Статьи

24 апреля 2023 13:08

Системы и приложения для контакт-центров с узкоспециализированным ИИ

Системы и приложения для контакт-центров с узкоспециализированным ИИ

Итак, вернемся к диаграмме (см. статью «Об использовании искусственного интеллекта в контакт-центрах. Часть 2»), отражающей анализ зрелости и влияния ИИ на решения, используемые в контакт-центрах. По горизонтальной оси на диаграмме отображена степень сложности решений ИИ, а по вертикальной — степень их влияния. Диаграмма поделена на следующие 4 квадранта:

AI-Enabled — системы и приложения контакт-центра, которые изначально работают на основе технологий ИИ и уже доказывают свою эффективность и ценность.

Targeted AI — ИИ имеет узкую направленность, что ограничивает его влияние на системы и приложения контакт-центра.

Emerging AI — ИИ используется для усовершенствования одного компонента или нескольких модулей систем и приложений, использующихся в контакт-центрах, так что влияние ИИ на них в настоящий момент мало.

Contributing AI — некоторые модули систем и приложений, используемых в контакт-центрах, были усовершенствованы с помощью технологий ИИ, и отдача от ИИ для них высока.

В правом нижнем квадранте расположены узкоспециализированные приложения, использующие ИИ, которые очень ценны, но применимы в ограниченном количестве областей, например приложения для транскрибации совершают только одно действие — транскрибируют голосовые диалоги в текст. Каждое из этих решений включает в себя технологии, работающие на базе ИИ. Все приложения, помещённые в этот квадрант, существуют на рынке уже как минимум 10 лет, и каждое за это время было значительно модернизировано. Типичные трудности, с которыми сталкиваются разработчики приложений, использующих узкоспециализированный ИИ, это необходимость делать их лёгкими в установке и использовании и доступными для контакт-центра любого масштаба.

Транскрибация

Транскрибация конвертирует устную речь в текст. Разговоры можно транскрибировать в режиме реального времени или по аудиозаписям. За транскрибацию отвечает специальный движок, работающий на базе ИИ, который обычно комбинирует использование технологии непрерывного распознавания речи с использованием большого словарного запаса, которая зависит от модели языка и словаря, с приложением, основывающимся на фонетике. Движок, работающий с фонетикой, разделяет диалог на фонемы, самые маленькие компоненты устного языка, в зависимости от звучания слов. Применение этой комбинации лингвистической и аудио технологии позволяет получить более точную транскрибацию, чем транскрибация, которую может сделать каждый из этих движков по отдельности. Технологии машинного обучения тоже помогают увеличить точность транскрибации, предоставляя доступ к огромному объёму данных для обучения из миллионов транскрибированных диалогов.

Движки, делающие транскрибацию, зачастую способны транскрибировать обе стороны разговора по-отдельности (как со стереозаписей, так и с записей через моноканал), так что сразу понятно, кто из говорящих что говорил. После того, как аудио диалога конвертировано в текст, по файлу можно искать и его можно проанализировать, чтобы найти информацию, на основе которой можно будет сделать выводы о клиентском пути вне зависимости от того, протекало ли взаимодействие через телефон или цифровые каналы. Хотя большинство транскрибируемых диалогов случаются в контакт-центре (входящий или исходящий звонок), технологию транскрибации начинают применять к взаимодействиям, которые происходят в других отделах компании.

Примеры использования:

Анализ текущих голосовых контактов для того, чтобы предоставлять операторам помощь и рекомендации по предпочтительному следующему действию в режиме реального времени.
Уведомление руководителей и (или) операторов о том, что требуется вмешаться в разговор.
Извлечение информации и заключение аналитических выводов о «голосе клиента».
Оценка эффективности голосовых решений для самообслуживания, включая интеллектуальных виртуальных операторов.
«Прослушка» разговоров с клиентами, которые ведут операторы, работающие из дома.
Подтверждение того, что операторы полностью придерживаются скриптов, рекомендаций и т.п..
Предоставление операторам релевантных статей во время взаимодействия с клиентами в зависимости от идентифицированных потребностей в информации.
Просмотр данных аудио, разбитых по говорящим и (или) по каналам.
Экспорт транскрибированных данных в отдел маркетинга для подтверждения необходимости разработки новых продуктов или сервисов, проведения улучшений.
Документация взаимодействий в юридических целях.

