Статьи
26 июля 2023 18:32
Системы и приложения для контакт-центров со значительной поддержкой ИИ: KMS, Голосовая биометрия, VoC
Возвращаемся 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.
В верхнем левом квадранте расположены приложения контакт-центра, в которых ИИ добавлен лишь в часть компонентов (или модулей), но при этом он оказывает на них значительное влияние. В настоящее время вкладываются существенные инвестиции в дальнейшее развитие этих решений с поддержкой ИИ.
Управление знаниями
Управление знаниями — это процесс создания, сбора, организации, представления, поддержания в актуальном состоянии и хранения информации таким образом, чтобы она была доступна всем участникам организации. Он может включать в себя информацию из внутренних (базы данных, документы, руководства, учебные программы, политики, процедуры, лучшие практики, сотрудники и т. д.) и внешних (Интернет, клиенты и т. д.) источников. Решение для управления знаниями создаёт единый источник всех знаний предприятия, содержащий «единственно правильную версию истины». Доступ к этому ресурсу могут получить как сотрудники и внутренние системы компании, так и клиенты через приложения самообслуживания. Решение отображает данные, представленные в наиболее подходящей для каждой аудитории и канала форме, и показывает каждому пользователю только то, что необходимо.
Управление знаниями было одним из первых решений для контакт-центров, применявших ИИ. Приложения для управления знаниями используют обработку естественного языка, компьютерное зрение, машинное обучение, предиктивную аналитику и другие технологии ИИ для оптимизации возможностей поиска, «считывания» информации с экранов и «чтения» документов, интерпретации изображений, выявления отсутствующего или устаревшего контента, создания автоматических рекомендаций по новому или обновлённому контенту и многого другого. В последние несколько лет управление знаниями начало внедряться всё более широко. Причиной этому служит то, что компании начали использовать решения для управления знаниями в качестве хранилищ или источников информации, из которых можно загружать данные в другие приложения, использующие машинное обучение. Корпоративным системам, применяющим машинное обучение для повышения эффективности, нужны большие наборы данных для поиска паттернов и выявления новых проблем, подходов, ответов и т. д.
Примеры использования:
• Предоставление правильных ответов в соответствующем формате с помощью оптимизированного поиска пользователям в зависимости от их типа, например, оператору, интеллектуальному виртуальному оператору, сотруднику одного из отделов, не работающих с клиентами, или клиенту.
• Сокращение времени обработки запроса оператором за счёт предоставления ему ресурсов (например, статей, сценариев, форм и т. д.) на основе разговоров с клиентами, открытых окон или полей, просмотренных веб-сайтов и т. д. в режиме реального времени.
• Улучшение качества самообслуживания клиентов за счёт проактивного предоставления контента на основе намерений клиентов или контекста.
• Улучшение опыта самообслуживания путём изучения того, какой контент из системы управления знаниями воспринимается клиентами негативно, чтобы его можно было улучшить или удалить.
• Автоматизация идентификации отсутствующего контента или пробелов в контенте и уведомление пользователей об этом, позволяющее быстро восполнить недостатки.
• Автоматическое удаление устаревшего контента и уведомление об этом администраторов решения.
• Самостоятельное создание контента для замены устаревшей или отсутствующей информации.
• Получение информации, необходимой для создания лучших практик, путём включения в отчёты тональности пользователей для лучшего понимания того, как участники реагируют на различную информацию.
• Сокращение времени, затрачиваемого администраторами на установление связей между разным контентом, за счёт использования автоматической кластеризации контента.
• Использование автоматизированной обратной связи от неструктурированных внешних ресурсов для информирования авторов знаний в целях создания курированного внутреннего контента на основе внешней информации.
Ценностное предложение: сегодня управление знаниями переживает возрождение и самый быстрый период своего роста благодаря внедрению ИИ. Управление знаниями, которое призвано стать единственным источником корпоративных знаний, используется для запуска инициатив в области ИИ во многих компаниях и помогает увеличить объём и точность корпоративных данных. Когда сотрудники были вынуждены уйти из офисов из-за пандемии, важность баз знаний возросла, поскольку они служили источником информации, необходимой операторам для оказания помощи клиентам, и к ним можно было легко получить доступ как в офисе, так и из дома.
Решения для управления знаниями, использующие машинное обучение и нейронные сети, могут быть эффективными, помогая пользователям быстро находить запрашиваемую информацию, а также выявлять и заполнять пробелы в знаниях. Контекстно-зависимые решения для управления знаниями могут автоматически отображать информацию, когда оператор держит курсор над полем данных в течение заданного промежутка времени. Более того, интеллектуальные решения для управления знаниями могут предоставлять данные способом, наиболее подходящим для удовлетворения потребностей каждого пользователя — сотрудника, клиента, партнёра и т. д. Окупаемость решений для управления знаниями варьируется в зависимости от того, насколько широко они используются в компании. Учитывая растущий спрос со стороны клиентов на приложения для самообслуживания, которые часто работают на основе базы знаний, а также растущие внутренние потребности, ожидается, что окупаемость решения для управления знаниями составит от полутора до трёх лет.
