Предисловие:

Данная статья является пробой пера в желании поделиться личным опытом и наблюдениями по работе с искусственным интеллектом и его внедрению в современной компании. Она может быть интересна руководителям продукта, аналитикам, проектным менеджерам, да и просто всем тем, кто как и я интересуется технологиями ИИ и хочет глубже погрузиться в их потенциал.

 

1. Введение

В условиях цифровой трансформации внедрение ИИ стало критическим фактором для многих компаний, в том числе и для нас. Рост требований к персонализации услуг, управление большими данными, прогнозирование спроса в реальном времени и снижение операционных рисков заставляют переходить от классической инфраструктурной модели к интеллектуальным решениям. Все эти потребности ранее, да и сейчас, могут закрывать люди, но они, увы, не всемогущие, узкие места возникают и без их вины, а ИИ помогает усилить сотрудников без вреда для них самих и наших процессов. Искусственный интеллект позволяет не только соответствовать ожиданиям клиентов, но и создавать новые конкурентные преимущества в высоконагруженной отрасли.  

Собственно, поэтому я с командой и вписался в эту авантюру. Кстати, меня зовут Никита Беловашин, я руководитель ИИ продуктов в B2B-сегменте ПАО «Ростелеком», и сегодня я расскажу (напишу) вам о том, как мы внедряли ИИ для автоматизации бизнес-процессов внутри сегмента. 

Как вы, наверное, уже догадались, для решения этой задачи нужно было понять, а что вообще нужно автоматизировать, как это сделать с помощью ИИ, и как выстроить процесс правильно, не наломав метафизических дров на этом пути. Об этом я и расскажу далее. 
Приятного прочтения 

 

2. Специфика бизнеса в телекоммуникационной компании  

Спойлер: Если вы не знаете особенностей телекома, то лучше прочесть этот раздел, а если в курсе, то рекомендую переходить сразу к пункту под номером 3.

Для начала вообще стоит рассказать, а каково это – работать в телеком компании? 

Структура и функции: больше, чем просто «телефония»

Телеком-компания — это сложная экосистема, объединяющая физическую инфраструктуру (волоконно-оптические сети, дата-центры, базовые станции), цифровые платформы (облачные сервисы, IoT-решения) и сервисные подразделения (техподдержка, аналитические отделы). Их ключевая функция — обеспечение бесперебойной передачи данных, но сегодня этого недостаточно. Современные операторы становятся провайдерами «цифрового доверия», отвечая за безопасность, скорость и интеграцию услуг в бизнес-цепочки клиентов.  

 

B2B-сегмент: где индивидуальность решает всё

В отличие от B2C, где фокус — массовость, B2B-телеком работает с корпорациями, у которых уникальные требования:  

·      Сложные SLA — гарантии uptime 99.999%, приоритетное восстановление при сбоях. 

·      Гибкая интеграция с ERP, CRM и другими корпоративными системами клиента. 

·      Сквозная безопасность — защита данных от DDoS-атак до уровня IoT-устройств. 

Здесь ценится не просто подключение, а способность стать «цифровым партнёром», который масштабируется вместе с бизнесом заказчика.  

 

Цели B2B-обслуживания: от транзакций к трансформации

Главная задача телекома в корпоративном сегменте — выйти за рамки продажи каналов связи. Речь идёт о: 

·      Цифровизации клиентов — внедрение SD-WAN, гибридных облаков, AI-driven аналитики для оптимизации их бизнес-процессов.  

·      Создании экосистемы — объединение телеком-услуг с решениями партнёров (например, интеграция VoIP с CRM).  

·      Упреждающем обслуживании — использование телеметрии сети для предотвращения простоев у заказчика.  

Инсайт: Телеком B2B — это не про «продать сим-карту юрлицу», а про построение инфраструктуры, которая становится нервной системой цифрового бизнеса. Отсюда и высокая ставка на ИИ: без него невозможно обрабатывать петабайты телеметрии и предсказывать потребности корпораций завтрашнего дня.  

