Распознавание речи

Специфика клиентской поддержки компаний-производителей электроники и технических устройств требует от специалистов контакт-центра четкого и быстрого решения вопросов, касающихся работы бытовых приборов: выявление и устранение неисправностей, настройка и эксплуатация техники, ремонт и гарантийное обслуживание. Компании был нужен инструмент, с помощью которого можно контролировать полноту и качество обслуживания клиентов, а также визуализировать структуру обращений в контакт-центр для отчетных материалов заказчикам. Важным критерием выбора системы речевой аналитики была возможность самостоятельной донастройки под различные бизнес-задачи аналитиками Teleperformance, в том числе вариантов отображения информации для отчетов.

В качестве основы для проекта было взято несколько примеров работы контакт-центров по схожей отраслевой специализации. Проектная команда BSS и Teleperformance расширила и адаптировала функциональность речевой аналитики под специфику клиентской поддержки производителей бытовой техники. При внедрении модель распознавания была дообучена специальной лексике – сейчас она корректно распознает виды бытовой техники, комплектующих, деталей и терминологию, которая связана с эксплуатацией бытовых приборов. Также появилась возможность загружать данные для анализа из чат-центра, который использует Teleperformance, и был запущен отдельный сервис для автоматизации этой загрузки, что значительно сэкономило время и ресурсы.

С помощью инструмента речевой аналитики в Teleperformance решили приоритетную задачу проекта по сокращению среднего времени обслуживания потребителей (average handling time, АНТ) — одной из ключевых метрик эффективности контакт-центра, которая напрямую коррелирует с производительностью и себестоимостью обслуживания потребителей. Этому способствовали идентификация проблем с инструкциями диагностики и перевод обращений этой тематики в самостоятельное обслуживание. Проведение аналитики, систематизация данных, создание инструкций для self-service и изменение внутренних процессов обслуживания позволили достичь совокупного снижения АНТ примерно на 6%.

На обслуживании у «Лэнд-Сервис» находится порядка 6 тыс. объектов, по ним круглосуточно поступают заявки в контакт-центр, максимальное время реагирования на неисправности – 4 часа. Раньше приемом заявок, их заведением в CRM-систему и доведением информации об инцидентах до сервисных инженеров вручную занимались десятки сотрудников контакт-центра. Однако по мере добавления в обслуживание новых видов сервиса количество заявок стало расти, а скорость их заведения в CRM-систему – снижаться, поэтому было принято решение об автоматизации бизнес-процесса.

Теперь при поступлении заявки в контакт-центр звонок переводится на цифрового ассистента VoiceBox, разработанного МТТ, который фиксирует заявки в полном объеме и круглосуточно. Он находит номер позвонившего в базе «Лэнд-Сервис», определяет объект, уточняет причину звонка, критичность проблемы, вид сервиса и отправляет данные в CRM-систему, после чего озвучивает номер принятой заявки. Цифровой помощник самостоятельно распознает и присваивает степень критичности аварийных заявок.

Благодаря интеграции с мобильным приложением сервисные инженеры, обслуживающие данный объект, мгновенно получают информацию о поступлении заявки в CRM и устраняют неисправность. Кроме того, если цифровой помощник присвоил заявке наивысший приоритет критичности – угроза порчи продукции, он самостоятельно дублирует заявку звонком, последовательно дозваниваясь, начиная от сервисного инженера, закрепленного за данным объектом, до всех непосредственных руководителей, включая генерального директора. Абсолютно вся статистка собирается в облачном сервисе и доступна для анализа и контроля в режиме онлайн.

Как признает генеральный директор «Лэнд-Сервис» Алексей Мальцев, обращаясь к цифровому решению, компания рискнула, но осталась довольны результатом. В результате проекта удалось автоматизировать все, что связано с приемом заявок, хотя это и оказалось нетривиальной задачей. Основная цель компании – обеспечить сохранность продукции заказчика, и время реагирования на инцидент для нее критично.

В настоящий момент специалисты «Лэнд-Сервис» и МТТ работают над тем, чтобы делегировать цифровому помощнику весь функционал единого центра мониторинга.

