Три совета по оптимизации работы колл-центра
Сейчас у «Сбербанка» более 2,5 млн корпоративных клиентов, которых обслуживает около 2500 сотрудников колл-центра. Это неизбежно приводит к задачам оптимизации расходов банка и повышения эффективности работы оператора. В дивизионе «Корпоративных клиентов 360» (Корпоративно-инвестиционный блок) выделяют три направления решения этих задач.
Автоматизация. В этом направлении помогают всевозможные голосовые роботы, чат-боты, которые без участия оператора обслуживают клиента, предоставляя корректную и необходимую ему информацию.
Оптимизация работы оператора. Здесь помогают системы, которые за счёт анализа речи моментально выдают оператору информацию, необходимую для обслуживания клиента. Так, оператор не тратит время на поиски ответа по большим базам данным банка, а быстро анализирует предложенные результаты и консультирует собеседника.
Также в этом случае используются интеллектуальные системы, позволяющие обучать персонал. Это важно, потому что срок работы сотрудника колл-центра в компании обычно невелик, и процесс адаптации должен быть быстрым.
Оптимизация процесса получения клиентом информации и сервисов банка. В этом направлении банк использует системы, которые анализируют транскрипцию диалога клиента с оператором и формируют задачи другим направлениям для оптимизации их сервисов.
Одним из ключевых партнёров в этом направлении для дивизиона «Корпоративных клиентов 360» (ДКК360) является компания «Лаборатория Сенсмейкинг» (Sensemaking Lab), которая с 2013 года решает аналогичные задачи и наработала необходимую экспертизу.
Аналитика как первый шаг к оптимизации
Прежде чем перейти к сегодняшнему основному кейсу, расскажу, какие проекты мы реализовали ранее для «Сбербанка» и других клиентов, а также какие выводы мы из этого сделали.
Анализ социальных сетей для банка. В 2013 году мы разработали систему, которая интегрировала в себе информацию из семи внешних источников данных.
Собранная информация в онлайне представлялась в двух плоскостях: традиционные дашборды с разделением по демографии и социальному признаку и по картографии, а также дашборд с семантическим графом, позволяющим делать выводы о том, как клиенты относятся к ключевым продуктам банка.
К примеру, относительно терминалов чаще всего обсуждались деньги, а характеристики были «деньги закончились», «деньги не приняты» (негатив) или «быстро» (позитив). При этом в автоматическом режиме анализировалась и цветом подсвечивалась на графе тональность сообщения.
Анализ клиентских впечатлений в реальном времени
Анализ телефонных звонков для телеком-операторов. На западном рынке телеком-услуг ключевым фактором в привлечении новых клиентов является качество обслуживания и ценовая политика.
Мы разработали системы анализа телефонных звонков, которые значительно упростили работу операторов колл-центра и улучшили клиентский опыт. На основе онлайн-распознавания разговора в дашборде отображались, топовые темы звонков и наиболее употребимые слова.
На основе сопоставления разговора с историческими данными по клиентам операторам подсказывалась статья базы знаний для ответа на вопрос. В результате оператору не приходилось тратить дополнительное время на самостоятельный поиск нужной информации.
Часто появление проблемы, задевающей большое количество абонентов, не прогнозируемо, и статья с руководством к действию пишется в экстренном порядке. Наши системы позволяют в режиме реального времени выявить проблему, подготовить рекомендацию и в нужный момент времени показать её оператору.
Аналитика для контактных центров
Виртуальные помощники для оператора и клиента
Виртуальный ассистент оператора. В «Сбербанке» совместной командой ДКК360 и Sensemaking Lab было реализовано аналогичное решение. В процессе диалога происходит онлайн-транскрибация речи клиента и благодаря аналитическим моделям осуществляется поиск подходящих статей. Для приёма звонка и перевода голоса в текст был использован плагин от Voximplant. Для демонстрации подготовлено демо-видео.
В этом случае критически важно, что тарифы зависят от региона, и оператору необходимо видеть информацию, которая соответствует региону клиента. Кроме того, как только речь заходит на другую тему, в данном случае — тему банкоматов, система автоматически понимает изменение темы, заходит в реестр банкоматов и подбирает ближайший относительно той точки, которую назвал клиент.
Робот Анна. Существует два кейса использования Анны:
1. Поиск ближайшего банкомата
2. Маршрутизация звонка внутри колл-центра.
Немного подробнее о втором кейсе. Чтобы клиент как можно быстрее получил ответ на свой вопрос, мы пытаемся сократить количество переводов. Для этого сейчас запускаем пилот по интеллектуальной маршрутизации: Анна приветствует клиента на входе в IVR банка, задаёт ему вопрос «что вас интересует?», затем анализирует ответ и переводит на сплит оператора с нужной компетенцией.
Все названные решения находят себя в приоритетах стратегии «Сбербанка» до 2020 года. Это и улучшение клиентского опыта за счёт того, что клиент тратит как можно меньше времени на получение необходимых ему сведений или услуг банка, и технологическое лидерство за счёт постоянного развития, и люди нового качества, которые формируют основу команды «Сбербанка».
