Статьи

17 April 2023 17:56

Системы и приложения для контакт-центров, в которых ИИ — основной компонент



Системы и приложения для контакт-центров, в которых ИИ — основной компонент


Системы и приложения для контакт-центров, в которых ИИ — основной компонент (AI-Enabled)

Итак, в предыдущей статье мы выяснили, что AI-Enabled приложения изначально были разработаны с применением ИИ. Эти системы более зрелые и используются чаще, чем другие решения для контакт-центров, работающие на базе ИИ, и, соответственно, имеют большее влияние. Однако многие эксперты индустрии ожидают, что в ближайшие 10 лет эти решения будут существенно улучшены, что справедливо для всех приложений с функционалом ИИ, доступных на рынке.

Интеллектуальный виртуальный оператор (IVA)/разговорный ИИ

Интеллектуальный виртуальный оператор (IVA) — это система, использующая множество технологий ИИ, включая машинное обучение, продвинутые речевые технологии (например, обработку, понимание и генерацию естественного языка), глубокие нейронные сети и предиктивную аналитику для имитации «живых», неструктурированных, осмысленных диалогов через сообщения, голосом или с помощью цифровых каналов с помощью цифрового персонажа. IVA также часто называют разговорным ИИ. Омниканальный разговорный интеллектуальный виртуальный оператор, работающие на базе ИИ, может поддерживать диалоги, протекающие без какого-либо сценария. Он позволяет клиентам разговаривать свободно, используя собственные слова для формулировки запросов.

IVA — это решение для самообслуживания, которое запрограммировано (или настроено в low/no-code среде) таким образом, чтобы знать, как отвечать на каждый запрос или как получить доступ к большому репозиторию с ответами, информацией или контентом, чтобы найти подходящий ответ там. И так как клиенты постоянно задают новые вопросы, IVA используют машинное обучение, чтобы организовать и понять их и найти уместный ответ. В зависимости от технологии, на основе которой работает IVA, система будет собирать похожие запросы в кластеры и либо передавать их системному администратору (или программисту), чтобы он идентифицировал правильные ответы, или попробует самостоятельно идентифицировать уместный ответ, основываясь на похожих вопросах, и предложит его клиенту. Ниже представлен список технических характеристик и возможностей эффективного решения IVA, который умеет обучаться и адаптироваться к изменяющимся нуждам компании:

  • Омниканальность, благодаря которой клиентский опыт, получаемый при общении через голосовые и текстовые каналы, одинаков.
  • Целостность диалога, несмотря на смену устройств и каналов.
  • Возможность менять тему диалога в рамках одного взаимодействия (поддержка диалогов на разные темы).
  • Хорошо развитые технологии обработки естественного языка, позволяющие полностью транскрибировать речь и проанализировать взаимодействие с клиентами, поддерживая разговор (в отличие от работы на основе правил).
  • Продвинутое понимание естественного языка, позволяющее понимать намерения клиентов.
  • Продвинутый ИИ (глубокие нейронные сети) со способностями к аргументации, благодаря чему он понимает сложные диалоги.
  • Гибкость в использовании множества технологий ИИ, включая сторонние решения.
  • Возможности машинного обучения без учителя, с учителем или с частичным привлечением учителя для различных целей.
  • Внутренняя аналитика, включая анализ тональности текста, идентификацию эмоций, поведенческий анализ, идентификацию паттернов/тенденций и т. д.
  • Использование предиктивной аналитики для персонализации опыта и предугадывания поведения, склонностей и вопросов пользователя.
  • Способность самостоятельно понимать, когда необходимо передать вопрос «живому» оператору. Способность «слушать» и «учиться» на основе эскалированного взаимодействия для улучшения работы.
  • Мультиязычная поддержка (десятки разных языков) со способностью распознавать язык автоматически.
  • Поддержка многофакторной аутентификации. Может включать в себя биометрию (например, распознавание голоса и лица для совершения действий в приложении и т.п.).

IVA используют довольно много технологий, работающих на базе ИИ, для того чтобы помогать клиентам и находить ответы на их вопросы. То, что интеллектуальные виртуальные операторы создаются в low/no-code среде, очень удобно, так как менеджеры в компаниях могут их улучшать и модифицировать по мере необходимости, каждый раз, когда решение идентифицирует «пробел», а не ждать, пока программист из отдела IT внесёт изменения в код.