Речевая аналитика РИС Минздрава Тульской области позволяет транскрибировать 100% входящих вызовов пациентов, проводить глубинный анализ всех диалогов с пользователями, которые записываются к врачу с помощью голосового помощника, а также вносить оперативные изменения в работу контакт-центра на основе этих данных. Внедрение инструмента анализа диалогов голосового робота в речевую аналитику – это новый этап развития региональной информационной системы Минздрава Тульской области, направленный на повышение качества обслуживания пациентов.

Новая функциональность позволит точнее обрабатывать запросы пользователей, выявлять непродуктивные участки коммуникации и оперативно устранять их. Это даст большему количеству людей возможность быстрее записываться на нужные услуги и эффективнее решать свои вопросы, связанные с охраной здоровья или с получением медицинской помощи. Решение также предоставит аналитикам Минздрава исключительный набор данных для разностороннего анализа коммуникации с пациентами.

При первичном обращении в контакт-центр пациент может столкнуться с рядом проблем, которые могут повлиять на степень его удовлетворенности качеством оказания услуг. Так, он не всегда сразу может получить ответ на свой вопрос или осуществить необходимое действие по телефону. В этом случае диалог с пользователем либо заканчивается, либо переводится на другой канал коммуникации, что задерживает сроки записи и увеличивает количество повторных звонков. Также пациент может столкнуться с длительным ожиданием в случае внепланового увеличения количества обращений на линию или с недостаточно полными ответами. Все это приводит к негативной реакции со стороны граждан и снижает скорость получения услуг.

Традиционные методики оценки эффективности работы контакт-центра, призванные не допустить подобные сценарии, предполагают выборочную оценку от 1 до 3% от всех диалогов, поступивших на линию. Ручная обработка этих данных не позволяет выявить глубинные причины ошибок и вовремя устранить их. Инструменты речевой аналитики, внедренные специалистами БФТ-Холдинга и компании BSS в региональную систему здравоохранения Тульской области, помогают выстраивать полный цикл улучшения процессов на основе анализа специфических данных.

При помощи технологии записываются и стенографируются 100% звонков пациентов, даже если на линию поступают десятки звонков одновременно. Метрики качества и эффективности обслуживания фиксируются автоматически без участия супервайзера, что сокращает время, затрачиваемое на анализ данных. Так, автоматически выявляются звонки с негативной реакцией граждан, что позволяет аналитику в режиме, приближенном к реальному времени, увидеть и разобрать каждый случай.

Среди наиболее применяемых практик работы с речевой аналитикой – периодическое отслеживание частотности тематик обращения. Так, на запрос на запись к врачу приходится до 88% обращений. Среди других практик стоит отметить отслеживание повторных обращений и выявление их причин, выявление необоснованных переключений звонков, а также автоматическое выявление разговоров с наличием отрицательных эмоций в речи человека.

Тульская область стала первым регионом, который в рамках сопровождения получил новую функциональность «Робот-Абонент», позволяющую выстраивать работу с конкретными звонками вместо того, чтобы просматривать выборочные данные или все звонки подряд. Это даст возможность существенно сократить время сотрудников Минздрава Тульской области на анализ информации и повысить качество оказания услуг пациентам региона.

Записи разговоров граждан с системой голосового самообслуживания или с оператором контакт-центра автоматически загружаются в систему речевой аналитики. Для анализа используются как сами аудиозаписи, так и связанные с ними метаданные, такие как время, дата разговора, номер абонента, ожидание на линии, переключение между операторами и другие параметры.

Система сама производит перевод речи в текст, проводит маркировку записей и реплик в диалогах на основе акустических, лексических и других характеристик разговора, основанных на понимании естественного языка, после чего все записи разговоров становятся доступны для анализа на специализированном дашборде. Далее аналитик может отфильтровать нужные данные по наборам маркеров, по соответствию сценарию диалога или другим метаданным, и выгрузить соответствующий отчет. Полученные сведения позволят ему выявить траектории для дальнейшей автоматизации частотных тематик обращений, разработать план действий по корректировке сценариев работы голосовых помощников, а также оценить внедрённые улучшения.

В части работы операторов речевая аналитика позволяет контролировать и оценивать качество их работы, соблюдение процедур и инструкций, а также выявлять лучшие практики обслуживания граждан операторами.

