ВТБ встраивает в чат-бот банковского приложения генеративный искусственный интеллект, рассчитывая существенно повысить качество клиентского опыта. Как минимум, люди смогут оценить отсутствие необходимости предоставлять информацию, которой уже обладает банк, сохранение контекста разговора и использование понятных терминов. Банк же расширит спектр решаемых вопросов и сократит издержки. О реализации проекта рассказывает Денис Левошко, владелец продукта, управление «Мессенджеры и чат-боты» ПАО ВТБ.
- Какую задачу вы решаете при реализации проекта?
Чат-бот ВТБ обрабатывает более 3 млн обращений в месяц, он охватывает огромную аудиторию. Поэтому наша задача – давать клиентам быстрые и точные ответы на вопросы в автоматическом режиме, не задействуя сотрудников контакт-центра. Для этого мы стремимся максимально использовать потенциал больших данных и элементы искусственного интеллекта. Суть проекта заключается во внедрении алгоритмов ИИ в чат-бот ВТБ, которые будут обрабатывать 1,7 тыс. клиентских сценариев.
Благодаря этому улучшится клиентский опыт, а команда чат-бота внесет большой вклад в повышение эффективности банковского обслуживания.
- Какие принципы выбраны для реализации проекта? Каким правилам стараетесь следовать?
В основе проекта лежит два ключевых принципа. Мы должны сделать ответы бота максимально человечными. Уже сейчас у клиентов пропадает страх и нежелание общаться с ботом в пользу быстрого и качественного решения вопроса. Отсюда рождается второй принцип: качество сервиса в канале должно расти. Мы должны видеть реальное динамичное изменение индекса удовлетворенности в канале – это и будет критерием успеха проекта.
- Какие требования предъявлялись к решению?
Максимальная скорость бота при генерации ответа, которая уже составляет менее секунды. Такую скорость хочется сохранить и в будущем, наращивая и улучшая алгоритмы «под капотом». Еще одно важное требование: поддержание высокого уровня уверенности бота в правильном определении тематики вопроса.
- Какие данные используются?
Данные для обработки включают действия клиентов в банковском приложении, запросы через чат-бот, историю транзакций, диалоги с операторами. Эти данные собираются, хранятся и обрабатываются в соответствии с принципами информационной безопасности.
- Какой математический аппарат применяется?
Под капотом нашей системы лежит внушительный арсенал передовых технологий. Мы пользуемся мощью нейронных сетей, применяя передовую трансформерную архитектуру для векторизации фраз клиента, что позволяет нам точно и эффективно интерпретировать их запросы. Наши ML-классификаторы обеспечивают высокую точность в различении контекстов и ситуаций, а алгоритмы извлечения именованных сущностей, основанные на biLSTM-CRF, гарантируют надежное распознавание ключевых элементов информации. Этот элегантный симбиоз технологий обеспечивает нам уникальную способность предоставлять высококлассный сервис и достигать впечатляющих результатов в нашей работе.
- На какой стадии находится проект?
В настоящее время мы пилотируем генеративный чат-бот на ограниченном объеме сценариев и внимательно следим за качеством консультаций. Наша цель – постепенно расширять количество сценариев, улучшать качество обслуживания клиентов на основе анализа данных и обратной связи от пользователей. Это позволит более эффективно и приятно взаимодействовать с банковским приложением.
- Что самое сложное в ходе этого проекта?
Самое сложное в проекте – это поиск и адаптация данных для их быстрой и качественной обработки. Понимая, что количество источников будет кратно увеличиваться, приходится изначально выбирать правильную архитектуру данных. А еще было сложно проводить эксперименты в рамках разных подходов и оценивать их эффективность, так как вариативная модель запросов клиентов через чат, как правило, бесконечно многообразна, что добавляет сложности задаче.
- Что удалось особенно хорошо?
Не все коллеги охотно соглашаются с пилотными проектами, так как это дополнительные трудозатраты. И вот что нам особенно хорошо получалось делать – это «продавать» решения смежным командам и заказчикам. Все, что связано с высокими и современными технологиями, неизбежно вызывало интерес. Мы однозначно хорошо «продавали» наше решение перед принятием его к внедрению.
