Вы успешно подписались на блог Naumen
Статьи доступны к чтению
Добро пожаловать! Регистрация прошла успешно.
Отлично! Ваш аккаунт активирован, контент доступен.
Success! Your billing info is updated.
Billing info update failed.
Машинное обучение для оптимизации клиентского сервиса

Машинное обучение для оптимизации клиентского сервиса

6 минут чтения

Качественное и управляемое сервисное обслуживание клиентов является важной составляющей успешного развития любого бизнеса. Важно осознавать, что реализация данного подхода должна опираться на глубокое понимание индивидуальных потребностей различных групп клиентов, как потенциальных, так и существующих. Необходимое качество этого понимания могут обеспечить современные технологии — ИИ, машинное обучение, предиктивная и бизнес-аналитика. Именно развитие интеллектуальных решений для товаров или услуг дает компаниям дополнительные инструменты для снижения времени отклика и повышения качества взаимодействия, благодаря которым конечным потребителям можно предложить новые и более сложные продукты и услуги.

­­Машинное обучение — это целый комплекс взаимосвязанных технологий создания интеллектуальных решений и функций, который включает множество направлений: роботы и автономные транспортные средства, технологии распознавания речи и обработки естественного языка, компьютерное зрение и многое другое. Например, машинное обучение может применяться во многих отраслях и одну и ту же группу алгоритмов,
но на разных дата-сетах, используют для предиктивной аналитики
в промышленности и ритейле, в финтех-приложениях, в системах поддержки бизнеса, в рекламе, в машинном зрении для роботов, беспилотников и камер наружного наблюдения.

Компания NAUMEN имеет широкий опыт применения машинного обучения и аналитических систем в управлении сервисным обслуживанием, инфраструктурами и бизнес-процессами организаций.

Развитие технологий открывает совершенно новые перспективы в клиентском сервисе благодаря широким возможностям для сотрудничества по модели человек+машина. Новейшие технология обслуживания — это виртуальные агенты, работающие в рамках контактного центра или систем класса CRM и Service Desk — автоматизированные системы, которые используются для распознавания и ответа на поступающие запросы по телефону или в чате. В основе этих систем лежат алгоритмы, которые могут учитывать историю обслуживания клиентов, формировать на базе этой информации наиболее вероятные ответы на запросы, обнаруживать паттерны потребительского поведения, использование которых позволяет конструировать персонифицированные предложения.

Ожидание и реальность

Бизнес в первую очередь ожидает от подобных систем экономию средств: снижается время на решение задач и сокращается количество сотрудников, работающих над решением типовых вопросов, ответы на которые могут быть предоставлены системой. В продукте Naumen Service Management Intelligent Automation добивались похожих цифр: до 90% обращений от клиентов могут быть приняты и классифицированы в автоматическом режиме, а 30% из них — решены без участия сотрудников компании.

В реальности такие революционные изменения в отношениях с потребителем требуют от предприятий определенного уровня «цифровой зрелости» операционной и технологической инфраструктуры бизнеса. Она должна быть ориентированной на создание ценности для клиента, адаптированной под работу с партнерскими экосистемами и гораздо более гибкой. Поэтому первое на чем стоит концентрировать внимание компаниям, решившим встать на путь цифровой трансформации клиентского опыта, это улучшение качества обслуживания, а также осознание того, что подобные системы не заменяют людей, а могут работать максимально эффективно только вместе с ними.


Польза от внедрения систем автоматизации в цифрах

Чат-боты, голосовые помощники, виртуальные ассистенты давно стали одной из повседневных практик сервисного обслуживания. Банки, операторы связи, инфраструктурные компании и даже органы исполнительной власти активно внедряют и используют различные решения на базе машинного обучения для взаимодействия с клиентом. Каждый из нас хотя бы раз в жизни сталкивался с виртуальным помощником или чат-ботом, и зачастую это взаимодействие оказывалось малоэффективным. Назойливые всплывающие окна чат-ботов на сайтах компаний заставляют поскорее закрыть страницу. Голосовой помощник неверно распознает заданный вопрос, отвечает невпопад. Телефонные автоответчики предлагают слишком длинные голосовые меню для выбора.
Все описанные ситуации с большой вероятностью вызовут раздражение
у клиентов.

На наш взгляд, проблематика оптимизации сервисного обслуживания при помощи машинного обучения должна быть смещена от оптимизации временных и финансовых затрат компании в сторону клиентского удовлетворения сервисом. С точки зрения машинного обучения данная проблема переходит в задачу создания более качественных моделей с одной стороны и более глубокую интеграцию с бизнес-процессом с другой. Мало построить модель машинного обучения, которая будет предлагать решение клиентского вопроса, классифицировать обращения или давать рекомендацию по дальнейшим действиям в решении вопроса. Моделям машинного обучения свойственно ошибаться ничуть не меньше, чем людям, это необходимо учитывать бизнес-аналитикам при внедрении.

🔸 К примеру, при реализации проекта в одной из ведущих инфраструктурных компаний России, наши бизнес-аналитики столкнулись с большим количеством подобных задач. Запросы не всегда одинаковы и получив нестандартный или новый вопрос, помощник выходит за рамки поведенческих паттернов, учитываемых алгоритмом машинного обучения, и нуждается в помощи оператора в рамках стандартного бизнес-процесса. Слабая проработка возможных паттернов поведения и непонимание того, что исторические данные являются достаточно ограниченной выборкой для создания модели машинного обучения приводят к созданию малоэффективных виртуальных помощников, которые могут даже препятствовать быстрому решению вопроса.