 

3. Проблемы и узкие места в бизнес-процессах

Почему мы вообще решили что-то автоматизировать?

Любая крупная и не очень компания всегда развивается, ведь в этом заложен один из главных принципов её существования и успешного достижения стратегических целей. Однако за этим развитием, как правило, стоят люди и процессы, выступающие основным драйвером изменений. В эру технологического развития один из главных трендов — цифровизация и автоматизация бизнес-процессов. Меня и мою команду этот хайп тоже не обошел стороной, и мы решили разобраться: а может, это вовсе не хайповая тема, а действительно отличная возможность поднять показатели эффективности отдельных частей нашей большой команды?  

Наша идея была простой: люди — безусловно ценный ресурс любой компании, однако они не всемогущие: устают, ходят в отпуск, иногда выгорают от рутинных процессов. Лучше привлекать сотрудников к реализации по-настоящему значимых и интересных проектов, а не заставлять их делать однотипные действия день за днем, если их можно заменить программой или ИИ-моделью. Презентовав эту идею руководству, я получил формальное одобрение инициативы и приступил к формированию плана по автоматизации процессов внутри нашего большого B2B-сегмента.  

 

Как искали и нашли проблемы и неэффективность в текущих процессах?

Так совпало, что на момент инициации этого процесса мы были довольно молодой командой внутри большого департамента развития цифровых сервисов B2B. У нас была куча идей и дикий заряд мотивации изменить этот мир (ну или хотя бы B2B сегмент). Мы начали изучать специфику работы и процессов коллег из смежных подразделений, каталогизировать (коллекционировать?) их боли, параллельно рассказывая о себе, своем опыте и возможностях.   

Коллеги в ответ делились своими мыслями и «хотелками» по части оптимизации их рабочего процесса и ухода от рутинных задач, рисовали для нас бизнес-процессы и вместе с нами искали на них точки автоматизации. После проведения такого своего рода RnD у нас был готовый портфель потенциальных идей по улучшениям и группа внутренних заказчиков для них.  

Ряд внутренних встреч, пара мозговых штурмов, внутреннее согласование с командами — и вот у нас уже готовы концептуальные предложения по автоматизации, а местами и оптимизации (не за счет людей) процессов наших коллег.  

 

Примеры типичных узких мест и их влияние на бизнес на нашем примере

Наверное, самое время перейти к содержательной части моего рассказа, ведь статья непосредственно про автоматизацию конкретных процессов, а не про красноречие автора. В ходе вышеописанного RnD мы выявили несколько основных узких мест, которые явно можно было улучшить за счет использования ИИ-автоматизации.  

Сразу оговорюсь: описанные пункты сами по себе не являются проблемными для компании, так как сотрудники, реализующие эти функции, отлично справляются со своей работой. Однако всегда есть место для роста и улучшений, особенно когда роста за счет человеческого фактора добиться уже не удается, а применение ИИ поможет этот рост получить. У нас получился как раз такой случай.  

 

·      Обращения клиентов

Исторически клиенты формируют текстовые обращения по различным вопросам, чтобы получить консультацию от коллег из профильных подразделений. Однако клиенты не всегда корректно заполняют форму обращения, указывают в нем некорректную тему, в связи с чем обращение не сразу попадает к нужному исполнителю, увеличивая время ответа на запрос.  

Во-первых, для нас это репутационные риски и потенциальная потеря клиентов, ведь мы стремимся давать обратную связь нашим клиентам как можно быстрее. Во-вторых, маршрутизацией заявок и их разбором кто-то должен заниматься, а это дополнительные роли и ФОТ, напрямую влияющие на экономику компании.  

 

·      Договоры с контрагентами

Специфика любого бизнеса такова, что в нем присутствует огромное количество документов и рутины, связанной с их обработкой. Мы не стали исключением: объем документов для ручной обработки менеджерами огромен. Зачастую коллегам приходится проводить несколько итераций за работой с одним и тем же документом: находить и отсматривать правки, вносить свои корректировки, производить расчеты и выделять ключевые атрибуты договора из текста.  