По оценкам аналитиков Gartner, в мире сейчас работает примерно 17 млн операторов контакт-центров. До 95% расходов контакт-центров составляет оплата труда, и при этом многие центры испытывают дефицит персонала. Применение разговорного искусственного интеллекта (Conversational AI) позволяет повысить эффективность работы операторов, указывают аналитики.

К 2026 году искусственный интеллект поможет сэкономить на оплате труда в контактных центрах порядка 80 млрд долл. К 2026 году в среднем каждый десятый разговор с клиентами будет вести компьютер. Сейчас автоматизируется лишь 1,6% разговоров. Разговорный искусственный интеллект может полностью или частично автоматизировать взаимодействие с клиентами как по голосовым, так и по цифровым каналам, и в ближайшие годы станет одним из средств трансформации служб поддержки клиентов.

При всех достоинствах разговорного искусственного интеллекта, эта технология еще не достигла зрелости. Ее широкому распространению будут мешать фрагментация рынка разработчиков и сложность внедрения. Крупное развертывание может занять несколько лет, а стоимость интеграции оценивается аналитиками в 1-1,5 тыс. долл. на одного робота-оператора. Поэтому сначала внедрение смогут позволить себе только крупные компании, в которых насчитывается 2,5 тыс.и больше операторов контактных центров.

Технологии искусственного интеллекта по распознаванию и анализу речи позволяют банку совершенствовать процессы и повышать качество скриптов для общения с клиентами. С помощью транскрибации (расшифровки) всех звонков осуществляется лексико-семантический поиск, выявление и определение эмоций, категоризация обращений и комплексная аналитика обратной связи клиентов по различным продуктам.

Экономический эффект от внедрения таких технологий за прошлый год составил 129 млн руб. В частности, речевая аналитика помогла банку увеличить долю согласий на подключение ряда продуктов до 45%.

Как отмечает Сергей Леханов, директор дивизиона «Центр корпоративных решений» Сбербанка, ежемесячно оцениваются вежливость и грамотность диалога более 2 млн поступающих обращений. На основе обратной связи от клиентов также корректируются модели продаж продуктов. Речевая аналитика позволяет контролировать гигиену диалога, выявлять посторонние звуки, слова-паразиты и речевые ошибки у операторов, бороться с использованием ими узкоспециализированных терминов, аббревиатур и канцеляризмов. Таким образом улучшается качество обслуживания клиентов и повышается эффективность продаж.

Сеть «М.Видео» внедрила систему роботизированной поддержки клиентов с использованием искусственного интеллекта на сайте, в приложении и наиболее популярных мессенджерах. Искусственный интеллект в лице виртуального помощника Алёны распознает до 98% запросов и симулирует живое общение в формате вопрос-ответ. Общий уровень автоматизации обработки входящих запросов в мае 2021 года превысил 40% — более 60 тыс. обращений ежемесячно. По некоторым сценариям Алёна закрывает более половины обращений, например, предоставление статуса заказа автоматизировано на 52%, а сервис по продлению или отмене резерва – на 60%.

В основе решения лежит набор сервисных и рекомендательных сценариев. Алёна интегрирована с внутренними ИТ- и CRM-системами компании и способна подсказать статус заказа или обращения, рассказать о правилах программы лояльности и текущих акциях, уточнить наличие товара, график работы магазинов, детали доставки, процедуры обмена, возврата и оформления кредита. Она также может получить доступ к корзине клиента, истории его предыдущих заказов и просмотров, чтобы помочь в оформлении заказа, подборе необходимых аксессуаров, сервисов или расходных материалов.

Более того, центр компетенций по речевой аналитике «М.Видео-Эльдорадо» разрабатывает для Алёны сервисы по обработке естественного языка (NLP) — классификаторы, механизмы извлечения сущностей и построения оптимального сценария диалога и рекомендаций. Например, созданная модель позволяет в процессе общения выделить ключевые пользовательские термины и соотнести их с соответствующими атрибутами характеристик из товарных спецификаций. Таким образом чат-бот понимает, какое устройство и с какими характеристиками ищет клиент и может посоветовать наиболее подходящие варианты из каталога.