Решать эту проблему можно увеличением обучающей выборки, но даже самые совершенные алгоритмы построены на ограниченных данных. Гигабайты информации и миллионы слов в словаре кажутся нам впечатляющими и вполне достаточным для построения качественного помощника, но и они не охватывают все многообразие языка. 🔸

Виртуальный агент, обученный на таких данных, не сможет охватить все варианты и нюансы пользовательского поведения, и тут важно эффективно использовать человеческие возможности, как на этапе внедрения и обучения, так и в повседневной работе. Виртуальный оператор или чат-бот — это, фактически, такой же сотрудник службы поддержки, которому нужна помощь “старших товарищей”, надзор супервайзера и обучение при появлении новых продуктов и тематик диалогов.

Задача бизнес-аналитиков — настроить систему виртуальных помощников таким образом, чтобы не возникало слишком строгих сценариев работы с клиентом, но при этом система могла бы реально помогать и компании, и клиенту. И самый ключевой момент в процесс внедрения моделей машинного обучения — это уметь вовремя переключить клиента на живого оператора. Эта задача также может решаться применением технологий машинного обучения.

Дополненный естественный интеллект

Люди и виртуальные ассистенты имеют разные навыки и наилучший эффект дают системы, в которых максимально эффективно сочетаются виртуальные и реальные агенты, распределенные по нескольким линиям поддержки.

Агенты-люди легко распознают эмоциональное состояние клиента, однако виртуальные агенты, максимально эффективны при интеграции разрозненных клиентских данных, и могут быстрее чем живой оператор выдавать на основе этой информации релевантный для пользователя ответ.

Поэтому важно уметь не только разрабатывать отличные системы машинного обучения и накапливать данные о клиентах, но и разрабатывать бизнес-процессы, в которых виртуальные агенты и люди работают вместе. Мы, как консультанты и поставщики систем автоматизации бизнес-процессов, особенно сильно чувствуем это в своих проектах. Такие рабочие процессы освобождают людей от решения рутинных, повторяющихся и сверх-типичных проблем с использованием интеллектуальной автоматизации, а остальную деятельность — систематизируют и организуют на единой процессной платформе. Вместо решения стандартных задач, операторы могут сосредоточиться на исключениях — проблемах клиентов, с которыми система не сталкивалась раньше и требующих персонифицированного подхода.

В обслуживании клиентов есть три основных режима, в которых виртуальные агенты и люди работают вместе:

  • AI, инициирующий беседу и передающий ее человеку;
  • сотрудники, обслуживающие клиентов с помощью AI;
  • AI, обслуживающий клиентов “под присмотром” операторов.

Некоторые системы интеллектуальной автоматизации, фактически, предназначены для сбора персональной информации или описания проблемы и т.д. В тот момент, когда они передают запрос для дальнейшей обработки оператору, они “обогащают” его дополнительной информацией о клиенте и сути запроса, что увеличивает эффективность при работе следующих линий поддержки. Таким образом, использование искусственного интеллекта в качестве автоматизированной “первой линии” коммуникаций может помочь классифицировать запрос, маршрутизировать его на подходящего по компетенциям специалиста и предоставить этому специалисту максимум вводной информации. Такой подход мы, в числе прочих, применяем в решениях на базе Naumen Service Management Intelligent Automation.

Создание интеллектуального сервиса с помощью Naumen SMP

Однако некоторые компании предпочитают, чтобы сотрудники обрабатывали все сервисные вызовы. В таком случае бот может “подсказывать” им персонализованные предложения для клиента или предлагать решение проблемы. Например, при появлении новой скидки, изменении тарифной сетки или появлении нового товара, которого нет в наличии, бот сообщит об этом агенту.

В тех случаях, когда виртуальные агенты не могут разобраться, человек-супервизор может оказать большую помощь. При обслуживании клиентов через онлайн-чат, оператор/супервайзер может эффективно управлять несколькими беседами между чат-ботами и клиентами, что обеспечивает более высокий уровень производительности, чем если бы агент отвечал на вопросы самостоятельно. Если виртуальный агент “застревает”, человек может вмешаться и решить проблему — как в оперативном режиме, так и при пост-анализе коммуникаций.

Виртуальные агенты могут самостоятельно обрабатывать стандартные вопросы, такие как информация об отслеживании посылок, часы работы магазина или политика возврата - к примеру, сервис “Где посылка” Почты России, базирующийся на решениях Naumen Erudite, успешно отвечает на вопрос о текущем положении посылки по трекинговому номеру, даже если этот номер с использованием фраз “эс как доллар, це как русская эс”. Тот факт, что клиенты могут получить ответы на свои вопросы без участия сотрудников, выгоден не только экономией их времени, но и формированием положительного клиентского опыта в решении простых обращений. Чат-боты могут обеспечивать круглосуточную поддержку и обслуживание по вопросам клиентов, не требующим вмешательства человека, когда тот недоступен. Да, стоимость их внедрения не всегда мала, но экономия в долгосрочной перспективе получается значительной, ведь человек-оператор получает зарплату ежемесячно и влечет за собой налоговые и иные накладные расходы, а бот обходится в эксплуатации значительно дешевле.

В режиме взаимодействия и виртуальные и человеческие агенты могут сосредоточиться на том, что они делают лучше всего. Для виртуальных агентов это обработка рутинных дел быстро и эффективно. Для людей это решение более сложных и нестандартных проблем, использование эмпатии и эмоционального интеллекта, а также обучение виртуальных агентов случаям, которые они не умеют распознавать. В этом подход NAUMEN - заменять людей там, где это необходимо и усиливать там, где это возможно.

Так наши клиенты, совместно с нами, достигают наиболее впечатляющих бизнес-результатов.