Все это довольно сложный и рутинный процесс, требующий огромной концентрации от сотрудников. Как нетрудно догадаться, чем больше поток документов, тем больше сотрудников требуется для их обработки, срок которой зафиксирован SLA. Риски, связанные с ошибками в документах, несоблюдением SLA или нехваткой персонала, влекут за собой как репутационные, так и финансовые потери.  

 

·      Оценка качества обслуживания клиентов

Одна из важнейших метрик для любого бизнеса — это качество обслуживания клиентов. От него зависит удовлетворенность ваших потребителей и вероятность их возвращения к вам в будущем. У нас предусмотрена многоступенчатая система оценки качества обслуживания клиентов сотрудниками. Один из этапов предполагает «ручную проверку» разговоров менеджера с клиентами.  

Несложно догадаться, что такая оценка требует колоссального количества времени. Для оценки каждого менеджера и каждого разговора требуется огромная армия сотрудников службы контроля качества. И опять мы приходим к закономерному выводу: отказ от выполнения этой оценки приводит нас к репутационным и финансовым потерям.  

 

·      Как нам удалось найти и понять причины возникновения проблем?

Как и писал выше, в сложившихся узких местах нет вины сотрудников, выполняющих эту функцию. Тут правильнее будет указать, что мы не считаем их проблемами, но видим в них значительный потенциал для улучшения и расширения каждого из вышеописанных пунктов.  

Причины их возникновения довольно простые: индивидуальный подход к каждому клиенту требует значительных затрат времени сотрудников на работу с ним. Работа эта не всегда является простой, но она крайне важна. Клиентов у нашей компании много, каждый из них ценен, отсюда и возникает потребность и в высокой скорости ответа на запрос и решения инцидентов клиентов, и в быстром и грамотном документообороте, и во всеобъемлющем контроле качества. Все эти факторы в конечном итоге и повлияли на наши идеи и решение по автоматизации процессов коллег.  

 

4. Подход к генерации идей и их реализации 

Как мы поняли, что нужно автоматизировать в первую очередь?

И вот, дорогой читатель, настает момент перейти от слов к делу и начать предметный рассказ о том, что же мы захотели автоматизировать и как мы до этого докатились. В первую очередь нужно понять, как мы вообще поняли, за что взяться в первую очередь, какие средства и инструменты у нас были (и есть) для улучшения процесса?  

Несмотря на, казалось бы, всю запутанность и сложность вопроса, ответы лежали на поверхности, ведь мы предварительно провели внутреннее исследование процессов, пообщались с коллегами, поняли, где и у кого болит сильнее. В конце концов у нас появилось некое сформированное понимание того, какой процесс требует больше усилий, какой меньше, от чего компания получит больше выгоды, а от чего меньше. 

Хоть мой пример и не претендует на звание универсального инструмента приоритезации беклога, да и речь тут совсем не об этом, для решения наших задач он подошел вполне себе хорошо, поскольку я и команда погружены во внутренние процессы и прекрасно знаем своих заказчиков. Однако, если перед тобой, дорогой читатель, стоит такая же задача, и ты хочешь разобраться в хаосе идей, запросов и предложений от малознакомого тебе заказчика, то мой пример, конечно же, не подойдет, и нужно использовать другие, более сложные техники. Но эта тема заслуживает отдельной статьи.  

Итак, в итоге у меня собралось понимание, какие запросы и задачи мы закрываем в первую очередь, какие во вторую и так далее. Мой личный шорт-лист на тот момент был таким:  

1. Оценка качества обслуживания клиентов.  

2. Работа с клиентскими обращениями.  

3. Обработка договоров контрагентов.  

Логика в этом списке довольно простая: чем выше приоритет, тем более значимой с точки зрения CSI и потенциальной экономической выгоды для компании является задача. Попробуйте сами поразмышлять на тему такого подхода к приоритезации, встретимся в комментариях под статьей.  