Голосовая биометрия
Технологии голосовой биометрии используют различные алгоритмы обработки характерных свойств голоса человека для создания уникального, не подлежащего репликации голосового отпечатка с целью его последующей идентификации и аутентификации. Технология использует «живой» звук в реальном времени или записанные голосовые взаимодействия для создания и «регистрации» голосового отпечатка человека в системе. Будущие разговоры в режиме реального времени будут сравниваться с сохранённым голосовым отпечатком для аутентификации говорящего в режиме реального времени. В зависимости от метода, используемого решением для голосовой биометрии, голосовые отпечатки могут зависеть от текста, то есть создаваться на основе определённых слов или фраз, которые говорящему предлагается произнести (активная голосовая биометрия), не зависеть от текста, основываться на разговорах в свободной форме (пассивная голосовая биометрия), или быть и тем, и другим. Независимо от используемого метода, получаемый голосовой отпечаток представляет собой математическое представление голосовых характеристик. Это не запись, которая может быть воспроизведена, прослушана, скопирована, реконструирована или использована вне системы, в которой она создана.
Алгоритмы голосовой биометрии все чаще основываются на машинном обучении, что позволяет решениям становиться более точными с каждым разговором, а также проводить самостоятельную настройку. Включение технологий обработки и понимания естественного языка в приложения для голосовой биометрии позволяет им определять намерения и эмоции клиента, информация о которых может быть передана оператору вместе с информацией для аутентификации. Искусственный интеллект также улучшает способность голосовой биометрии обнаруживать попытки спуфинга, такие как использование записанных или синтезированных голосов. Голосовая биометрия основывается на том, кем является человек, а не на том, что он знает. Эта технология может использоваться для идентификации и аутентификации клиентов, а также для верификации сотрудников.
Примеры использования:
• Сокращение времени разговора оператора за счёт идентификации и аутентификации клиента перед обработкой входящего голосового взаимодействия.
• Обеспечение того, что продавцы или «коллекторы» общаются с нужной стороной во время исходящих разговоров.
• Улучшение клиентского опыта за счёт пассивной верификации клиентов без контрольных вопросов, запроса личных идентификационных номеров (PIN-кодов) и т. п.
• Улучшение клиентского опыта путём обмена информацией о намерениях и эмоциональном состоянии клиента с оператором во время взаимодействия.
• Усиление защиты от спуфинга за счёт продвинутого обнаружения записанного или синтезированного голоса.
• Сокращение масштабов мошенничества за счёт автоматической идентификации известных или подозреваемых мошенников.
• Повышение безопасности личной информации клиентов за счёт многофакторной аутентификации.
• Проверка того, что с клиентом взаимодействуют сотрудники, работающие удалённо, а не кто-то другой, кто мог получить доступ к их домашнему рабочему месту.
• Верификация участников конференции/видеозвонка.
• Аутентификация условно освобождённых и заключённых, находящихся под домашним арестом. Идентификация звонящих в тюрьмы/из тюрем.
• Сокращение числа случаев мошенничества со страхованием и социальными услугами благодаря аутентификации пользователя.
Ценностное предложение: Голосовая биометрия используется для активной или пассивной идентификации и верификации говорящих, участвующих во входящих или исходящих разговорах c контакт-центром, а также сотрудников, работающих в других отделах. Технология голосовой биометрии может сократить процесс аутентификации клиента на 20–45 секунд и сделать опыт приятнее как для клиентов, так и для операторов. Благодаря этому клиент может сразу перейти к сути вопроса вместо того, чтобы тратить значительную часть разговора на верификацию, которая необходима для обеспечения безопасности и защиты конфиденциальности, но часто воспринимается как раздражающий фактор всеми участниками. В случае если сотрудники контакт-центра работают из дома, эта технология также позволяет удостоверяться в том, что входящие и исходящие голосовые взаимодействия обрабатывают именно операторы, а не кто-то другой, кто может иметь доступ к их домашнему рабочему месту. Когда к решению голосовой биометрии добавляются технологии обработки и понимания естественного языка, они улучшают течение разговора, предоставляя операторам полезную информацию о намерениях и эмоциях каждого человека. Голосовая биометрия, работающая на основе искусственного интеллекта, снижает риск мошенничества, в частности, спуфинга с использованием записанных и синтезированных голосов. Она также может идентифицировать голосовые отпечатки мошенников для снижения рисков в будущем. Самая большая проблема на пути внедрения технологии голосовой биометрии — убедить клиентов регистрировать свои голосовые отпечатки. Именно поэтому растёт популярность пассивного метода.
