Некоторые привычки очень живучи. Писать письма – одна из таких привычек, которую пока не смогли истребить ни мессенджеры, ни самые эргономичные приложения. В некоторых организациях борются с приверженцами почты радикальными методами – просто не принимают обращения, поступающие по этому каналу.
Но в банке «Открытие» решили проблему нестандартным способом – сотни тысяч заявок, поступающих в службу технической поддержки банка по электронной почте, проходят через лингвистический модуль, который определяет требуемый вид услуги. Таким образом, освобождение от рутинных операций сотрудников первой линии поддержки заметно повышает качество ИТ-сервисов в банке.
Клиент всегда прав
Реализуя этот проект, в «Открытии» фокусировались на повышении качества ИТ-сервисов путем освобождения от рутины сотрудников первой линии поддержки. Заявки от пользователей поступают в службу технической поддержки по трем каналам: через портал самообслуживания, по телефону и по электронной почте.
Арсен Благов, директор направления по контролю и управлению качеством ИТ-услуг банка «Открытие»: «Обучение модуля потребовало крайне скрупулезной работы» |
В основе автоматизации службы поддержки лежит открытая система обработки заявок (open ticket request system, OTRS). На базе этой открытой платформы разработчики банка создают разнообразные функциональные модули, включая информационные панели управления (дашборды) для построения отчетности, портал самообслуживания и телеграм-бот. Теперь в систему встроили еще один компонент – лингвистический модуль.
Всего в «Открытии» насчитывается 1700 ИТ-сервисов, для каждого прописаны свои cоглашения об уровне обслуживания (service level agreement, SLA). Выбрать нужный сервис из такой номенклатуры – задача для пользователя практически нереальная. Поэтому на портале HelpMe – едином для сотрудников «окне» обращения в ИТ-службу – был создан механизм умного поиска, который позволяет найти необходимую услугу по ее описанию в свободной форме. Поиск услуги на портале занимает в среднем 12 секунд, и еще 30 уходит на заполнение шаблона.
Именно портал с формализованными списками и шаблонами, куда пользователь вносит конкретную информацию, необходимую для решения его проблемы, является самым предпочтительным для ИТ-службы каналом приема заявок. «Для ИТ это очень удобно, потому что мы сразу включаемся в работу и быстро выполняем заявку», – говорит Арсен Благов, директор направления по контролю и управлению качеством ИТ-услуг банка «Открытие».
Принимая заявки по телефону, нужного результата добиваются благодаря наводящим вопросам оператора. Однако у этого канала существенно выше как трудоемкость, так и уровень ошибок.
Но самый неудачный способ принятия заявок – почта. Письма содержат неструктурированный текст, зачастую с неполной, недостаточной информацией. Если для уточнения информации требуется перезвонить сотруднику, а его не оказывается на месте, маршрутизация одной заявки занимает у оператора до 10-15 минут. Лишь потом можно назначить исполнителя. Кроме того, сотрудники первой линии, отвечающие на звонки и маршрутизирующие заявки, имеют лишь базовые знания ИТ, поэтому возможны ошибки и неверные назначения исполнителей.
Тем не менее самый плохой способ приема заявок, по статистике, является самым популярным. Так, порталом, функционирующим уже три года, пользуются 33% пользователей, оператору звонят 18%, письма же пишут 49%.
Робот-чтец
Что же делать с сотнями тысяч почтовых заявок, чтобы не допустить ухудшения качества обслуживания? В банке решили пойти по пути роботизации и выбрали лингвистический модуль «Преферентум». Это самообучающаяся программа, способная распознавать поток произвольной информации из текстов и скриншотов, с автоматической категоризацией.
Персонал ИТ-службы банка «Открытие» насчитывает 1600 человек, из них около 700 работают в системе обработки заявок. За год от 20 тыс. сотрудников поступает примерно 1,6 млн заявок. В пиковые часы в открытую систему обработки заявок (open ticket request system, OTRS) одновременно заходят до 600 пользователей. Круглосуточно отвечают на звонки и маршрутизируют заявки в службу поддержки 20 сотрудников.
