает собрать заявки в единой среде и выстроить процессы сервисного обслуживания.

Вместе с тем даже с базовой автоматизацией у первой линии поддержки значительная часть времени тратится на однотипные действия: изучить суть запроса, классифицировать и передать заявку исполнителям. Такую работу можно отдать искусственному интеллекту.

Для каких задач службы поддержки применить ИИ

Сервисные процессы выстраиваются по-разному. В одних компаниях заявки клиентов или сотрудников обрабатывают вручную, в других — применяют специальные решения, например, системы класса Service Desk.

Вне зависимости от степени автоматизации при обработке обращений выделяются общие этапы. На каждом из них есть рутинные операции, которые отнимают немало времени.

Классификация обращений. Чтобы передать обращение в работу исполнителю, необходимо изучить текст, определить услугу, категорию и другие параметры.

Уточнение информации. При подаче обращения пользователь не всегда указывает все данные, а значит их нужно запрашивать дополнительно.

Корректировка приоритета обращений. Первая линия поддержки следит за целым набором параметров: массовостью, влиянием выявленных проблем на бизнес-процессы, типами запросов. Например, массовому инциденту назначается высокий приоритет. В спорных и сложных ситуациях формальных критериев может быть недостаточно, и в степени важности каждого случая приходится разбираться отдельно.

Поиск и отправка готовых ответов. Сотрудникам поддержки зачастую приходится отвечать на типовые и повторяющиеся вопросы пользователей.

Это «узкие места» в работе сервисных команд. Посмотрим, как возможности ИИ позволяют ускорить решение подобных задач.

Классифицировать обращения с учетом семантики текста

Если компания небольшая и за предоставление сервисов отвечает отдельный специалист, то к нему удобнее обращаться напрямую. При малых объемах сложная маршрутизация заявок будет излишней.

В территориально распределенных компаниях на уровне сервисных подразделений выделяют целые команды по направлениям или зонам ответственности, а для координации работ используют ИТ-систему, где настраивается автоматическая маршрутизация. Чтобы запрос попал сразу к нужному исполнителю, определяют такие параметры: услугу, в рамках которой выполняется запрос, приоритет, ответственного за решение либо команду. При больших объемах заявок упростить процесс можно с помощью технологий ИИ.

Какие задачи передать ИИ:

1. Ручная классификация. Возможность распознавания естественного языка, которую предоставляют ML-технологии, позволяет полностью передать роль диспетчера системе. В ней по тексту обращения будет автоматически определяться услуга и параметры из каталога услуг.
2. Поиск ошибок. Если сотрудник подает заявку через портал самообслуживания, он заполняет параметры сам. В таком случае система может дополнительно проверить правильность классификации. Если будет обнаружена ошибка, система исправит ее или сформирует список предложений для переклассификации.

Допустим, сотрудник компании оформляет командировку для поездки на конференцию. Он отправляет письмо по электронной почте, где указывает город, даты и другие детали. Специалист первой линии получает в ИТ-системе заявку на классификацию обращения. Затем читает текст, выбирает корректную услугу и команду, которая отвечает за это направление. Далее заявка попадает к ответственным специалистам.

Интеллектуальная автоматизация позволяет полностью исключить специалиста первой линии из этого процесса.

Что в результате:

• Меньше просроченных обращений. Классификация и маршрутизация обращения происходят мгновенно, поэтому сотруднику сервисной службы не нужно ждать, когда на первой линии распределят заявку. Благодаря этому сокращается общее время решения обращения.
• Исключаются ошибки из-за человеческого фактора. В рутинной работе сотрудники устают и ошибаются в классификации обращений. Использование интеллектуальных механизмов позволяет сократить количество таких ошибок.
• Высвобождаются ресурсы. Сотрудники первой линии не тратят время на классификацию и их можно направить на другие задачи.
• Повышается удовлетворенность клиентов. Ускорение процесса позволяет сервисной службе обрабатывать обращения с соблюдением SLA.

Автоматически извлекать недостающие сведения из контекста обращений

Получатели сервиса не всегда знают, какой объем информации потребуется службе поддержки для быстрого решения запроса. Поэтому возникают ситуации, когда исполнителю приходится дополнительно связываться с инициатором заявки, чтобы задать уточняющие вопросы, а это время.

Какие задачи передать ИИ:

1. Анализ текста. Интеллектуальные механизмы на основе предобученной модели могут проанализировать данные в обращении, соотнести их с обязательными сущностями и автоматически извлечь недостающую информацию.
2. Проверка корректности сведений. На базе имеющихся в системе данных о пользователях ИИ может проверить опечатки и ошибки.