Примеры использования:

  • Предоставление возможности самообслуживания при звонке клиента в компанию и в случае звонка клиенту из компании путём имитации живых, неструктурированных диалогов в голосовом или текстовом формате.
  • Выявление общих тенденций, стимулирующих запросы клиентов.
  • Автоматизация идентификации и верификации клиентов.
  • Ответы на запросы клиентов через голосовые и текстовые каналы.
  • Совершение продаж и предоставление обслуживания в точках контакта.
  • Ответы на часто задаваемые вопросы.
  • Проактивное взаимодействие с посетителями сайтов.
  • Рассылка уведомлений или инициация взаимодействий от лица компании без запроса со стороны существующего или потенциального клиента.
  • Предоставление всеобъемлющей поддержки заказов на всех этапах, включая совершение заказа, обработку, отслеживание, завершение и сбор обратной связи.
  • Сбор задолженности с клиентов.
  • Эскалация взаимодействий при необходимости.
  • Идентификация и предложение ответов на вопросы на основе их сходства с вопросами, ответы на которые ранее нашли «живые» операторы.

Ценностное предложение: сейчас — лучшее время для того, чтобы предлагать усовершенствованные возможности самообслуживания своим клиентам. В последние несколько лет самообслуживание стало предпочтительным способом получения помощи, при условии того, что система эффективно может ответить на запрос клиента и что работать с ней несложно. Сейчас большинство клиентов ищут информацию и инициируют взаимодействия через цифровые каналы, а по телефону звонят только когда больше ничего не сработало.

Из-за увеличивающихся объёмов взаимодействий с клиентами компании становятся всё более зависимыми от решений для самообслуживания. По мере того, как компании растут, они не могут позволить себе продолжать поддерживать тот же уровень клиентской поддержки за счёт «живых» операторов, как 5 лет назад. Кроме того, относительно короткий звонок «живому» оператору контакт-центра стоит в 4-5 раз дороже, чем решение IVA. Это тоже мотивирует компании переводить растущую долю клиентских запросов на разговорные решения для самообслуживания. А так как клиенты сами предпочитают самообслуживание разговору с оператором, то обе стороны остаются довольны. И, наконец, IVA обладают рядом преимуществ перед людьми. Они не уходят на обед и не устраивают «технические перерывы на 15 минут», они не опаздывают на работу, по отношению к ним не нужно соблюдать трудовое законодательство, и они могут работать 24 часа в сутки 7 дней в неделю. Однако, как и за людьми, за интеллектуальными виртуальными операторами надо тщательно следить, чтобы поддерживать их в актуальном состоянии.

Аналитика взаимодействий (речевая, текстовая)

Аналитика взаимодействий (устных и письменных) превращает разговоры с клиентами из неструктурированных аудио в записи или в виде прямой трансляции или в цифровом формате в структурированные текстовые файлы, которые можно категоризировать, по которым можно искать, и которые можно анализировать. Эти решения могут извлечь информацию, нужную для бизнеса, из омниканальных взаимодействий, и неважно, где именно и в какой форме произошло взаимодействие. Полученные данные компания может использовать для того, чтобы лучше понять потрубности клиентов и сотрудников, увидеть тенденции и возможности. Аналитика взаимодействий позволяет компаниям измерить влияние их действий на существующих и потенциальных клиентов. Не менее важно то, что эти решения различают нюансы в общении клиентов и операторов, включая намерения, эмоции, тональность, эмпатию, склонность к чему-либо и многое другое. Решения, работающие в режиме реального времени, анализируют текущие взаимодействия и могут сразу выдать предупреждение о том, что необходимо совершить какие-либо действия, или оповестить руководителей, менеджеров и (или) операторов о ситуации, требующей немедленного вмешательства. Ниже представлен список стандартных возможностей, которые должны присутствовать в полноценном решении, работающем на базе ИИ:

