Обработка заявок с помощью ИИ: как заставить ваши данные работать на вас

Торговые площадки, сервисные центры, банки, медицинские центры, государственные учреждения и другие организации нередко сталкиваются со снижением уровня клиентского сервиса. Часто эта проблема становится результатом некорректной или долгой обработки входящих обращений, а иногда и вовсе их невольного игнорирования.

Сегодня многочисленные ресурсы, платформы и специализированные инструменты на базе машинного обучения (Machine Learning, ML) и искусственного интеллекта (Artificial Intelligence, AI) генерируют массивы информации о клиентах. Отделы продаж, команды маркетинга и службы поддержки клиентов не справляются с растущим потоком запросов, поступающих из десятков каналов коммуникаций. Извлекать ценные инсайты из полученных данных становится все сложнее. Письма подолгу ждут ответа, а важные теряются, рутинные задачи по обработке обращений демотивируют опытных специалистов, а снижение внимания влечет ошибки. Все это в результате приводит к упущенной возможности повысить конверсию и к потере лояльности клиентов.

Александр Азаров, генеральный директор WaveAccess, рассказывает, как выстроить централизованную систему управления входящими обращениями и решить проблему неэффективной  обработки заявок при помощи искусственного интеллекта.

Как компании понять, что нужна автоматизация входящих обращений?

К входящим заявкам относят сообщения разной тематики и содержания в следующих видах:

• электронные письма;
• сообщения в корпоративные мессенджеры;
• тикеты в службу техподдержки;
• информационные запросы;
• запросы в отдел продаж;
• запросы обратной связи и др.

Это могут быть заявки на возврат товара, запросы на помощь в настройке оборудования, запись на прием к врачу, заявки на получение кредита, жалобы в службу качества и многое другое. Как правило, все эти заявки собираются и обрабатываются в одной или даже нескольких корпоративных системах.

Компании вкладывают много ресурсов в сбор и аналитику данных, настраивают системы для извлечения ценной информации при работе с клиентами. В то же время идет активная работа над привлечением новых клиентов, растет и число каналов коммуникаций, требуется все больше специалистов для работы с обращениями. И наступает момент, когда растущий поток заявок становится узким местом. В условиях отсутствия возможности вовремя и качественно обрабатывать запросы специалисты начинают ненамеренно нарушать регламенты и SLA (соглашение об уровне сервиса), качество обслуживания падает, и тогда компания рискует потерять лояльность пользователей, а в некоторых случаях и свою репутацию.

Проблема кроется в отсутствии инструмента автоматической приоритезации и равномерного распределения входящих обращений по релевантным отделам и сотрудникам, ответственным за конкретные задачи.

Часто для решения этой проблемы компании прибегают к расширению штата, но не всегда получается оперативно трудоустроить сотрудников, которые быстро войдут в курс дела. К тому же у этого подхода есть свои ограничения с точки зрения масштабируемости, гибкости и расходов. Даже для целой команды опытных специалистов в какой-то момент станет невозможно осознавать все получаемые данные, особенно если это требует быстрого принятия решения.

На помощь приходит автоматизация обработки заявок при помощи технологии искусственного интеллекта. AI-решения способны быстро обрабатывать большие объемы данных и извлекать из них нужные, а также предоставлять недоступные ранее выводы, оказывая поддержку в принятии решений.

Возможности AI в обработке онлайн-заявок. Что получают компании?

Обработка заявок при помощи искусственного интеллекта включает в себя классификацию, ранжирование (по типу, срочности, сложности, маржинальности и другим критериям) и маршрутизацию обращений по соответствующим отделам и сотрудникам. Это позволяет сокращать время ответа на запросы, уменьшать количество ошибок, вызванных человеческим фактором, и снижать число необработанных или пропущенных заявок.

Прежде чем начать использовать подобное решение, бизнесу необходимо уделить внимание качественной подготовке и структурированию данных, на которых AI будет обучаться — предварительно внести их в таблицу и тщательно ее заполнить. И если на подготовительном этапе требуется участие специалистов (часто с подготовкой данных помогает и команда разработчика AI-системы), то далее система уже самостоятельно, без участия человека обучается работе с информацией и осуществляет остальные операции по обработке данных.

