Бизнес берется за автоматизацию КЦ с помощью ботов ради достижения глобальной цели — снижение затрат при росте конверсии. Внедрение робота-оператора с искуственным интеллектом также помогает сделать коммуникацию с клиентом более управляемой и эффективной: вы можете проверить, как пользователи реагируют на ту или иную модель диалога и выстроить оптимальный сценарий. С роботом в любой момент можно нарастить мощности для обработки большего количества обращений.
В этом материале Михаил Недряга, федеральный специалист по сервису ДНС, рассказал о том, как проходил процесс внедрения голосового бота в сервисных центрах по всей стране и каких результатов удалось достичь.
По скрипту и без негатива
Ежедневно сотни человек сдают нам в ремонт свою технику, и сбор обратной связи является обязательной частью данного процесса. Если клиент недоволен, например, доставкой товара или результатом выполненной работы, нашим специалистам необходим этот фидбек, чтобы в будущем снизить вероятность негативного опыта.
Основной целью автоматизации было увеличение числа анкет о качестве выполненных услуг и снижение затрат на контакт-центр. При этом мы хотели снизить влияние человеческого фактора — оператор-новичок может действовать не по скрипту, уставший оператор оставляет у клиента впечатление абсолютного безразличия.
По началу для сбора обратной связи рассматривали email-рассылки, смс-рассылки, рассылки с помощью мессенджеров, но конверсия не впечатляла, а расходы оставались на прежнем уровне. Выбор сделали в пользу голосового бота — NPS-обзвон с его помощью позволил повысить количество полученных анкет на 15%, при этом в четыре раза сократив затраты на КЦ.
Разработка и внедрение
Поставщиком решения стала компания Just AI, у которой есть собственная платформа для разработки ботов JAICP. Создание бота происходило в несколько этапов. Первым делом мы с командой вендора написали черновую версию сценария — логику бота, последовательность сообщений в диалоге, а также приветственные реплики, ответы на самые частые вопросы и реакции на возражения. Распознавать человеческую речь и правильно определять намерения пользователей боту позволило NLU-ядро (Natural Language Understanding) CAILA.
Базой знаний для обучения стали скрипты разговоров с операторами колл-центра, а протестировали мы эту версию бота на сотрудниках ДНС, после чего стало понятно, какие изменения в сценарий нужно внести. Затем наш бот прозвонил небольшую базу клиентов.
Андрей Толстов, специалист отдела продаж Just AI:
После первых «боевых» обзвонов началась непрерывная работа по расширению датасета для обучения бота и пополнение тренировочных фраз. Мы улучшили распознавание автоответчика и понимание оценок. Например, когда клиент говорил, что доволен на все 100%, бот учитывал это как максимальную оценку 10. Также мы внедрили кастомный отчет.
Коллеги из ДНС могли посмотреть ответы на каждый из вопросов анкеты, даже если они были открытыми. То есть когда бот спрашивает: «Что бы вы улучшили?«, а клиент отвечает: «Я бы хотел, чтобы ПК починили и вернули мне быстрее», бот это понимает и указывает в отчете как «Повысить скорость обслуживания». Чтобы бот все это понимал, мы много работали над паттернами — ключевыми словами в реплике пользователя.
Одним из основных факторов, влияющих на качество и продолжительность диалога бота с клиентом стала функция активного слушания — ведь иногда человек делает продолжительные паузы во время ответа или долго формулирует мысль, тогда бот может начать следующую реплику, не дав человеку закончить. Иногда бот попадал на автоответчик и все равно продолжал вести диалог. Но благодаря тому, что с каждым диалогом датасет наполнялся, бот быстро научился распознавать голосовую почту и не тратил время на такие диалоги.
Результаты
У нашего нового виртуального помощника был постепенный онбординг — от центрального до волжского региона. Из 1500 полученных в день контактов, бот обзванивает в среднем около 95%, остальные он обрабатывает на следующий день.
Сотрудники контакт-центра обзванивали такую базу за два-три дня, но показатель полученных анкет был значительно ниже. На данный момент 40%+ анкет с каждого из дивизионов, а ранее цифра не превышала 20%. Порадовал и тот факт, что конверсия выросла обратно пропорционально расходам — изначально планировалось сократить их в полтора-два раза, но по итогу затраты на контакт-центр удалось снизить в четыре раза.
В качестве одного из сдерживающих факторов роста конверсии мы выделили системы антиспама, когда номер, с которого звонит бот, автоматически указывается нежелательным. Решение такой проблемы реально, если найти точки соприкосновения с вендорами этих решений, тогда номер может быть помечен как «Сервисный центр ДНС», например.
Чек-лист: что нужно для запуска бота
На содержание чек-листа для тех, кто планирует внедрять голосового бота для исходящей телефонии, могут влиять различные факторы: ЦА, сложность скриптов, подбор голоса и другое. Но мы выделили то, что объединяет любые направления и является обязательным к применению.
- Наличие датасета с реальными звонками. История диалогов нужна для того, чтобы можно было при настройке бота учитывать все возражения и возможное развитие диалога.
- Проведение тестирования на выделенной группе участников для внесения правок в скрипты перед запуском на всю базу.
- Настройка графиков звонков: начало прозвона, количество повторных звонков и другие. Идеально, если уже есть статистика по самым конверсионным графикам.
- Архитектура решения. Если в вашем скрипте требуется уточнение данных по клиенту, то желательно заранее сделать интеграцию с базой данных, чтобы во время звонка бот мог уточнить информацию — ФИО, дата рождения и другое.
- Работа с теплой базой данных. Если вы купили серую базу номеров и звоните с предложением купить ваш товар или услуги, то не стоит ожидать высокую конверсию от проекта.
Ну и, конечно, стоит подумать о выборе платформы, которая потом поможет вам масштабировать ваши проекты в текстовые каналы или даст возможность гибко настраивать скрипты с использованием всех полезных фич на рынке исходящих звонков.