  • Омниканальная запись аудио, экрана и текстовых взаимодействий и (или) интеграция с разными платформами для записи звонков.
  • Индексация для обработки записанных или идущих в режиме реального времени диалогов, для чего должна быть использована разбивка на фонемы (звуки) или слова, фразы или концепты.
  • Поиск, извлечение и воспроизведение, благодаря которым можно идентифицировать, релевантные сегменты звонка/сообщений и (или) целый звонок/разговор.
  • Конструктор запросов, который будет майнить, категоризировать и анализировать контент происходящих в режиме реального времени и записанных взаимодействий (структурированные запросы используются для того, чтобы парсить данные в слова, темы и категории по корневой причине, тенденции и анализу корреляций).
  • Автоматическая категоризация взаимодействий для группирования по типу, основанная на контекстуальном анализе языка, слов, фраз, событий, правил и т. д. с целью идентификации тенденций.
  • Выделение концептов (смыслов) для автоматического поиска схожих тем, выраженных другими словами.
  • Разделение спикеров (на клиента и оператора) в двухканальных записях для проведения анализа, основанного на аудио со стороны говорящего.
  • Анализ диалогов (речь/молчание), благодаря которому можно будет находить и анализировать случаи, когда один собеседник перебил другого, когда речь говорящих наложилась друг на друга, или отрезки, когда собеседники молчали.
  • Транскриьация, которая применима к движку, преобразовывающему речь в текст, для одновременной конвертации всех аудио взаимодействий в текст, что в результате даёт визуальную карту звонка.
  • Выявление эмоций, которое работает с помощью выявления паттернов речи и акустических метрик для идентификации широкого ряда эмоций во взаимодействиях с клиентами.
  • Анализ тональности текста для автоматического выявления, извлечения и классификации информации о том, прошёл ли разговор в позитивном ключе, негативном или нейтральном. Такой анализ должен включать в себя возможность разделять тональность оператора и клиента.
  • Выявление концептов и тенденций, которые компании должны были бы знать искать.
  • Анализ тенденций, благодаря которому можно отследить смену темы, частоту фраз и постепенное изменение тенденции разговора.
  • Анализ корневых причин, который может составить визуальные кластеры слов, увидеть корреляции и создать карты контекста и релевантных явлений, которые помогают установить возможную корневую причину.
  • Удаление конфиденциальных сведений для приведения разговора в соответствие с критериями безопасности.
  • Модуль основывающегося на аналитике управления качеством для идентификации, классификации, и оценки голосовых и текстовых взаимодействий, основанных на определённых критериях качества.
  • Настройка/обучение системы для усовершенствования выдачи системы.
  • Информационные панели для демонстрации отчётности и результатов поиска в системе.
  • Уведомления, приходящие в режиме реального времени или с задержкой, своевременно сообщающие оператору, руководителю или менеджеру о проблеме.

Примеры использования:

Аналитика речи используется чаще, но аналитика текста тоже становится популярной, так как всё большее число контактов с клиентами происходит в цифровых каналах. Компании, которые хотят иметь полное представление о том, почему их существующие или потенциальные клиенты к ним обращаются, должны анализировать как речь, так и текст, чтобы получать необходимую информацию. Аналитика речи может проводиться с помощью полученных ранее данных, например, звонки обычно анализируют в течение 1–24 часов с момента их окончания, хотя чем скорее будет проведён анализ, тем более полезны данные и тем более результативны выводы. Чаще всего аналитика исторических взаимодействий используется для того, чтобы:

  • Идентифицировать корневые (истинные) причины того, почему люди обращаются в организацию.
  • Идентифицировать общие тенденции в запросах клиентов.
  • Автоматизировать процесс управления качеством, в идеальном варианте, до 100% на статистически значимых выборках звонков и цифровых случаев общения.
  • Проверить то, что операторы следуют скриптам.
  • Проверить, следуют ли операторы внутренним и внешним требованиям и правилам (комплаенс).
  • Идентифицировать и измерить уровни эмоций клиента и оператора в каждом взаимодействии.
  • Определить, ведётся ли разговор в позитивном, негативном или нейтральном ключе.
  • Измерить изменения тональности клиента во время взаимодействия.
  • Получить полные и точные транскрипции всех разговоров.
  • Автоматизировать процессы, происходящие после завершения звонка: составить краткий пересказ взаимодействия, включая запрос клиента и то, чем оператор обещал помочь.

Примеры использования аналитики речи в режиме реального времени:

  • Предоставление операторам подсказок, с помощью которых они смогут ответить на запрос клиента при первом обращении.
  • Идентификация несоответствий правилам и потенциальных мошеннических действий и незамедлительные ответные действия.
  • Предоставление операторам советов по предпочтительному следующему действию.
  • Предоставление операторам советов по закрытию сделки или сбору оплаты в режиме реального времени.
  • Мотивация и поощрение операторов.
  • Идентификация тональности и эмоций клиентов и предупреждение операторов и их руководителей о том, что обстановка накаляется, чтобы они могли сгладить ситуацию, пока клиент не завершил звонок.