Представим, клиент заказал в интернет-магазине доставку на определенную дату. В назначенное время курьер не приехал. Клиент отправляет в службу поддержки письмо, где сообщает, по какому адресу и когда он ожидал доставку, но забывает указать номер заказа.

ИИ найдет и сопоставит нужные данные из письма по разным параметрам, например, по конкретному слову, фразе, диапазону дат.

Что в результате:

• Сокращается время на уточнение деталей по обращению. С помощью извлечения информации модель быстрее находит все необходимые данные и сразу передает их специалисту. Тем самым экономится время на коммуникацию либо поиск сведений в сторонних системах.
• Снижается вероятность ошибок в важных данных. Система сопоставляет указанную в тексте информацию с уже имеющимися данными по клиенту или сотруднику.

Определять приоритет обращений на основе текстовой аналитики

Помимо формальных параметров, для назначения приоритета обращения можно учитывать его содержание. Если текст имеет негативную тональность, то приоритет заявки лучше повысить и оперативнее подключиться к решению проблемы клиента. Но если в сервисную службу приходят тысячи обращений, проводить текстовую аналитику вручную сложно.

Какие задачи передать ИИ:

1. Определение приоритета для обращений в зависимости от эмоциональной окраски текста. За счет предобученной модели в ИТ-системе для обращений с негативной тональностью приоритет будет повышен, для позитивной или нейтральной установлен стандартный приоритет.
2. Анализ тональности текста в ответах службы поддержки. Если специалист написал комментарий, который имеет негативную тональность, система сообщит ему об этом, чтобы такой текст не был отправлен клиенту без дополнительной проверки.

Представим, пользователь на портале самообслуживания регистрирует обращение с просьбой настроить VPN. При этом текст обращения нейтральный: «Добавьте мне VPN на компьютер». В таком случае система зарегистрирует обращение с минимальным приоритетом.

Другой вариант, когда текст содержит признаки раздражительности: восклицательные знаки, написание всех слов заглавными буквами, лексику с агрессивной коннотацией. В таком случае система определит эмоциональную окраску текста как негативную и назначит приоритет выше.

Что в результате:

• Повышается гибкость управления приоритетами обращений. Система может автоматически менять приоритет в зависимости от окраски текста.
• Отслеживаются объемы обращений с негативной и позитивной тональностью за периоды. Такая информация позволяет анализировать тренды в качестве обслуживания. Если в системе растет количество обращений с негативной окраской, это может стать сигналом, что с качеством сервиса что-то не так.

Предлагать решение на основе накопленных знаний

Чтобы оптимизировать процесс работы с обращениями, обычно в службах поддержки ведется база знаний. В них специалисты могут посмотреть, как решались схожие вопросы в прошлом.

Механизм поиска во внутренних системах компании чаще всего ограничен: он умеет искать только по точному совпадению либо по названию услуги. Такой способ не всегда позволяет найти нужную информацию.

Применение инструментов ИИ помогает повысить удобство поиска и научить корпоративную систему «понимать» запросы на естественном языке и показывать релевантные результаты.

Какие задачи передать ИИ:

1. Расширенный поиск. Это позволяет искать и по точным формулировкам названий услуг, и по описанию проблем.
2. Анализ недостающих статей в базе знаний. ИИ оценивает статистику обращений, которые были решены с помощью статей базы знаний. На основе этого система может подсказать, по какой теме и какому набору обращений требуется сформировать статью, чтобы в будущем снизить нагрузку на исполнителей.

Представим, что сотрудник ищет типовое решение в корпоративной базе знаний. Если он введет описание проблемы «Принтер не работает», «Принтер не печатает», «Закончилась краска», то на стандартном портале, скорее всего, ничего не найдётся. Если реализован умный поиск, то в выборку попадут услуги как по точному совпадению, так и по описанию проблемы.

Что в результате:

• Улучшается удобство сервиса. Поиск работает предсказуемо, и пользователь получает релевантные результаты.
• Повышается скорость работы. Сотрудники могут быстро найти ответ на свой вопрос, ознакомиться с лучшими практиками и устранить неисправность.

Коротко: что дает использование ИИ в службе поддержки

Использование интеллектуальных технологий позволяет расширить возможности цифровых решений и улучшить качество сервиса. Благодаря автоматизации с помощью ИИ повышается средняя скорость решения обращений, снижается количество ошибок, что помогает уменьшить затраты на сервисные подразделения. Эти изменения не только благоприятно влияют на саму службу поддержки, но и лояльность пользователей.