Целью внедрения стало снижение доли заявок, поступающих по почте, чтобы за счет исключения ручной маршрутизации повысить скорость их исполнения и уменьшить число ошибочных маршрутизаций. Робот должен был сократить трудозатраты на 25%, освободить время работников первой линии, чтобы они могли дольше общаться с сотрудниками и «решать» заявки на месте.
Модуль читает неструктурированный текст, присваивает словам, словосочетаниям и предложениям определенные веса и далее действует в соответствии с этими весами. Кроме того, он умеет анализировать изображения: определять по логотипу информационной системы место возникновения проблемы и переводить информацию об ошибке со скриншота в текст. Это сильно упростило работу с письмами, содержащими только скриншоты, отметил Благов.
Теперь робот читает заявку вместо сотрудника и решает, что с ней делать.
Шаг за шагом
«Мы очень воодушевленно занимались этим проектом, – рассказывает Благов. – Обучение модуля потребовало крайне скрупулезной работы». На обучение ушло пять месяцев.
Источник: банк «Открытие» |
На первом этапе обучения робот проштудировал 400 тыс. закрытых почтовых заявок, результат выполнения которых (назначенный сервис и исполнитель) был заведомо известен. Потом в модуль загрузили только заявки без результатов, чтобы оценить, насколько хорошо он работает. Выяснилось, что он обработал правильно каждую вторую заявку. При следующей итерации из писем убрали неинформативный текст приветствий и подписей, который только запутывал робота, и качество подросло до 68%.
Затем заметили, что модуль плохо обучается как на корреспонденции с очень маленьким количеством текста, так и с очень большим, и отсекли заявки, содержащие менее 50 и более 750 символов. Прогнав оставшиеся через программу, получили уже 73% правильных назначений.
И на последнем этапе обучения специалисты банка вручную произвели «тюнинг» лингвистического модуля. В частности, выставили более высокие веса важным фразам вроде названия автоматизированной банковской системы и, наоборот, убрали неоправданно высокий вес у малозначимых словосочетаний.
Теперь модуль обучается самостоятельно, в процессе работы. Почтовые заявки обрабатываются сервером и отдаются лингвистическому модулю, который определяет требуемый вид услуги и передает заявки со своими комментариями в OTRS, а там каждой из них автоматически назначается группа исполнителей. Если над подобными заявками работают несколько групп, к ним привязываются также потоки работ (workflow).
Подсказки-ускорители
В итоге доля правильно определяемых роботом почтовых заявок достигла 85%, а число ошибочных маршрутизаций сократилось с 6 до 2,5%. Оставшиеся 12,5% обращений отправляются на ручной разбор. Они уже содержат подсказанные системой варианты маршрутизации. Таким образом, сотруднику первой линии поддержки остается лишь выбрать из них правильный. «Даже там, где лингвистический модуль не смог решить проблему, он все равно сильно облегчает работу человека, – подчеркнул Благов. – Дальнейшие шаги по выбору сервиса и связи с группой исполнителей совершаются автоматически».
Благодаря внедрению модуля высвободилось время шести операторов в смене из 25 – на одного человека больше, чем планировалось изначально. Формально продолжительность разговора с клиентом и раньше не ограничивали, но фактически она все равно была лимитирована из-за необходимости успеть обработать весь входящий поток. Сейчас у оператора есть возможность говорить с пользователем столько, сколько требуется для решения его вопроса.
«Сегодня мы главным образом смотрим, сколько заявок закрыто с первого обращения, и этот показатель постоянно растет», – отметил Благов.
Омниканальная поддержка
В скором будущем в «Открытии» планируют полностью автоматизировать прием заявок по телефону: будет запущена роботизированная система с распознаванием голоса. Если все операторы заняты, система IVR предложит пользователю надиктовать свою заявку. При этом ему будут задавать максимум два вопроса, чтобы узнать, какая система сбоит, и получить описание случившегося. Затем система переведет заявку в текстовый формат и отдаст ее лингвистическому модулю. Программное обеспечение для этой задачи еще не выбрано, но Благов настроен оптимистично и полагает, что проект удастся реализовать месяца за три.