Ценностное предложение: аналитика речи и текста быстро окупается, когда применяется на постоянной основе. Главная цель использования ИИ сегодня — улучшить работу контакт-центра и клиентский опыт, увеличив число вопросов, решённых при первом обращении, и уменьшив среднее время, необходимое для разрешения вопроса. Когда ИИ идентифицирует причины обращения клиентов в контакт-центр и тенденции увеличения числа обращений, он помогает увидеть «узкое место» и, тем самым, улучшает клиентский путь. Использование аналитики взаимодействий для увеличения уровня следования законадательству и нормам помогает избежать штрафов. Аналитика взаимодействий также может использоваться для того, чтобы идентифицировать идеи для новых продуктов, которыми делятся клиенты, и для того, чтобы идентифицировать самые эффективные техники продаж и сбора задолженности с клиентов. Аналитика взаимодействий также помогает удерживать операторов, потому что с помощью неё можно отследить, когда оператор достигает наилучших результатов, и наградить его, а также оповестить руководителей, когда оператор испытывает сложности, чтобы они могли ему помочь. При использовании ИИ на постоянной основе инвестиции окупаются через 9–12 месяцев, хотя точное время будет зависеть от объёма взаимодействий, который ИИ будет обрабатывать, и от того, как информация, получаемая от ИИ, будет использоваться компанией.

Основывающееся на аналитике управление качеством

Основывающееся на аналитике управление качеством, также известное как автоматизированное управление качеством, — это приложение, использующее технологии аналитики взаимодействий, бизнес-правила и автоматизацию, чтобы идентифицировать, классифицировать и оценить голосовые и текстовые диалоги между операторами и клиентами, основываясь на особых критериях. Решение для автоматизированного управления качеством может быть модулем пакета ИИ или отдельным приложением, лучшим в своём классе. Решения для управления качеством, использующие аналитику, фиксируют и оценивают взаимодействия, чтобы измерить производительность операторов и оценить их влияние на бренд, клиентский опыт и клиентские усилия. Так как система для автоматизированного управления качеством использует технологии ИИ для того, чтобы проводить оценку, её выводы считаются более точными и менее субъективными, чем оценка качества, которую вручную проводит специалист контроля качества или руководитель, используя традиционную систему мониторинга качества. Кроме того, приложения для автоматизированного управления качеством могут эффективно и экономично оценить 100% голосовых и цифровых взаимодействий с клиентом и имеют аналитические способности для сравнения результатов по взаимодействию, оператору, месту, каналу или теме. Управление качеством, использующее аналитику, — это будущее управления качеством, так как, в отличие от управления качеством вручную, его можно масштабировать, чтобы оно отвечало нуждам контакт-центров, прошедших цифровую трансформацию.

Примеры использования:

  • Определение точности ответа оператора на запрос клиента и следования необходимым политикам и процедурам.
  • Определение соблюдения оператором внутренних и внешних правил.
  • Определение того, выражал ли оператор при взаимодействии с клиентом уместные эмоции и уровень эмпатии.
  • Оценка телефонных и текстовых взаимодействий между клиентами и операторами с использованием предварительно установленных критериев качества.
  • Идентификация возможностей для улучшения и пересылка операторам релевантного обучающего контента для улучшения их работы.
  • Определение готовности клиента уйти, чтобы организация могла проактивно связаться с ними и попытаться удержать.
  • Определение того, не испытывают ли операторы сложности в работе.
  • Определение операторов, которые лучше всего работают в каждом из каналов.
  • Измерение удовлетворённости клиентов в целом и определение CSI, CDSAT при каждом взаимодействии с клиентом.
  • Идентификация и предотвращение мошеннических действий в контакт-центре.

Ценностное предложение: Приложения для управления качеством, использующие аналитику, работают быстрее, точнее и объективнее, чем люди, и при этом затраты на них меньше. При оценке взаимодействий с клиентами контролер качества обычно тратит как минимум 15–30 минут (в зависимости от продолжительности разговора) на оценку каждого взаимодействия. По оценкам, решение для автоматизированного управления качеством способно оценить каждое взаимодействие за секунды, если не быстрее. В контакт-центрах, где управление качеством делается по-старому, специалисты по мониторингу качества обычно оценивают от 2 до 10 взаимодействий одного оператора в месяц, то есть 1–2% из всех контактов. Это происходит, потому что стоимость ручной проверки качества довольно высока. Многие контакт-центры оценивают только звонки, потому что им не хватает ресурсов, чтобы расширить управление качеством на цифровые взаимодействия. Это значит, что объём информации, найденной при управлении качеством в ручном режиме, статистически незначителен, и операторы часто жалуются на несправедливую оценку их работы. Приложение для автоматизированного управления качеством предоставляет всеобъемлющее и справедливое решение для оценки работы операторов и контакт-центра, позволяя давать им своевременную обратную связь, повышать их вовлечённость и улучшать клиентский опыт.

