Роботизированный Сервис Деск «Система автоматической классификации инцидентов»

Заказчик:
Yum! Restaurants Russia
Руководитель проекта со стороны заказчика
Поставщик
ICL Services
Год завершения проекта
2019
Сроки выполнения проекта
Сентябрь, 2017 - Июнь, 2019
Масштаб проекта
640 человеко-часов
10 автоматизированных рабочих мест
Цели

С помощью системы уменьшить затраты на предобработку заявок и классификацию, увеличить корректность назначения заявок и скорость работы. А также встроиться в текущие бизнес-процессы компании Заказчика, тем самым автоматизируя регулярные задачи: оценка поставки продукции, управление качеством в ресторанах и другие.


Уникальность проекта

1. Уменьшение времени на классификацию. В ручном режиме это 120 – 300 секунд, при работе робота — это менее 21 секунды.

2. Снижение нагрузки на команду Сервис Деска: 25% объема искусственный интеллект обрабатывает полностью сам.

Для ещё в 15-20% заявок робот подсказывает агентам путь наиболее эффективного решения и подсвечивает проблемные моменты, которые не позволяют выполнить автоматическое назначение.

Если в заявке есть недостаток информации (например: не приложен скриншот, нет согласующего лица) робот в служебном поле оставляет комментарий для сотрудника тех поддержки. Это в свою очередь, помогает еще больше улучшить точность назначения и качество отработки по заявкам.

3. Точность классификации увеличилась в целом по проекту. Алгоритмы на основе машинного обучения (далее МО) не делают ошибок, свойственных человеку.

Использованное ПО

Windows 7, VMWare vSphere, Python 3, TensorFlow, Keras, fastText, Ansible, OmniTracker

Сложность реализации

1. Одним из необходимых условий является наличие базы, на основе которой алгоритм мог бы обучаться. Такой базой служит история обращений пользователей – это выгрузка заявок из ITSM-системы, которые уже были решены и правильно классифицированы. В нашем случае это порядка 100.000 заявок за 1 год.

2. Обучение алгоритма на основе истории обращений. Алгоритм пробегается по имеющимся заявкам и начинает формировать свою базу знаний, формирует триггеры на основе ключевых слов для принятия верного решения по классификации тикетов.

3. Контрольные сверки обработанных заявок со стороны инженера на корректность классификации.

Описание проекта

Yum! Restaurants Russia, управляющее KFC, активно развивает сеть ресторанов в России, СНГ и странах Центральной и Восточной Европы. Для обработки инцидентов и запросов, связанных с услугами, предоставляемыми ИТ сервисами в Yum! Brands была развернута ITSM-система на базе Omnitracker Clever Engine, но не было единой очереди и службы обработки заявок, которая бы модерировала весь входящий поток, правильно оформляла и назначала группы решений. Сотрудники ресторанов сообщали о проблемах ИТ-службе центрального офиса Yum! Brands или внешним подрядчикам. Но пользователь, обратившийся напрямую к подрядчику, не всегда получал ответ вовремя или вовсе не дожидался его. Поэтому пользователям приходилось самим контролировать ход выполнения заявки. Компания не успевала обрабатывать заявки своими силами, поэтому решила провести тендер по выбору подрядчика, которому будет передана ИТ-поддержка на аутсорсинг. Победителем конкурса стала компания ICL Services, задачей которой стало внедрение комплексного автоматизированного решения. Оно охватывало два направления: бизнес-процессы и ИТ-процессы. К первым относятся такие процессы, как оценка поставки продукции, управление качеством в ресторанах и другие. Но большую часть проекта составила интеграция Service Desk — единой точки контакта приема, регистрации и решения всех поступающих запросов от пользователей.

В основе автоматической классификации лежит машинное обучение (МО) – это алгоритмы, которые могут самообучаться и помогать человеку решать задачи в различных сферах его деятельности. В ICL Services – это автоматизация работы специалистов IT Service Desk, а именно Робот для Сервис-Деска: «Система автоматической классификации инцидентов».

Идея об инновациях и автоматизации была сформулирована в 2018 году. Было выделено два направления в зоне «искусственный интеллект»: чат боты и автоматическая классификация заявок. После анализа рынка было решено развивать автоматическую классификацию и взяться за разработку силами отдела BAS (business application support).

К разработке проекта и запуску подключилась команда, которая в течение месяца выросла до 6-7 человек. Было выбрано несколько алгоритмов и началось обучение искусственного интеллекта на выборке заявок из ITSM системы заказчика. По истечении нескольких месяцев первая версия робота была готова и запущена в тестирование. Мы договорились о входных параметрах – робот классифицирует те заявки, где он уверен в правильности на 98% и выше.

К тому моменту, когда тестирование было окончено, сотрудники ICL Services встретились с представителями заказчика, продемонстрировали первые результаты и договорились о запуске робота в продакшн.

В июне 2018 робот приступил к самостоятельной работе: классификация заявок, первичная обработка и назначение на 2, 3 линию поддержки.

От старта до уверенной самостоятельной обработки прошло 6 месяцев, но первые результаты были уже спустя 2-3 месяца.

В августе 2018 результативность робота составила порядка 16%, то есть 16% входящего потока заявок классифицируются роботом без участия человека. Ещё в 20% случаев – робот оставлял подсказки по классификации заявок и подсказки, если нужна была дополнительная информация от пользователя.