Ценностное предложение: Технологии конвертации преобразуют речь в текст. Полученный файлы можно совместить с информацией от цифровых взаимодействий, чтобы получить понимание истинных причин обращения клиентов в компанию. Спрос на транскрибацию растёт, так как компании стараются лучше понимать потребности своих клиентов Эти данные можно использовать во многих целях, например, с их помощью можно улучшить клиентский опыт с помощью вмешательства в режиме реального времени, помочь операторам при работе со сложными клиентами, давать им подсказки о предпочтительном следующем действии, идентифицировать новые возможности для продаж и лучший способ предложить совершить покупку, проверить, что из дома на звонок отвечает именно оператор, а не кто-то другой, поддерживать программу для управления качеством или автоматизированного управления качеством, предотвращать мошеннические действия, подтверждать соблюдение правил и норм и многое другое. Список возможных применений преобразования речи в текст растёт, в частности, потому что точность большинства таких решений превышает 90%. Инвестиции в технологии транскрибации по оценкам окупаются спустя 2 года, но в некоторых случаях это может произойти даже раньше. Если транскрибация используется для нескольких целей, её введение должно окупиться меньше, чем через год.

Подсказки в режиме реального времени

Решения для предоставления подсказок в режиме реального времени, также известные как приложения, дающие рекомендации по предпочтительному следующему действию, созданы для того, чтобы советовать и подсказывать операторам, как правильно поступать с запросом клиента или инициировать или завершить продажу или принять оплату. Решения для предоставления подсказок в режиме реального времени может быть простым, в форме всплывающих уведомлений, которые будут появляться, если оператор совершил неправильное действие, а могут быть весьма продвинутыми и показывать оператору шаги для обработки каждого типа взаимодействия. В некоторых случаях решения для предоставления подсказок в режиме реального времени созданы для того, чтобы помогать операторам правильно справляться с задачей, с которой к ним обратился клиент. В других случаях эти решения дают рекомендации, которые помогают операторам построить и улучшить отношения с клиентами, например, такие решения могут предлагать предложить клиенту дополнительный продукт или сервис. 36 -

Чтобы давать подсказки во время диалога, эти решения полагаются на способность приложения извлекать данные в режиме реального времени из разрозненных систем и баз данных в режиме реального времени и объединять их с контекстной информацией о взаимодействии оператора и (или) из диалога. Информацию об операторе (стаж, навыки, ключевые показатели эффективности и т. д.) решение может получать через интеграцию с системами управления качеством, персоналом и эффективностью работы и другими приложениями. Данные о клиенте и его предпочтениях оно может извлекать через интеграции с CRM-решением или другими системами. Информация, которая собирается в режиме реального времени, пока клиент находится на линии, может быть агрегирована и сопоставлена с бизнес-правилами или моделями/алгоритмами предиктивной аналитики на основе ИИ. Основываясь на анализе данных в режиме реального времени и определённых клиентом правилах, приложение подсказывает операторам самые подходящие действия или предлагает продать клиенту дополнительную услугу или товар.

Примеры использования:

Всплывающие уведомления, сноски или предупреждения, напоминающие операторам, какие действия они должны или не должны предпринять.
Предоставление операторам подсказок касательно процедур, чтобы они могли совершать правильные действия с первой попытки и увеличивать долю запросов, решённых при первом обращении.
Оповещение операторов о том, когда их действия не соответствуют нормам и правилам.
Предоставление ссылки на базу знаний, когда оператор держит курсор над полем в системе CRM или другом решении для обслуживания клиентов слишком долго, не нажимая на кнопку.
Напоминания для операторов об осуществлении двухфакторной проверки перед изменением адреса клиента или обработкой денежных переводов.
Подсказки касательно предпочтительного следующего действия, чтобы помочь оператору улучшить отношения с клиентом.
Предложения о вариантах продаж для увеличения выручки.
Подсказки о предложении дополнительного товара и (или) услуги.
Предупреждение операторов о мошеннических действиях.

Ценностное предложение: Выгоды решений для предоставления подсказок в режиме реального времени увеличиваются по мере того, как эти приложения становятся всё более продвинутыми. Цель решений для предоставления подсказок в режиме реального времени — помочь операторам решить проблему клиента при первом обращении, что помогает предоставить выдающийся клиентский опыт и уменьшит необходимость повторного обращения в компанию. Решения для предоставления подсказок в режиме реального времени значительно уменьшают среднее время взаимодействий, так как они дают подсказки, которым легко следовать, благодаря которым операторы быстрее могут разрешать проблемы клиентов. Благодаря этому операторам меньше приходится оставлять клиентов ждать на линии и реже переводить звонок на другого специалиста — два действия, которые не нравятся большинству клиентов. Решения, дающие подсказки в режиме реального времени, в основном используются для улучшения телефонных разговоров, но в будущем, как ожидается, будут использоваться и для цифровых каналов. С точки зрения продуктивности, решения для предоставления подсказок в режиме реального времени могут в среднем уменьшить время решения запроса клиента на 10%, вместе с этим уменьшая операционные затраты. А если применять эти решения для поощрения работников, выполняющих свою работу лучше других, они также могут помочь увеличить вовлечённость и уменьшить отток персонала.