При этом такие решения не являются аналогом или заменой используемых CRM-системы или Service Desk, а предлагают дополнительную функциональность, которая расширяет возможности обработки заявок.

Можно выделить следующие преимущества для бизнеса вне зависимости от отрасли:  

• повышение качества сервиса и рост лояльности клиентов за счет увеличения скорости обработки заявок, сокращения времени ответа, уменьшения доли потерянных или неотвеченных запросов и снижения числа ошибок, вызванных человеческим фактором; 
• оптимизация трудозатрат специалистов благодаря частичной или полной автоматизации службы поддержки пользователей и ответов на их вопросы;
• увеличение конверсии и рост продаж благодаря приоритетной обработке наиболее перспективных и маржинальных заявок, ускорению обслуживания и повышению качества обработки заявок;
• увеличение эффективности маркетинговых и рекламных кампаний, формирование таргетированных предложений за счет сегментации клиентов. <

Можно привести в пример B2B-проект для компании, специализирующейся на  техническом обслуживании оборудования. Задачи проекта состояли в том, чтобы оптимизировать график инженеров, минимизировать трудозатраты на ручное распределение заявок с описанием требуемых работ и сократить время обработки таких запросов. Разработанное решение должно было определять, какие категории и типы работ требует каждый запрос, классифицировать заявки на гарантийный или не гарантийный ремонт. В результате внедренное решение смогло предсказывать 97% категорий и 80% подкатегорий работ, необходимых для закрытия заявки еще на этапе планирования. Помимо этого, система определила, что 20% заявок ранее были неверно классифицированы, из-за чего компания теряла прибыль.

Советы по внедрению систем для обработки входящих заявок и оценка рентабельности

Универсальные для всех компаний критерии при выборе решения для обработки заявок — это способность системы бесшовно интегрироваться со всеми корпоративными продуктами ИТ-инфраструктуры, а также доступность обновлений и возможность доработки под меняющиеся бизнес-потребности компании. При выборе системы необходимо проанализировать, доступны ли следующие возможности: 

• быстрая и легкая интеграция с другими корпоративными решениями;
• постоянная техническая поддержка (предпочтительно – русскоязычная);
• отсутствие необходимости нанимать AI-специалистов для работы с системой;
• небольшие сроки внедрения;
• возможность переобучать модель неограниченное количество раз;
• доступность кастомизации под задачи бизнеса;
• разные возможности установки: on-premise и/или в облаке;
• совместимость с разными типами обрабатываемых данных: текст, таблицы, изображения и сканы документов;
• наличие пробной версии с доступом к полной функциональности.

Стоимость решения, помимо лицензионного платежа, как правило, включает затраты на внедрение. Разброс цены варьируется в зависимости от многих факторов, в том числе объема информационных файлов. Однако до внедрения системы важно оценить ее рентабельность. Для каждого бизнеса окупаемость инвестиций (return on investment, ROI) рассчитывается индивидуально в зависимости от специфики задач. Для одной компании рентабельность – это оптимизация штата сотрудников, для другой – ускорение обработки информации и др. Так, если компания внедряет AI-систему для сокращения затрат времени на обработку обращений, то срок окупаемости оценивается следующим образом. Среднее время на обработку одной заявки умножается на количество заявок в месяц, среднюю стоимость рабочего времени в соответствующих единицах измерения и оцениваемый коэффициент снижения времени на обработку. Результатом становится объем сэкономленных средств. Далее стоимость внедряемого решения делится на эту оценку, и получается срок окупаемости.

Однако самый лучший способ для проверки целесообразности внедрения системы — разработка пилотного проекта на основе накопленных данных. Прототип позволит оценить точность модели, скалькулировать ROI и понять, насколько эффективен будет полноценный проект.

* * *

Основная задача AI-решений по обработке входящих обращений — оптимизировать классификацию, приоритезацию и маршрутизацию входящих онлайн-заявок. Автоматизация этих процессов позволяет сократить время ответа и уменьшить долю потерянных обращений, а также в значительной степени освобождает сотрудников от рутинной работы, что особенно важно в условиях растущего объема информации и каналов коммуникаций. Однако нужно понимать, что внедрением технологии искусственного интеллекта проект не ограничивается. Чтобы результат был удовлетворительный, такие решения необходимо дообучать на появляющихся данных и новых типах и форматах обращений.