Топ-6 ловушек при внедрении диалоговых роботов в контакт-центр
Роботы, работающие на технологиях искусственного интеллекта и помогающие обслуживать клиентов, остаются сравнительно новой для крупного бизнеса областью с динамичным ростом и быстро меняющимся технологическим ландшафтом. По прогнозу Accenture, в России в 2020 году только рынок чат-ботов без учета голосовых роботов вырастет на 400 — 600 миллионов и достигнет отметки 2 млрд. рублей. В погоне за преимуществами искусственного интеллекта и экономией ресурсов компании попадают в ловушки, которые существенно притормаживают или ограничивают успех проектов роботизации. В этой статье мы разберем некоторые из них и расскажем о способах их избежать.
1. Пытаться роботизировать сразу все процессы обслуживания
Если робот — новичок в вашем контакт-центре, не стоит пытаться взвалить на него весь пул задач, который выполняет оператор. Лучше начать с простых, но востребованных среди клиентов процессов обслуживания и постепенно двигаться к сложным. Такая тактика поможет быстрее получить видимый результат от проекта и взвешенно подойти к выбору других сценариев для дальнейшей автоматизации. Кроме того, это позволит клиентам привыкнуть к ИИ-оператору, убедиться в его полезности и доверить ему решение более сложных вопросов, когда компания расширит список рабочих обязанностей робота.
2. Выстраивать обучение ИИ-сотрудника на всем массиве исторических данных контакт-центра, а работу — на исходных сценариях операторов
Обучать робота нужно, как и любого нового оператора, приходящего на работу в контакт-центр. Разница этих процессов в том, что в отличие от человека робот не обладает коммуникативным опытом и не имеет представления о нормах общения, а значит, не сумеет отличать пример эффективного обслуживания клиента от неэффективного, а этичную реплику — от неэтичной. По этой причине важно проводить аудит обучающих данных и сценариев обслуживания, которыми пользуются операторы, чтобы отобрать для робота близкие к эталонным примеры диалогов и сценарии, которые кратчайшим путем ведут к решению вопроса клиентов. Нельзя обучать ИИ-оператора на неэтичных или бесполезных для клиента примерах обслуживания, если вы не хотите, чтобы эти примеры воспроизводились в его работе.
3. Рассчитывать только на возможности машинного обучения и нейросетей
Нейросети и алгоритмы машинного обучения делают возможным создание робота, глубоко понимающего живую речь, но обычно такие системы работают по принципу черного ящика: логика, по которой робот принимает решение, неясна, поэтому вносить коррективы в действия робота невозможно, не имея навыков data science и команды программистов за спиной. В то же время для поддержания уровня сервиса компаниям критически важно получить в эксплуатацию искусственный интеллект, управлять которым можно самостоятельно и без ИИ-бэкграунда. Сегодня эту управляемость обеспечивает гибридный подход к обучению робота, в котором сочетаются rule-based и ML-методы. Такой подход предполагает создание специальных инструментов для корректирования действий робота в обход ML-модели. При этом, чтобы управление не было «слепым», важно сделать поведение и логику робота прозрачными и интерпретируемыми. Достичь интерпретируемости можно путем подбора комплекса специальных ML- и DLалгоритмов, помогающих отследить причину каждого действия, и создания такого визуального представления данных в интерфейсах, которое позволяет оценить влияние тех или иных обучающих примеров на поведение робота.
4. Игнорировать уровень комфорта в общении клиентов с роботом
Готовность клиентов продолжать разговор с роботом, когда он используется в исходящих обзвонах, или решать с его помощью проблемы при обращении в контакт-центр непосредственно зависит от умения ИИ-сотрудника сохранить привычную для клиента форму диалога и обслуживания. Это предполагает возможность получить кастомизированную консультацию с учетом специфики вопроса и всех его деталей, возможность попросить робота о повторении уже сказанного или без потери контекста и повторения уже сообщенных данных решить еще один вопрос после того, как ИИ-оператор справился с первым. Вряд ли большое количество клиентов захочет снова общаться с диалоговым роботом, который выдает монолитные выдержки из FAQ, не реагирует на дополнительные вопросы и вдобавок игнорирует просьбы перевести на оператора, замыкая обращение на себе.
5. Вкладывать в развитие социальных навыков не меньше ресурсов, чем в обучение обслуживанию по предметным тематикам
Проектный опыт NAUMEN показывает, что менее 1% клиентов пытается обсудить с голосовыми роботами или чат-ботами смысл жизни, прогноз погоды или самочувствие. Большая часть клиентов настроена прагматически, и для них основная ценность ИИ-сотрудника заключается в предоставлении оперативной и качественной консультации, а не в возможности «поговорить о жизни». Безусловно, робот должен уметь распознавать и воспроизводить базовые социальные паттерны диалога — приветствия и прощания, поскольку они наиболее часто присутствуют в диалогах. При этом при работе с прочими отвлеченными вопросами будет достаточно отличить их от связанных со сценарием реплик, корректно отреагировать, не отправив клиента к оператору, и плавно вернуть диалог к основной теме.
6. Забыть о дообучении после запуска и оценивать проект только по стоимости внедрения без учета развития
Эффективность проекта роботизации носит кумулятивный характер. Уровень роботизации обслуживания продолжает расти в течение долгого времени после запуска в production, в том числе за счет «работы над ошибками» — дообучения робота на тех диалогах, в которых он отработал некорректно. К их числу относятся случаи, когда ИИ-сотрудник неправильно определил тему обращения клиента или не сумел выделить ее вовсе, не учел при выдаче ответа значимые факты в репликах собеседника или пропустил важные детали. Однако дообучение необходимо и тогда, когда KPI по автоматизации достигнуты. Его важно синхронизировать с изменением бизнес-процессов в обслуживании и развитием компании. Появление новых продуктов, проведение маркетинговых акций, открытие и закрытие филиалов, выход на новые рынки неизбежно влекут за собой возникновение новых тем клиентских запросов и сценариев обслуживания, которые роботу нужно осваивать вместе с операторами, чтобы не дать просадку по уровню сервиса и качеству обслуживания. В этих условиях преимущество получают продукты для создания диалоговых роботов, в которых управление ИИ-сотрудником возможно без навыков программирования или data science, поскольку они позволяют существенно снизить финансовые и временные затраты на поддержку и развитие робота.
В базе знаний Naumen по диалоговому искусственному интеллекту можно найти еще больше материалов с разбором типовых ошибок и лучших практиках внедрения роботов, бизнес-кейсов, экспертных статей и гидов по технологиям.