Предиктивная маршрутизация

Технология предиктивной маршрутизации соединяет клиентов с операторами, основываясь на их навыках, стилях общения, эмоциональном состоянии, предыдущих взаимодействиях и многом другом, чтобы оптимизировать диалоги как для клиента, так и для организации. Предиктивная маршрутизация, которая которую сейчас продают в качестве дополнения к основным решениям для маршрутизации, таким как автоматизированные системы распределения вызовов, использует алгоритмы, работающие на базе ИИ, чтобы определить, какой оператор будет лучше всего подходить для клиента, в режиме реального времени. Эти приложения оценивают ситуацию в режиме реального времени и переводят обращение клиента к специалисту без задержки, заметной для клиента. Подбор операторов на основе личностных характеристик и стиля общения помогает установить большее взаимопонимание между оператором и клиентом, а это значит, что компания предоставляет лучший возможный клиентский опыт, увеличивает продажи и возможности — все в выигрыше.

Предиктивная маршрутизация — это относительно новая технология, которая может быть реализована одним из двух способов. При первом способе предиктивные решения для маршрутизации, захватывают и анализируют всю информацию об операторе и клиенте, доступную в CRM-приложении или другом подобном решении, из внутренних аналитических данных, приложений для управления эффективностью и т. п., чтобы сопоставить характеристики и поведение. После этого приложение переводит звонок на оператора с похожим стилем общения. При втором способе эти данные появляются путём идентификации стиля общения и поведения каждого звонящего, а потом хранятся в репозитории данных, описывающих типы личностей операторов и клиентов. Система накапливает информацию и определяет тип личности каждого клиента, чтобы понять, к какому его будет лучше перенаправить. Оба способа основаны на целом ряде технологий ИИ, включая обработку естественного языка (для понимания намерений и эмоционального состояния клиента), предиктивную аналитику (для определения оптимальной пары клиент-оператор) и машинное обучение (для усовершенствования обслуживания). Для каждого подхода нужен доступ к большим данным, захват и анализ всей доступной внутренней и внешней информации о клиенте и об операторе. Различие между этими методами заключается в том, что второй способ включает в себя обращение к большому объёму накопленной информации о личностях, которая используется в качестве дополнительного фактора в предсказании поведения как клиента, так и оператора в процессе поиска подходящей пары.

Примеры использования:

Улучшение клиентского опыта путём поиска подходящей пары для каждого клиента, основываясь на его уникальных характеристиках.
Определение того, нужно ли предложить клиенту самообслуживание, в зависимости от их вербальных признаков, истории, сложности текущей задачи эмоционального состояния в данный момент и т. д. Перенаправление клиента к лучше всего подходящему оператору, если самообслуживание не является лучшим вариантом.
Перенаправление взаимодействий с клиентами к оператору со схожим стилем общения и поведения для улучшения вовлечённости и клиента, и работника.
Сокращение времени обработки запроса на основе сопоставления стиля общения и поведения. Например, клиентов, которые любят приступить сразу к делу, соединяют с немногословными операторами.
Предложения о продаже дополнительного товара и (или) услуги операторам, которые с большей вероятностью завершат сделку, основываясь на склонности клиента к покупке и на прошлых результатах оператора.
Подготовка операторов к работе с недовольными клиентами, оповещение их об эмоциональном состоянии клиента, которое приложение зафиксировало в процессе маршрутизации.
Перенаправление клиентов к правильному оператору с первой попытки, основываясь на всех доступных данных, что приводит к уменьшению необходимости оставлять звонящих на линии или перенаправлять в другой отдел или к другому сотруднику.
Перенаправление взаимодействий по сбору платежей на основе личных характеристик, чтобы повысить вероятность получения оплаты от клиентов, у которых будет «более лёгкий» разговор с оператором.
Удержание операторов путём облегчения разговоров, которые они ведут, в зависимости от их личности и тенденций разговора.
Сокращение оттока клиентов, перенаправление клиентов из группы риска, которые могут отменить заказ, оператору, который лучше всего подходит для того, чтобы их удержать.

Ценностное предложение: хотя технология предиктивной маршрутизации относительно нова для контакт-центров, оба способа доказали способность уменьшать среднее время обработки телефонных звонков и взаимодействий и, обычно, инвестиции в них окупаются за 3–9 месяцев, в зависимости от объёма взаимодействий. Чтобы подтвердить эффективность, каждый метод проходит A/B-тестирование, при котором какое-то время предиктивная маршрутизация включена, а какое-то время — выключена. Затем результаты сравнивают. Однако преимущества использования предиктивной маршрутизации очевидны. Эта технология повышает шансы на разрешение вопроса при первом обращении, уменьшает клиентские усилия и отток клиентов и улучшает вовлечённость и удержание клиентов, а также улучшает клиентский опыт.

