Отношения с клиентом начинаются задолго до продажи и не заканчиваются сразу после. Покупатели могут обратиться за помощью по уже приобретенному продукту или запросить консультацию перед покупкой, чтобы получить полное представление о товаре или услуге и удостовериться в правильности своего выбора.

Обращения клиентов важны, а качественная обработка запросов может сыграть решающую роль во взаимодействии. Если хотя бы на одном из этапов работы техподдержки произошел сбой или потребовалось больше времени, чем рассчитывал клиент, это негативно отразиться на его опыте общения с компанией, и он в следующий раз предпочтет конкурента. В некоторых отраслях бизнеса таких как, e-commerce и ритейл компании уже не могут «разбрасываться» покупателями и игнорировать их обратную связь по работе сервисов. Поэтому важно организовать техподдержку таким образом, чтобы сотрудники организации справлялись с потоком обращений, а клиенты получали необходимое внимание и реальную заботу. 

В этой статье расскажем, как автоматизировать один из ключевых этапов техподдержки — классификацию обращений. Верное распределение запросов позволяет существенно сократить время реакции на обращение и выбрать ответственного сотрудника, который точно сможет предоставить качественный ответ клиенту. 

Когда служба поддержки превращается в службу проблем

В зависимости от деятельности и масштабов компании, в техподдержку может поступать от нескольких сотен до нескольких тысяч обращений ежедневно. Как правило, чем крупнее организация, тем дольше сообщение будет идти до конечного исполнителя через несколько этапов сортировки. Если проанализировать, сколько времени сотрудник техподдержки тратит на рутинные операции, то окажется, что гораздо больше, чем непосредственно на решение вопроса. А новые сотрудники не всегда способны точно определить, кому стоит перенаправить запрос, что негативно отражается на всем процессе обработки сообщения. При этом исключить администрирование заявок, а именно заполнение полей, проставление приоритетов и поиск сотрудников в зависимости от типа обращения, невозможно, ведь это неотъемлемый элемент системы. К тому же, клиенту необходимо дать понять, что его заявка уже в работе, а на это также уходит время сотрудника. Но с каждой минутой ожидания вы все больше отдаляетесь от своего клиента. Риск недовольства и раздражения с обеих сторон стремится к 100%. Согласно опросу, проведенному Lia.Chat 43,7% из 1,2 тыс. респондентов заявили, что сталкивались с грубостью со стороны операторов техподдержки, ответы на вопросы они тоже не смогли получить.

Часть компаний выбирает наиболее простой, но затратный путь решения подобных проблем — расширение штата поддержки. Это не отменяет возникновение других ошибок, связанных с человеческим фактором, а в условиях экономической неопределенности, с которыми вынуждены сейчас справляться некоторые игроки рынка, дополнительные затраты на персонал неприемлемы. В этом случае выбор в пользу оптимизации и автоматизации процессов с помощью IT-продуктов на базе машинного обучения оказывается более разумным. 

Как искусственный интеллект может заменить целую линию техподдержки

Компании, планирующие автоматизировать решение задачи первичного разбора обращений, внедряют готовые решения, схожие по функционалу с CRM отдела продаж. К таким можно отнести “1С: Учет обращений”. Подобные программы могут лишь немного сократить время на обработку и структурировать информацию, но и они по-прежнему требуют участия сотрудников в этом процессе. IT-сервисы классификации обращений на основе ИИ позволяют автоматически определить тему запросов и оперативно передать в соответствующий отдел или ответственным сотрудникам. Преимущество системы в том, что распределение происходит без ошибок, т.к. она ориентируется на заданные параметры, анализирует и учитывает все необходимые факторы, которые можно корректировать при необходимости. 

Эффекты от решения могут быть следующими:

  • Повышение скорости и качества обработки обращений из разных каналов;
  • Повышение лояльности клиентов к компании;
  • Сокращение ожидания времени ответа по запросам;
  • Сокращение количества потерь заявок;
  • Увеличение времени на подготовку ответа, что позволит клиентам получить качественный опыт общения с техподдержкой;
  • Сокращение издержек из-за отсутствия ручного распределения заявок;
  • Экономия средств за счет использования готового коробочного продукта.

Кейс: Как разработка классификации обращений помогает поддержке ВкусВилла оставаться заботливыми и оперативными

Сегодня не найдется покупателя, которому было бы все равно на то, как к нему относятся. Каждый хочет получит качественный сервис и помощь в случае возникновения проблемы. На этом этапе взаимодействия как раз и проявляется истинное отношение к клиентам и «лицо» компании. Неравнодушные к своему делу и покупателям предприятия рано или поздно приступают к поиску решения, которое позволит автоматизировать процессы, скрытые от глаз, но влияющие на поддержание хорошего отношения со стороны клиентов. Поделимся кейсом разработки системы для автоматической классификации заявок от покупателей ВкусВилла, расскажем, как удалось применить на практике технологии искусственного интеллекта и добиться исключительной точности в распределении обращений.

Разработчики компании «DataLab» (входит в ГК «Автомакон»)  приступили к созданию системы, распределяющей входящие обращений на целевых сотрудников ВкусВилла, с решения ряда сложностей. Одна из которых заключалась в том, что разметка данных была произведена по факту того, какой тэг сотрудник поставил обращению. После проверки выяснилось, что в ручном распределении сыграл роль человеческий фактор — ошибки, допущенные сотрудниками, были найдены в 30% всех обращений. Следующая проблема была связана с недостатком данных для анализа — у половины классов (150 шт.), которые необходимо было предсказывать, было не более 100 примеров обращений. Специалисты приняли решение провести предобработку данных, а затем вручную провалидировали и доразметили dataset. В итоге dataset включал уже 500 обращений для каждого класса. 

Затем на данным корпусе разработчики произвели дообучение трансформер-модели RuBERT для улучшения понимания моделью особенностей домена данных. После была обучена модель на основе специальной архитектуры, разработанной «DataLab» на основе модифицированной модели RuBERT. Провели замеры — точность модели по метрике Accuracy составила 0.85, что соответствовало точности определения класса человеком без специальной подготовки. В то же время модель, основанная только на базовой RuBERT, показала Accuracy 0.7, что не соответствовало необходимым результатам. Другим подходом решения этой же задачи является выделение нескольких наиболее вероятных классов обращений. Оптимальным числом классов при таком подходе оказалось 3. В этом случае точность разработанной модели составила уже 0.9 по метрике Accuracy.

Разработанная система также позволяет анализировать эффективность первичной обработки заявок и качество процессов обслуживания. Главная особенность этого решения в том, что оно доступно любой компании в независимости от отрасли и масштаба. Это готовый коробочный продукт, для того, чтобы запустить его в работу потребуется сформировать выборку с примерами каждого класса обращений (не менее 250 на каждый класс), выгрузить в таблицы Excel или CSV и предоставить экспертам «DataLab». Перед тем, как провести внедрение системы, следует понимать, что многое зависит от вариативности данных в каждом классе. Важно грамотно подобрать классы и примеры для правильного обучения системы. При необходимости специалисты помогут провести разметку данных и выделить классы обращений в рамках БЕСПЛАТНОЙ консультации. 

Описанная система может заменить первую линию сервиса поддержки. Специальные знания и навыки в области машинного обучения или программирования для пользования системой не требуются. Внедрение системы от «DataLab» происходит достаточно оперативно и не мешает работе других подразделений компании. Установка, настройка и запуск системы производятся при поддержке разработчиков  «DataLab» с учетом особенностей и потребностей клиента.

Заключение

Качественный сервис — один из главных конкурентных преимуществ. Для увеличения числа постоянных покупателей и привлечения новых важно доносить мысль о том, что компания способна решить все вопросы, связанные с их покупательским опытом. Техподдержка играет ключевую роль в работе с клиентами и прямо влияет на уровень их лояльности. Важно контролировать степень удовлетворения клиентов, уменьшать количество просроченных обращений и отслеживать загрузку сотрудников техподдержки. Все это возможно сделать без существенных затрат, внедрив современные решения на базе больших данных и искусственного интеллекта. 

Используйте передовой подход в организации бизнеса, будьте впереди конкурентов и заботьтесь о клиентах с умом. 

*материал опубликован на правах рекламы.

Подписывайтесь на наш канал в Telegram, чтобы первыми быть в курсе главных новостей ритейла.

Телега.-Контент