Цели решений для автоматизированного управления качеством — предоставлять информацию о работе оператора в режиме реального времени, улучшать клиентский опыт, повышать продуктивность и вовлечённость операторов. Основывающееся на аналитике управление качеством не устранит специалистов по мониторингу качества совсем, хотя может уменьшить их число, так как будет справляться с гораздо большим количеством оценок. Аналитика взаимодействий, лежащая в основе автоматизированного управления качеством, быстро эволюционирует, хотя всё ещё остаются аспекты разговоров операторов с клиентами, которые эти решения не могут оценить и которые необходимо передавать для оценки «живым» специалистам по управлению качеством. Кроме того, специалисты по управлению качеством всё ещё требуются для того, чтобы обсуждать полученную информацию с операторами и управлять решением.

Виртуальный ассистент

Виртуальный ассистент — доступный пользователям внутри компании «советник», работающий на базе ИИ, который советует и предоставляет возможности самообслуживания сотрудникам контакт-центра и иных подразделений компании. ИИ-технологии, используемые виртуальными ассистентами, отчасти повторяют технологии, используемые интеллектуальными виртуальными операторами, например, машинное обучение, продвинутые речевые технологии (обработку, понимание и генерацию естественного языка) и предиктивную аналитику. Виртуальные ассистенты без запроса идентифицируют нужды операторов, чтобы предоставлять им информацию в зависимости от контекста, рекомендации по предпочтительному следующему действию, подсказки в режиме реального времени или помощь с составлением рабочих графиков или иными действиями, относящимися к управлению персоналом. Интеллектуальные виртуальные операторы и виртуальные ассистенты могут быть от одного и того же поставщика. Виртуальные ассистенты ещё не используются повсеместно, но уже предлагают широкие возможности повышения вовлечённости и удовлетворённости операторов, ведь они предоставляют им все нужные для работы инструменты и информацию.

Примеры использования:

  • Автоматизация извлечения информации о клиенте (кейсе) или иной релевантной информации из CRM-приложения или системы обслуживания, которая нужна оператору для помощи клиенту.
  • Помощь сотрудникам в процессе адаптации новых операторов и увольнении.
  • Идентификация и пересылка статей или контента, который поможет операторам ответить на вопрос или выполнить задачу.
  • Уменьшение объёма работы после завершения звонка, создание краткого пересказа звонка.
  • Предоставление рекомендаций по предпочтительному следующему действию для успешного разрешения клиентского запроса оператором.
  • Помощь операторам в навигации по интранету компании и выполнение некоторых действий по самообслуживанию (например, поиск информации о бонусах, регистрация, помощь при трудностях с компьютером).
  • Идентификация возможности продажи дополнительного товара и (или) услуги.
  • Напоминания операторам о процессе, которому надо следовать, чтобы решить проблему клиента.
  • Помощь операторам при подаче запросов, связанных с управлением персоналом, например, касающихся рабочего графика, отпусков, изменения обеденного времени и времени перерывов, смен и т. д.
  • Уменьшение количества обучения, необходимого новым операторам, путём предоставления обучающих ресурсов, доступных круглосуточно.
  • Автоматическое обучение операторов новому или модифицированному процессу.
  • Уведомление операторов о том, что запрос исходит от потенциально мошенника.

Ценностное предложение: Виртуальные ассистенты предоставляют операторам поддержку и информацию на основе контекста, помогают им выполнять должностные обязанности и служат проводниками. Помогая операторам лучше, быстрее и точнее выполнять работу, виртуальные ассистенты повышают удовлетворённость и вовлечённость сотрудников, приводя к их удержанию. Подобно интеллектуальным виртуальным операторам, которые дают клиентам возможности самообслуживания, виртуальные ассистенты крайне эффективно дают инструкции и помогают сотрудникам подавать запросы, связанные с рабочим графиком, менять пароли, находить кадровую информацию или формы и совершать другие действия внутри организации. В контакт-центрах виртуальные ассистенты также улучшают клиентский опыт, показывая операторам как решать запросы клиентов. Это даёт им возможность выполнять правильные действия с первого раза, так что клиентам не нужно обращаться в компанию повторно. Виртуальные ассистенты — это недавно появившиеся решения, которые только набирают популярность в наиболее инновационных компаниях. Основываясь на предварительных выводах компаний, использующих эти решения, в компании DMG подсчитали, что виртуальный ассистент может сократить время обработки запросов операторами в контакт-центрах как минимум на 20%.

Продолжение следует...


Читайте также: