Интеллектуальный подход в обслуживании клиентов в КЦ
- Заказчик:
- ПАО ВТБ
- Руководитель проекта со стороны заказчика
-
- Год завершения проекта
- 2023
- Сроки выполнения проекта
- Февраль, 2023 - Октябрь, 2023
- Масштаб проекта
- 16000 человеко-часов
- Цели
- Сегодня качество клиентского обслуживания становится одним из основных конкурентных преимуществ. У пользователей зачастую нет времени на посещение офиса или длительные телефонные разговоры. Они хотят оперативного решения своих запросов и консультацию по любому вопросу — и все это в момент звонка в контакт-центр. В таких условиях бизнес вынужден задумываться о развитии автоматизированного обслуживания в части модернизации голосовых помощников.Наша цель — создать голосового помощника, который по качеству обслуживания войдет в топ-10 сотрудников контактного центра. При общении с ним клиентам не потребуется звать оператора — он сможет общаться на естественном языке, автоматически менять стратегию ведения диалога, подстраиваясь под клиента, а также предсказывать его потребности и помогать решать широкий спектр задач.
- Результаты
- Применение нового подхода к проектированию сценариев обслуживания позволило в среднем снизить время прохождения сценария в 1,5 раза
- Более 30% пользователей в первой реплике сообщают одну и более сущностей необходимых для прохождения сценария
- В «узких» доменах, влияющих на бизнес метрики, качество распознавания было поднято до уровня WER 15% (Word Error Rate - метрика, используемая для оценки качества систем ASR, чем ниже WER, тем лучше качество системы распознавания)
- Общая удовлетворенность обслуживанием клиентов на примере проведенного пилота повысилась на 24%
Уникальность проекта
Команда «Голосовой ассистент» переосмыслила опыт построения сценариев автоматизированного обслуживания и скриптов операторов и кардинально изменила подход к проектированию сценариев и стеку технологий.
На основе большого количества статистических данных и ряда экспериментов команда лингвистов и специалистов по Data Scientist выработала новый подход к построению стратегии ведения диалога.
Также мы уделили внимание дизайну VUI (Voice User Interface). Целью было отказаться от устаревшего подхода пошагового диалога и перейти к общению с помощью естественной речи.
Комплексный подход к решению поставленной задачи и высокое качество собранных данных помогло выявить проблему каждого этапа распознавания и обработки естественного языка, что позволило добиться выдающихся результатов в извлечении именованных сущностей, классификации интентов, а также в изменении подхода к роботизированному обслуживанию в КЦ.
Этот подход в 2024 году ляжет в основу предиктивной модели обслуживания клиентов.
- Использованное ПО
- 1. Сценарии чат-бота реализованы на решении DialogOS от компании «Наносемантика».2. Распознавание и синтез речи осуществляется решениями компании «ЦРТ».3. За чат-ботом есть множество систем банка ВТБ, которые участвуют в проведении операций. Ряд систем потребовалось доработать для внедрения нового функционала.
- Сложность реализации
В процессе реализации мы столкнулись с двумя основными трудностями:
1. Отсутствие данных для оценки качества различных систем. Команде пришлось с нуля организовывать сложный поэтапный процесс сбора и разметки данных, используя внутренние источники и привлекая подрядчиков для сбора внешних данных. Этап разметки собранных данных был одним из важнейших, поскольку все последующие выводы строились на его основе. Чтобы минимизировать вероятность ошибочных выводов, был выстроен процесс ручной и автоматизированной проверки качества разметки.
2. Необходимость построения принципиально нового пользовательского опыта в голосовом канале. Эта задача решалась на стыке статистического анализа большого количества исторических данных и креативного подхода в области построения VUI. Нужно было добиться высочайшей точности определения намерения пользователя и анализа каждой реплики, не лишая клиента свободы в формулировке запроса.
- Описание проекта
Проект можно условно разделить на 3 этапа.
1. Сбор и разметка данных
Для реализации проекта были собраны и размечены:
• Датасет для оценки качества распознавания речи. Внешние данные — более 300 часов записей, более 200 спикеров, различные условия записи; внутренние данные — более 200 часов реальных диалогов пользователей с оператором.
• Датасет для скоринга и обучения ML-классификатора. От 1500 до 2000 примеров для каждого класса из тематического справочника.
• Датасет для обучения системы извлечения именованных сущностей. От 1000 до 2000 примеров для каждой именованной сущности.
2. Проведение пилотов для выбора технологического стека и доведения показателей метрик качества до целевого уровня:
• пилот по оценке качества вендоров распознавания речи;
• пилот по оценке влияния качества распознавания речи на бизнес-метрики;
• пилот по сравнению классификаторов ML и Rule-based;
• пилот по разработке системы извлечения именованных сущностей;
• пилот по различным стратегиям ведения диалога.
3. Запуск пилотного сценария и сравнение 2 моделей ведения диалога:
• Свободная речь. Диалог робота с клиентом, в котором используется извлечение деталей звонка из реплик с помощью технологии NER. Диалог строится по форме открытого вопроса, есть возможность адаптировать следующий вопрос, опираясь на реплику клиента.
• Пошаговый запрос данных. Форма диалога с клиентом, в которой извлечение деталей звонка происходит последовательно, без возможности извлекать детали в рамках одной реплики клиента.
- География проекта
- Россия
- Дополнительные презентации:
- Интеллектуальный_подход_в_обслуживании_клиентов_в_КЦ_Global_CIO.PDF