«Голос клиента»/опросы
Решения для сбора обратной связи от клиентов (так называемого «голоса клиентов») /проведения опросов собирают и анализируют обратную связь от существующих и потенциальных клиентов, сотрудников и множества других сторон, заинтересованных в продуктах и услугах, а также в эффективности или восприятии бренда или организации. Приложения для проведения опросов, иногда называемые решениями для управления обратной связью, могут использоваться для получения информации о «голосе клиента» и «голосе сотрудника». Решения для проведения опросов учитывают как обратную связь, которая запрашивается непосредственно с помощью омниканальных опросов, так и пассивно собираемую на основе анализа голосовых и текстовых взаимодействий, сообщений в социальных сетях, отзывов, оставленных в интернете, форумов и т. д. Выводы, сделанные на основе этой обратной связи, используются для улучшения клиентского опыта и повышения вовлечённости сотрудников и могут быть распространены по всем отделам предприятия, что позволит улучшить разработку и внедрение политик, процедур, продуктов и услуг. Эти решения дают представление о текущей эффективности и указывают на то, что изменилось по сравнению с данными из предыдущих опросов или взаимодействий и что ещё необходимо исправить.
Более продвинутые решения для проведения опросов используют технологии ИИ для сбора и анализа обратной связи, прогнозирования вероятного будущего поведения, а также используют эту информацию для активного взаимодействия с клиентами. Преобразование речи в текст, обработка и понимание естественного языка используются для структурирования разговоров, понимания тональности и эмоций и автоматического распознавания тенденций. С помощью предиктивной аналитики можно понять, насколько клиенты склонны рекомендовать компанию друзьям, увеличивать или сокращать число используемых продуктов/услуг или уходить, а также спрогнозировать вероятность увольнения сотрудников. Как только проблемы выявлены, автоматизация позаботится о том, чтобы необходимые действия были совершены нужными сотрудниками. Кроме того, для непрерывного повышения точности этих приложений и их выводов может быть использовано машинное обучение.
Примеры использования:
• Улучшение клиентского опыта благодаря информации о «голосе клиента», полученной как напрямую, так и пассивно.
• Улучшение и персонализация клиентского опыта в режиме реального времени за счёт использования информации, полученной от решения для проведения опросов.
• Прогнозирование уровня удовлетворённости клиентов или NPS на основе клиентов/контактов с аналогичными характеристиками без участия клиента в опросе.
• Оптимизация частоты получения ответов на опросы путём прогнозирования правильного способа проведения опроса, каналов и частоты, а также количества и типов вопросов.
• Проактивные попытки удержать клиентов, которые демонстрируют склонность к оттоку.
• Вовлечение операторов и помощь им в защите интересов клиентов путём предоставления инструментов, позволяющих получить представление о предпочтениях и эмоциях клиентов.
• Смягчение потенциальных проблем в социальных сетях путём проактивной работы с негативными постами, рейтингами и т. д.
• Повышение уровня удержания сотрудников за счёт проактивной работы с операторами или другими сотрудниками, которые, по прогнозам, могут уйти.
• Объединение «голоса клиента» и «голоса сотрудника» для получения как внутреннего, так и внешнего представления о деятельности организации и восприятия бренда на рынке, а также для улучшения предлагаемых продуктов и услуг.
Ценностное предложение: Решения для проведения опросов/ сбора «голоса клиента» традиционно используются для сбора, анализа и обмена обратной связью о продуктах, услугах и восприятии бренда. Эти приложения также используются для сбора и измерения уровня удовлетворённости сотрудников. С годами приложения для определения «голоса клиента» были усовершенствованы за счёт добавления аналитики взаимодействий, позволяющей им пассивно фиксировать и понимать то, что клиенты неочевидно выражают в социальных сетях и в других текстовых и устных комментариях. Более многофункциональные решения для проведения опросов используют различные возможности ИИ — обработку и понимание естественного языка, машинное обучение и другие — чтобы не упускать из вида общие тенденции, влияющие на бренд, и предоставлять персонализированный опыт каждому клиенту. Если на основе полученной информации и аналитических выводов компания будет предпринимать своевременные действия, она сможет улучшить уровень удержания клиентов (и сотрудников) и повысить прибыль. Точные цифры варьируются в зависимости от многих факторов, но в целом привлечь нового клиента более чем в 4 раза дороже, чем удержать существующего. Обратная связь от решений для сбора «голоса клиента» может позволить компаниям предоставлять персонализированный клиентский опыт и служить толчком для запуска проактивных исходящих кампаний, направленных на улучшение взаимоотношений. При пассивном использовании для мониторинга социальных сетей приложения для сбора «голоса клиента» могут даже повлиять на стоимость акций публичных компаний, поскольку они позволяют компании быстро выявлять негативные отзывы и отвечать на них, уменьшая или предотвращая потенциальные последствия.