 

Как мы собирались это делать?

Окей, про то, «что» мы хотим автоматизировать, я рассказал, но вот о том, «как» мы собирались это делать, я расскажу дальше.  

В целом, все то, что мы задумали реализовать, уже частично было изобретено на рынке кем-то и когда-то, и можно было бы заняться поиском этих кого-то, но это не наш подход. Мы всегда хотим авторские инновации, просто потому что их проще развивать (код-то свой) и нет зависимости от создателей открытых решений и легаси-кода.  

На мое счастье, задолго до моего прихода в Ростелеком в компании сформировалась довольно большая команда специалистов по ИИ, включающая в себя довольно разноплановых профи, прекрасно разбирающихся в NLP, ASR, CV, ML и т.д. Наши внутренние ресурсы, как правило, позволяют нам покрывать бóльшую часть наших потребностей в разработке умных решений, и этот раз не стал исключением.  

В общем, что-то я затянул. Суть этого абзаца проста: я сходил к нашей ИИ-команде, обсудил с ними возможность реализации моих хотелок, вместе прикинули технологии и инструменты, которые можем задействовать для разработки требуемых решений, посчитали экономику и сроки.  

В конечном итоге у меня было понимание того, что мы делаем, как мы делаем, какими ресурсами мы это делаем, сколько времени, денег и нервов (нет) придется потратить для разработки каждого сервиса. И уже после этого пункта, еще раз посмотрев на бэклог с точки зрения приоритезации, мы с командой приняли окончательное решение о том, что мы идем в разработку этой истории.  

  

5. Описание процесса разработки и внедрения ИИ в существующие процессы

И вот настает кульминация моего рассказа, а именно часть о реализации всего того, что мы с командой задумали ранее. Сильно углубляться в процессы разработки, выбор фреймворков и моделей для решения наших задач я не буду, так как это довольно обширная тема, заслуживающая отдельной статьи. Сосредоточусь лишь на основных моментах. 

Прежде всего, стоит рассказать о том, как вообще применять ИИ в ваших бизнес-процессах. Я собрал короткий шорт-лист рекомендаций по мотивам своего опыта:  

 

1. Определите проблему:

   - Четко сформулируйте задачу: предсказание, классификация, автоматизация.  

   - Пример: «Определять тему обращений клиентов, даже если они ошиблись в выборе категории».  

 

2. Соберите и подготовьте данные:

   - Данные = топливо для ИИ.  

   - Нужны:  

     - Источники (логи, тексты, изображения).  

     - Очистка от «мусора» (дубли, ошибки).  

     - Разметка (например, тегирование обращений в поддержку). 

 

3. Выберите инструменты:

   - No-code для новичков: Google AutoML, Lobe. 

   - Для продвинутых: Python + библиотеки (TensorFlow, PyTorch). 

 

4. Обучите модель:

   - Подберите «движок» под задачу (нейросеть для текстов, регрессия для чисел).  

   - Тестируйте на части данных (20–30%), чтобы не переобучить. 

 

5. Интеграция в бизнес-процесс:

   - Подключите модель к целевому софту через API или плагины.  

   - Пример: ИИ-классификатор встраивается в CRM и автоматически перенаправляет обращения.  

 

6. Мониторинг и улучшение:

   - Следите за метриками (точность, полнота).  

   - Докармливайте модель новыми данными каждые 3–6 месяцев и следите, чтобы она не деградировала.  

 

Важно:

- Не гонитесь за сложностью — иногда достаточно линейной регрессии для решения задачи.  

- Итеративность — запустите MVP за пару месяцев, а потом улучшайте сервис и результат.  

 

От идеи до внедрения

Если вернуться к моему кейсу, то для каждой из задач мы разработали собственное решение практически «на коленке», так как нам требовалось довольно быстро проверить гипотезы и запустить пилот. Сначала это все выглядело довольно топорно и не слишком удобно — речи про удобство даже не шло.  

