В период самоизоляции нагрузка на колл-центры операторов связи резко выросла. Чтобы решить эту проблему, один из крупных телеком-операторов федерального значения решил воспользоваться цифровым колл-центром. Почему такое решение эффективнее телефонного робота и как работают цифровые операторы, рассказывает команда Neuro.net.
Технологии вместо людей
Голосовые роботы — не новинка. В Соединённых Штатах, Европе и России они используются много лет. Но это достаточно примитивная технология, которая дает возможность прокручивать голосовые сообщения поднявшему трубку абоненту — отвечать на вопросы или как-то реагировать на происходящее обычный робот не может.
Компания Neuro.net несколько лет назад решила разработать новое поколение голосовых роботов — цифрового оператора, который может заменить целый колл-центр. Основа технологии — нейросеть, машинное обучение и работа с BigData. Систему обучают на основе аудиозаписей общения реальных операторов колл-центра с абонентами. Самое сложное здесь — не технологическая часть, а юридическая. Персональные данные абонентов защищаются законом, поэтому получить аудиозаписи можно только после завершения длительной бюрократической процедуры.
Для каждого кейса систему нужно обучать с нуля. Нейросеть, обученную на базе опроса клиентов о качестве услуг компании, не получится использовать для обзвона с предложением перейти, например, на новый тарифный план.
Почему нейросеть эффективнее обычного бота
Цифровой оператор понимает сложные фразы и нестандартные ответы пользователей. Так, если обычный бот умеет различать лишь «да» и «нет», то нейросеть понимает «вас не слышно», «окей», «поехали» и даже «да нет».
Сценариев общения даже в простых случаях может быть несколько сотен. В кейсе этой статьи продолжительность разговора с абонентом составляла 2−3 минуты, а количество сценариев (веток разговора) достигало нескольких тысяч. В случае с обычным телефонным ботом такое просто невозможно. Стандартные скрипты в лучшем случае понимают ответы «да» или «нет» и реагируют на нажатие кнопок телефона.
Уровень ведения разговора цифровыми операторами фактически неотличим от беседы с оператором-человеком. Технологии обеспечивают возможность соблюдать интонацию, выдерживать паузы и логично строить ответы. Кроме того, благодаря технологиям машинного обучения с каждым новым разговором цифровой оператор становится лучше.
В ходе обучения цифровых операторов иногда случаются неожиданности. Например, обрабатывается несколько сотен записей, система обучается и начинает отвечать по предусмотренному сценарию. Но вдруг кто-то из абонентов во время тестового запуска реагирует нестандартно — например, задает вопрос, который не был предусмотрен во время обучения. В этом случае приходится заниматься дообучением системы, чтобы не было проблем уже в процессе полноценной работы с абонентами.
Кейс оператора связи
Клиенту в телеком-сфере нужно было при помощи цифровых операторов решить сразу две задачи. Первая — предложить клиентам, которые были готовы перейти к конкурентам, скидку на новые тарифные планы. Скидка предлагалась в том случае, если абонент оценивал один из сервисов компании ниже 8 баллов по 10-балльной шкале.
Система выполнила более 10 тыс. звонков абонентам, конверсия в покупки составила 37% вместо заявленных 35%. Этот кейс показал, что решение на основе нейросети может работать не просто «не хуже», а даже лучше, чем колл-центр с реальными операторами.
Что касается второй задачи, то цифровому оператору нужно было собрать отзывы абонентов компании по качеству предоставляемых услуг. Речь идет об NPS (Net Promoter Score). Отзывы собирались по анкете с 5 вопросами. Звонок засчитывался, если система получала ответы на все пять вопросов. После анализа результатов оказалось, что цифровой оператор справился с 98% диалогов, практически безошибочно отвечая на вопросы респондентов.
Производительность цифрового колл-центра высока и ограничена лишь пожеланиями заказчика. Так, в день совершалось 200−500 тысяч звонков в день. Одновременно цифровой колл-центр в состоянии обзванивать около 1000 абонентов. Если абонент недоступен, выполняется набор нового номера из очереди. В среднем трубку берет 30% абонентов.
Результаты
Цифровой оператор превысил заложенные KPI в среднем на 2−4%. После завершения проекта и оценки результатов были сделаны такие выводы:
- Цифровой колл-центр вполне способен заменить обычный, причем даже в тех случаях, когда нужно вести относительно развернутые диалоги с клиентами.
- Уровень клиентского сервиса компании не снизился во время режима карантина. Цифровой оператор справился с задачей поддержки абонентов на первой линии.
- Цифровые колл-центры освобождают операторов от решения простейших рутинных задач, так что колл-центр фокусируется на более сложных сценариях и клиентских кейсах, где требуется непосредственное участие живого человека.
- Цифровой колл-центр в состоянии закрыть пиковую нагрузку по звонкам в тех случаях, когда недостаточно ресурсов колл-центра с операторами-людьми.
- Стоимость обслуживания цифровых операторов в два раза ниже, чем стоимость обслуживания колл-центра. Эффективность же работы технологии на таком же уровне или даже несколько выше, чем эффективность обычного колл-центра.
Цифровые технологии, включая описанную в кейсе, станут постепенно заменять человека при выполнении чисто механических, рутинных задач. При этом речь идет не о «захвате рабочих мест машинами», а о том, что компании смогут использовать самый ценный ресурс — время своих сотрудников, для решения более творческих и сложных задач. Тех задач, где требуется исключительно участие человека, а не машин.