К марту 2019 года точность классификации запросов возросла до 26%. Кроме этого, был разработан еще один RPA помощник – он работает по задачам user administration в одной из бизнес систем заказчика.

В процессе выполнения робот взаимодействует:

1) С ITSM системой, в которой находится запрос на создание учетной записи.

2) С Excel файлом, который выступает в качестве хранилища служебной информации.

3) С браузером. Робот проверяет наличие уже открытого браузера и работает в нём, чтобы не плодить новые окна

До автоматизации сотруднику Сервис Деск требовалось ~ 10 минут на тикет по заведению/изменению пользовательских аккаунтов.

После замещения сотрудника Сервис Деск роботом, робот выполняет свою задачу за 2 минуты, что составляет 80% экономии времени.

В итоге пользователи со стороны Заказчика быстрее получают квалифицированную поддержку от Сервис Деск, благодаря чему сокращается время простоя бизнеса и сотрудники заказчика фокусируются на профильных активностях.

Договорные SLA достигаются меньшими ресурсами, что позволяет оптимизировать распределение сил проекта для его непрерывного улучшения. Высвобожденные человеко-часы позволяют нам развивать себя и Заказчика за счет дополнительной аналитики и фокуса на развитие (высвободили порядка 950 человеко – часов в год).

География проекта
Россия
Дополнительные презентации:
ICL Services - Digital Capabilities.pdf
Коментарии: 5

Комментировать могут только авторизованные пользователи.
Предлагаем Вам в систему или зарегистрироваться.

  • 30.10.2019 14:43

    Так все красиво, а цифры непонятные.
    "В августе 2018 результативность робота составила порядка 35%, то есть 35% входящего потока заявок классифицируются роботом без участия человека". - Ну, в других задачах RPA обрабатывают около 80%, ну хотя бы 60%. Здесь меньше, но может быть есть объективные причины. Каковы перспективы увеличить процент распознавания? Что критично и мешает сделать больше?
    Но кроме того, дальше то другие цифры:
    "К марту 2019 года точность классификации запросов возросла до 26%". Это какая то другая классификация? Или было 35, а потом возросло до 26%? Наверно это разные параметры?
    Дальше: "стоимость самого процесса в Сервис Деске сократилась на 56% в годовом исчислении". Почему, если 35% распознается автоматически только? Почему в годовом? Стоимость наверно должна за любой период снижаться одинаково?

    • Раушан Каримов
      Рейтинг: 15
      ООО ICL Services
      Руководитель отдела Service Desk
      21.11.2019 11:49

      Ольга, здравствуйте.
      Да, действительно были ошибки в самом тексте, спасибо что подметили.
      Я поднял исторические данные, внес корректировки в статью.
      Суммарно робот умеет маршрутизировать сам 26% от объема входящих тикетов, на начально этапе было 16%.

      Увеличить процент распознавания возможно, опытным путем этого удалось достигнуть, снизив требование к корректности классификации с 98% до 90%.

      По трудозатратам, которые перешли с сотрудников СД на робота – это порядка 950 человеко-часов в год, можно пересчитать и оценить в рублях.
      Согласен с вами - стоимость за любой период снижается пропорционально.

  • 13.12.2019 12:05

    Спасибо большое за разьяснение. А если снизить требования к корректности классификации, то работать то будет все равно продуктивно? В любом случае очень интересное это направление, дальнейшего вам в нем прогресса! когда нибудь будет и 100% распознавания:))

  • Михаил Ежов
    Рейтинг: 52
    АО Газпромнефть-Альтернативное топливо
    Руководитель направления решений продвинутой аналитики
    23.12.2019 17:41

    Добрый день,
    А на текущий момент модель самообучается на размеченной выборке ?
    Если да, то за кокой период происходит дообучение модели, и в какую сторону после дообучения отклоняется точность классификации в отрицательную и ли положительную?

  • Алексей Степанов
    Рейтинг: 252
    Нет
    Независимый эксперт
    27.12.2019 11:56

    Хм.

    1. Что-то большая команда, да и время разработки в полгода тоже не маленький... это если учесть что уже была отличная база данных с достаточным количеством необходимых данных (и которая не нуждалась в обработке, т.к. была получена из ITSM-системы):

    "Такой базой служит история обращений пользователей – это выгрузка заявок из ITSM-системы, которые уже были решены и правильно классифицированы. В нашем случае это порядка 100.000 заявок за 1 год."

    2. Вот третий пункт это совсем не сложность:

    "Контрольные сверки обработанных заявок со стороны инженера на корректность классификации".

    Эти сверки делает алгоритм по контрольной выборке, а не вручную человек.

    По-моему (текущему) мнению с классификацией заявок мог вполне справиться 1 инженер за одну неделю. Но я могу ошибаться, и, бывает, что я не прав. Поэтому мне всегда интересно послушать ответные аргументы.

    P.S. Надеюсь, экономический эффект получился хорошим.

Год
Предметная область
Отрасль
Управление
Мы используем файлы cookie в аналитических целях и для того, чтобы обеспечить вам наилучшие впечатления от работы с нашим сайтом. Заходя на сайт, вы соглашаетесь с Политикой использования файлов cookie.