Предиктивная аналитика

Предиктивная аналитика крайне эффективно помогает компаниям предоставить персонализированный опыт и дифференцированный клиентский опыт на протяжении всего жизненного цикла. Предиктивная аналитика использует интеллектуальный анализ данных, статистические технологии и машинное обучение для идентификации отношений, паттернов и тенденций. После того, как эта информация была определена, можно построить предиктивную модель, которая отражает вероятность будущих событий и поведения, так же как и потенциальное влияние на клиентский опыт и прибыль компании. Эта технология незаменима при захвате и распространении данных, необходимых для того, чтобы компании могли проактивно предлагать свои продукты и услуги, позволяя организациям превентивно работать с недовольными клиентами до того, как это неудовлетворение испортит отношение клиента к компании. Предиктивная аналитика помогает компаниям делать правильные предположения и решения, что необходимо для будущего планирования.

Способность предиктивной аналитики выяснять, что нужно клиенту, жизненно важна для предоставления оператору подсказок в режиме реального времени, рекомендаций по предпочтительному следующему действию или идентификации оптимальных предложений приобрести продукт/услугу, которые принесут пользу как клиенту, так и организации. Предиктивная аналитика усиливает другие технологии ИИ, включая машинное обучение, которое использует предиктивные алгоритмы, чтобы научиться выполнять задачи эффективнее, основываясь на прошлых результатах. Благодаря разнообразию применений предиктивной аналитики она используется во всё большем и большем числе решений для контакт-центров (например, интеллектуальный виртуальный оператор, управление персоналом, автоматизированное управление качеством, предиктивная маршрутизация, аналитика пути клиента и другие).

Примеры использования:

Понимание намерения клиентов и предоставление операторам подсказок в режиме реального времени, либо проактивная помощь клиентам, например, через интеллектуального виртуального оператора.
Предложение клиенту, просматривающему сайт, опцию разговора с оператором.
Прогнозирование того, когда стоит перенаправить клиента от интеллектуального виртуального оператора к «живому» оператору.
Перенаправление взаимодействие к оператору, который больше всего подходит клиенту.
Обслуживание клиентов со 100% уровнем качества на основе данных исторического анализа вручную оценённых взаимодействий.
Прогнозирование уровня удовлетворённости клиентов или NPS для всех цифровых и голосовых взаимодействий на основе результатов похожих взаимодействий.
Построение кастомизированных предиктивных моделей лояльности, оттока, склонности к покупке и иных результатов деятельности.
Прогнозирование склонности клиентов платить или вероятности того, что он перейдёт на дальнейшие стадии просрочки платежа или клиент вернёт платёжеспособность. Определение наиболее экономически эффективных предложений по урегулированию долга и времени, когда надо сделать такое предложение.
Построение предиктивных моделей для идентификации причин текучести кадров и упреждающего вмешательства и удержания большего числа сотрудников, а также помощь с наймом в дальнейшем.
Автоматический поиск алгоритма, подходящего лучше остальных, чтобы применять его к каждому прогнозу касательно управления персоналом и иметь возможность заниматься долгосрочным планированием.
Предоставление операторам и клиентам самой релевантной информации (через системы самообслуживания).
Идентификация отделов, не работающих с клиентами, которые рискуют сорвать сроки, для перераспределения рабочей нагрузки.

Ценностное предложение: предиктивная аналитика станет основным компонентом множества систем и приложений, используемых в контакт-центрах, в течение ближайших нескольких лет. Эта технология ИИ может быть использована другими приложениями, используемыми в контакт-центрах, чтобы создать целый ряд моделей, которые улучшат их эффективность и смогут идентифицировать возможности или риски, которые можно будет уменьшить или вовсе избежать. Использование предиктивной аналитики принесёт качественные и количественные преимущества контакт-центрам. Эта технология может сэкономить значительные суммы, уменьшив текучесть операторов, например (считается, что найм одного нового оператора обходится компании в десятки тысяч рублей). Увеличение эффективности управления персоналом может сократить затраты на оплату сверхурочных часов на сотни тысяч рублей в месяц. Уменьшение оттока клиентов путём персонализации обслуживания уменьшит стоимость обслуживания клиентов и увеличит доход. С точки зрения количества применение предиктивных моделей сильно улучшает клиентский опыт и уменьшает уровень стресса операторов, улучшая их удовлетворенность и вовлечённость. Применение предиктивной аналитики в процессе прогнозирования нагрузки повышает точность прогноза и соблюдения расписания, умаляя необходимость операторов брать на себя дополнительные смены и, скорее всего, позволяя им быть более гибкими. Потенциальные преимущества применения предиктивной аналитики для минимизации или предотвращения проблем, с которыми сталкиваются контакт-центры, в основном объясняются гибкостью и разноплановостью этой технологии.

Продолжение следует...