- Каковы ожидания относительно этого проекта?
Благодаря переходу на новую технологическую платформу в 2023 году чат-бот смог более качественно и быстро определять тематику вопроса и подбирать сценарий, наилучшим образом отвечающий запросу клиента, без переадресации в другие каналы и без привлечения оператора. Это позитивно отразилось на основных метриках: решение запроса чат-ботом без привлечения оператора достигло 85%, индекс удовлетворенности клиентов – 4,9, а доля удовлетворенных клиентов ко всем оценкам клиента превысила 90%. За 2023 год доля чата среди всех обращений выросла с 36% до 50%, то есть сейчас половина клиентов выбирает чат для решения своих вопросов.
Внедрение в чат-бот алгоритмов машинного обучения позволит существенно повысить эти показатели, а соответственно и удовлетворенность клиентов. Путем анализа данных и применения методов генеративного моделирования мы планируем создать более эффективную систему, способную обрабатывать широкий спектр запросов клиентов.
Мы предполагаем, что возможности ИИ позволят чат-боту не запрашивать у клиентов информацию, которая уже есть у банка, давать ответ за наименьшее количество шагов, использовать понятные клиенту термины, уведомлять его о выполнении запроса. Кроме того, важно сохранять контекст разговора, подсказывать оптимальный путь решения проблемы, разделять длинные ответы на несколько сообщений, и, конечно же, давать понять, что беседа ведется с ботом. В конечном счете это должно повысить качество клиентского опыта.
- Есть ли какие-то плановые показатели, к которым стремитесь?
Есть метрики успеха работы бота. К ним можно отнести долю обращений в чат от общего количества обращений в банк в цифровых каналах, уровень автоматизации обращений клиентов, уровень удовлетворенности сервисом. Мы ориентируемся на все эти показатели. Для себя считаем хорошим результатом, если доля обращений превысит 55%, автоматизация будет не ниже 85%, а доля удовлетворенных клиентов будет более 93%. Также немаловажным для нас является показатель качества определения темы обращения клиента. Сейчас данный показатель варьируется в диапазоне 83-85%. С внедрением генеративного ИИ у нас получится достигнуть более высокого показателя в 90%.
- В чем роль этого проекта для ВТБ?
Роль нашего проекта заключается как в повышении эффективности обслуживания клиентов, так и в оптимизации операционных процессов. Основным экономическим эффектом чат-бота является сокращение расходов на операторов контакт-центра. В 2023 году мы уже сэкономили банку 2,5 млрд руб. за счет снижения затрат на операторов. Кроме того, мы неслучайно большое внимание уделяем пользовательскому опыту: увеличение лояльности и удовлетворенности клиентов приводит к росту выручки компании.
Но, помимо бизнес-эффекта, наш проект имеет еще и социальную значимость. Во-первых, мы повышаем финансовую грамотность пользователей. Чат-бот умеет не только рассказывать о продуктах и услугах банка, но и объяснять, как работают финансовые инструменты и как пользоваться сервисами ВТБ.
Во-вторых, чат-бот облегчает доступ клиентов к информации и банковским услугам. В чате клиенты могут получать оперативные консультации и решать финансовые вопросы в любое удобное время без визита в офис банка и без ожидания ответа оператора. Это особенно важно для людей с ограниченными возможностями. Таким образом, наш продукт способствует повышению доступности банковских услуг для широкого круга пользователей, что является важным аспектом социальной ответственности компании.
- В каких направлениях планируется развивать проект?
Самым главным направлением является увеличение количества источников данных для принятия правильного решения в ответе. В наших планах также расширение проекта как по вертикали, так и по горизонтали. Мы планируем внедрять решение не только в рамках обслуживания розничного клиента, но для внутренних клиентов. На первом этапе данное решение уже встраивается в чат-бот-сервис по обслуживанию и поддержке наших сотрудников в точках продаж.