Данные для обработки загружались в сервисы вручную, заявки клиентов и договора подгружались в виде документов, анализ качества разговоров менеджеров с клиентами велся не в реальном времени, а рассчитывался нашим сервисом по ночам (кто угадает, почему?) на заранее загруженных записях разговоров.  

Итого, после непродолжительных по времени итераций разработки, мы получили набор сервисов, которые могли частично или полностью решать заранее поставленные задачи:  

1. Для оценки качества обслуживания клиентов был готов сервис транскрибации и анализа диалогов по чек-листу.  

2. Для работы с клиентскими обращениями была подготовлена модель семантического анализа обращений, их классификации и маршрутизации.  

3. Для обработки договоров клиентов был подготовлен сервис выделения и экстракции атрибутов.  

Далее нам предстояло провести пилотирование, замерить эффективность пилота и перевести все наработки в промышленную эксплуатацию.  

Как правило, для таких кейсов пилоты у нас длятся порядка 3 месяцев, эти случаи исключением не стали. На протяжении квартала мы тестировали наши наработки совместно с заказчиками, обсуждали результаты и вносили корректировки в модели. В конце концов было получено концептуальное одобрение на дальнейшее развитие всех 3 сервисов.  

Самое сложное, как оказалось, было впереди. Перед нами встал вопрос внедрения сервисов в существующие системы, дабы уйти от ручного взаимодействия и перекладки данных из одного места в другое.  

Тут я могу только сказать, что процесс это не так сложен технически, как с точки зрения согласования всех изменений с ИБ, ведь мы, по сути, вклиниваемся с новым решением в существующие информационные системы. Однако, благодаря помощи со стороны наших заказчиков, нам удалось довольно быстро пройти все процедуры согласования и перейти к технической реализации интеграций.  

Интеграция же для наших сервисов представляет из себя взаимодействие с ИС по API, который нужно либо переиспользовать, либо доработать под взаимодействие с нашими сервисами. Да, вот так довольно просто и без особого ущерба для ИС. Этим мне и нравится работа с автоматизацией через внешние (наши) ИИ-сервисы.  

 

Отдельно стоит рассказать о кроссфункциональном взаимодействии

Как правило, при реализации таких крупных проектов по изменению чего-либо уже существующего и стабильного встречается довольно сильное сопротивление с различных сторон. На мой взгляд, очень важно в таких ситуациях выделять конкретных владельцев процессов или их частей с каждой участвующей стороны, так как маленькой группе людей гораздо проще договориться между собой, нежели огромной группе из участников всех команд.  

Так мы и поступили. Благодаря заинтересованности всех участвующих сторон мы быстро выделили руководителей процессов со стороны технической команды, заказчика, ну и меня, как главного координатора. Такой подход помог нам избежать кучи ненужных митингов по 150 человек и сэкономить нервные клетки всем участникам процесса. 

 

6. Полученные результаты

Самое время поговорить о полученных результатах. Не буду разводить демагогию об эффективной эффективности, медальках на груди, а постараюсь коротко и емко описать, к чему мы в итоге пришли (или еще идем).  

Прежде всего, мы получили 3 рабочих сервиса, помогающих нашим коллегам выполнять рабочие задачи быстрее и проще, но без потери эффективности.  

·      Коллеги из отдела качества смогли быстрее и точнее проводить оценку бóльшего количества менеджеров, а впоследствии и вовсе стали подключаться только в случаях, когда у сервиса оценки возникали трудности. В остальное время сервис самостоятельно проводил оценку и формировал результаты за отчетный период.  

·      Сервис наконец-то получил инструмент для автоматической классификации и маршрутизации обращений. Коллеги смогли перевести часть сотрудников на другие участки работ, требующие большего перформанса, нежели ручная сортировка заявок. Более того, сервис получилось сделать довольно гибким и своего рода универсальным — сейчас мы занимаемся его адаптацией под другие подразделения и бизнес-процессы.  

