Привет, Хабр! Меня зовут Николай, я начальник управления клиентских коммуникаций РГС. Мы, как и большинство компаний на рынке сегодня, стараемся оптимизировать процессы с помощью искусственного интеллекта (ну а как иначе?). Но есть нюанс: недавно я задумался, как часто я сам, будучи адептом внедрения ИИ в контакт-центр, прошу голосового помощника позвать оператора. И, как оказалось, — очень часто.
Это лишний раз напомнило мне, что где-то в глубине души мы сами не очень верим в то, что делаем. Компании внедряют чат‑ботов и голосовых роботов ради экономии и круглосуточной доступности сервиса, но сталкиваются с очевидным нюансом — потерей доверия и удобства для клиентов. Это подтверждают и исследования. Согласно опросу, проведенному компанией Verint, более двух третей потребителей жаловались на плохой опыт общения с чат‑ботом, а попытка заменить людей чисто ради экономии зачастую только раздражает пользователей.
В РГС, по статистике, 78% клиентов готовы ждать на линии даже дольше обычного, лишь бы поговорить с человеком. И в целом это нормально в текущих реалиях. В 2025 году лишь 1% компаний считают свои ИИ-решения зрелыми (данные McKinsey). В том числе это касается обслуживания клиентов роботами.
Несмотря на довольно удручающую статистику, всем очевидно, что не пользоваться ИИ сегодня — все равно что сидеть при свечах в век электричества. Но мы понимаем, что сегодня ИИ пока еще внедряется не чтобы заменить человека, а чтобы помочь ему. Поэтому хочу рассказать, как мы подошли к этому вопросу в контакт-центре РГС.
Роботизированный IVR
Это достаточно попсовая история, но не рассказать о ней я не могу. Суть в том, что мы задаем клиенту вопрос: «Чем я могу вам помочь?» и в зависимости от ответа перенаправляем его на н��жную линию поддержки. При этом мы понимали, что часть ответов будет исключительно в формате «Позовите оператора». Поэтому вопрос мы задаем ровно один раз. Оператор так оператор. На пилоте IVR показал эффективность в 6 штатных единиц. А корректность распознавания на уровне — 92%.
Автоматическая фиксация тематики
В систему голосового контакт-центра добавили нейросеть, которая срезает введение. Система анализирует речь клиента в реальном времени, фиксирует тему звонка и выводит «сводку» оператору. Благодаря чему он не тратит на это время разговора: у нас средняя длительность диалога сократилась на 7%. Здесь важно также отметить, что наш единый коммуникационный центр в среднем обрабатывает 15 000 обращений в день, поэтому для нас критически важно было повысить его доступность и уменьшить время ожидания ответа оператора. Корректность распознавания темы при этом находится стабильно на уровне 91%.
Повышение FCR (First Call Resolution)
Мы хотели разобраться, по какой причине клиентам приходится нам перезванивать. Для этого был запущен анализ причин повторных звонков в разрезе всего КЦ. Иначе говоря, мы загнали огромный пул этих звонков в нейронку и получили развернутый вывод от ИИ с разбивкой по темам и процентам: по каким причинам клиенты звонят повторно.
После чего мы решили немного расширить функционал. Теперь, если клиент звонит нам несколько раз (сейчас предельное значение — 4 звонка) в течение короткого промежутка времени, система автоматически уведомляет об этом ответственного сотрудника. И он уже сам перезванивает клиенту, чтобы помочь с решением проблемы в индивидуальном порядке. Это мелочь, но она значительно влияет на лояльность.
Определение ключевых триггеров
У каждой компании есть слова-триггеры, на которые она обращает внимание. Например, в страховании это — ЦБ, Надзор, РСА, суд и т.д. Мы настроили алгоритм таким образом: он реагирует на триггер, определяет цель звонка, фиксирует, что сказали клиент и оператор, и отправляет информацию ответственному сотруднику. Этот сотрудник уже более детально разбирается, что произошло во время диалога, после чего звонит клиенту, чтобы снизить градус накала и решить вопрос.
Не исключено, что до звонка оператору клиент и не планировал никуда жаловаться, такое тоже случается. И тут главное — вовремя среагировать и сгладить ситуацию.
Анализ обратной связи не по оценкам CSI, а по выводам
Еще мы запустили регулярную аналитику причин недовольства клиентов после общения с контакт-центром. Мы загружаем весь массив данных с оценками, обратной связью и записями разговоров в нейронку и получаем готовые выводы о том, что действительно не устраивает людей, почему они решили поставить ту или иную оценку. Аналитике подлежат все звонки: как с человеком, так и с роботом.
Для компании это, в первую очередь, возможность адекватно реагировать на критику. Очень часто мы смотрим на процесс со стороны того, кто его построил или того, кто уверенно следует регламенту. Поэтому предложения по улучшению могут встретить противодействие даже внутри ком��нды. Но зато теперь, если процесс или робот действительно не закрывает вопрос клиента, и тем более, если это не единичный случай, ИИ подсвечивает это, и мы проводим корректировку.
Это только несколько наших вариаций на тему. В целом, помимо прямого диалога между роботом и клиентом, есть еще масса способов использовать технологии для улучшения клиентского сервиса. Однако, я думаю, вопрос, как найти баланс между оптимизацией процессов, человеческим отношением и удобством, еще долго продолжит стоять во главе угла.