·      Коллеги, работающие с договорами клиентов, смогли воспользоваться сервисом автоматического поиска и выделения правок, а также необходимых атрибутов. Пока автоматизирован не весь процесс, но мы работаем над улучшениями — уже сейчас коллеги могут получать самые важные атрибуты автоматически после поступления документа в работу.  

А чего мы добились в цифрах? Тут мы вступаем на тонкую грань между желанием доказать нашу эффективность и NDA, который запрещает мне разглашать такие подробности. Все-таки частью количественных результатов считаю возможным поделиться:  

·      Сервис оценки качества обслуживания клиентов научился определять до 15 этапов в разговоре с клиентом и оценивать каждый из них. Охват оцениваемых звонков вырос в 10 раз: раньше оценкой покрывали 10% звонков за счет ручного труда, а стали покрывать все 100% в бОльшей степени за счет ИИ и минимальным вмешательством сотрудников для проверки.

·      Сервис обработки клиентских обращений на 80% снизил ручной труд по корректировке класса обращения и его маршрутизации. Среднее время ожидания ответа для снизилось с масштаба дней до масштаба минут, в сложных случаях до масштаба часов.

·      Система обработки договоров контрагентов на первом этапе позволила выделять до 15% важнейших атрибутов из документов, что позволило снизить потребность в ручной обработке документов. На объеме в несколько тысяч документов в месяц, это существенно ускорило процесс обработки.

А что случилось с бизнес-опытом после наших экспериментов? В целом — с ним все хорошо. ☺ Если подробнее, то мы хорошо заявили о себе, попутно показав и рассказав всем коллегам, что ИИ гораздо ближе и дружелюбнее, чем кажется.  

ИИ для них перестал быть магическим черным ящиком, о котором все где-то слышали, но никто не видел. Наоборот, ИИ стал популярен для решения рабочих задач, а мы стали получать больше интересных запросов от наших коллег.  

 

7. Выводы

Вот и подошел к завершению мой скромный рассказ. В конце любого сочинения, как меня всегда учили в школе на уроках русского языка и литературы, должны быть выводы. Не стану нарушать это правило 

И так, дорогой ИИ, пожалуйста, сделай суммаризацию и подготовь выводы из этой статьи: 

Краткий анализ успехов и зон роста:

·      Успехи:

o   Автоматизация рутинных процессов.  

o   Рост скорости обработки данных.  

o   Улучшение клиентского опыта.  

o   Высвобождение сотрудников для более наукоемких задач.  

·      Зоны роста:  

o   Расширение функционала сервисов.  

o   Дообучение моделей.  

o   Создание новых сервисов.  

Стратегические рекомендации для компаний, которые хотят начать применять ИИ:

1. Начните с малого: Пилотные проекты помогут проверить гипотезы без больших затрат. Не бойтесь рисковать!  

2. Интегрируйте ИИ в стратегию: Технология должна работать на бизнес-цели, а не быть «галочкой» или хайповой «мишурой» (кстати, довольно дорогой мишурой).  

3. Инвестируйте в данные: Качество данных = качество моделей. Данные — это нефть XXI века. 

Взгляд в будущее:

·      Перспективы:

o   ИИ станет основой для прогнозной аналитики, предиктивного обслуживания и гиперперсонализации.  

o   Все больше компаний будут внедрять ИИ для оптимизации рутинных процессов.  

o   Кожаные сотрудники будут заниматься чаще перформансом, нежели линейной деятельностью. 

·      Вызовы:

o   Этические вопросы.  

o   Защита данных. 

o   Адаптация сотрудников.  

 

И, наконец:

ИИ в бизнесе — это не хайп, а необходимость, и уже вполне реальность. Как говорится, «ИИ не заменит людей, но люди, которые используют ИИ, заменят тех, кто его не использует». Дерзайте, и пусть ваши процессы работают на вас, а не вы на них!  

 

---  

P.S. Если у вас есть вопросы к моему рассказу — welcome в комментарии. А если нет — всё равно заходите, расскажу, как пытался научить ИИ шутить про коллег из соседней команды.