Уровень удовлетворенности клиентов (CSI) от общения с ботом выше, чем от общения с оператором и составляет в среднем 85%. Наиболее эффективной Алену считают в решении вопросов по статусу заказа (91%), предоставлении справочной информации (90%), уточнении правил программы лояльности (85%).

Реализованная в контакт-центре технология позволяет анализировать огромные массивы диалогов клиентов с сотрудниками банка. При этом с помощью речевой аналитики контролируется соблюдение стандартов общения, операторы в случае необходимости проходят дополнительное обучение.

Как отмечает директор департамента клиентского сервиса и заботы о клиентах МКБ Лада Швец, выборочное прослушивание диалогов контролерами позволяло проверить всего около 2% звонков, а речевая аналитика уже на старте проекта автоматически анализирует 78% обращений. В будущем планируется анализировать 100% обращений. Полная автоматизация проверки стандартов ведения диалогов позволит направить высвобождаемый ресурс контролеров на проверку корректности и полноты предоставления финансовой информации клиенту.

В планах банка – внедрение аналитики и в каналы чатов, что позволит анализировать не только сами тексты, но и такие параметры, как время до первого ответа оператора в чате, максимальное время ответа оператора и др.

Виртуальный консультант распознает человеческую речь и умеет вести диалог. «Ульяна» отвечает на самые популярные вопросы жителей региона по многоканальному номеру: подскажет адреса офисов «Мои документы», сообщит о графике работы подразделений и порядке записи в МФЦ, проинформирует заявителя о статусе дела. На горячей линии граждане могут выяснить, как зарегистрироваться на портале госуслуг, оформить загранпаспорт, записать ребенка в детский сад, узнать, как получить материнский капитал или ежемесячную денежную выплату на детей в возрасте от трех до семи лет.

Нейроробот способен обработать около 80% поступающих в контакт-центр звонков. Если позвонившему понадобятся дополнительные сведения, система переключит его на оператора.

На протяжении нескольких месяцев аналитики «РТ Лабс» обучали голосового помощника. Для построения алгоритмов проанализировано свыше 60 тыс. обращений в контакт-центр МФЦ и на основании этих данных сформирована база знаний. Сейчас «Ульяна» не только распознает и синтезирует речь, но и с легкостью ориентируется в тематике вопросов.

Особенность голосовой биометрии заключается в подстройке коммуникации с клиентом, которая происходит на основе идентификации по голосу, анализа запроса, а также распознавания настроения и эмоций. Встроенная функция «умной» маршрутизации соединяет клиента с нужным сотрудником (при повторном контакте – с тем, с которым клиент общался ранее) без участия оператора. Это позволяет решить вопрос клиента при первом обращении, без длительного ожидания на линии и лишних переключений. Более того, поскольку система распознает эмоции и настроение, она выбирает для каждого клиента схожего по эмоциональному профилю менеджера. Благодаря этому складывается более доверительный и продуктивный диалог. Планируется, что новая технология позволит «Самолету» довести конверсию из звонков в визиты офисов продаж до 75% уже в 2021 году.

Голосовая биометрия – одна из четырех составляющих инновационного контакт-центра, формирование которого группа «Самолет» планирует завершить в текущем году. Параллельно с ней идет внедрение омниканальной платформы. Ранее компанией было налажено использование технологии речевого анализа и интеллектуальной системы управления клиентской базой. Ожидается, что внедрение голосовой биометрии позволит качественно обрабатывать все входящие обращения и сократить время коммуникации на 30%.

Система дает возможность определять наиболее частые запросы клиентов, умение менеджеров выявлять потребности, соблюдение правил вежливости и деловой этики. Распознавание эмоций позволяет определять процент вероятности визита клиента в офис продаж и выявлять слова, вдохновляющие звонящего лично познакомиться с проектами компании или выражения, не создающие у него позитивного настроя.

Контакт-центр Pony Express внедрил речевую аналитику VS Robotics для контроля качества обслуживания клиентов. Автоматизированное решение даст новые возможности для поиска и анализа записей звонков со 100% охватом всей фонотеки, исключив необходимость их выборочного прослушивания. Кроме того, инструмент позволит быстро и точно находить точки роста в диалогах операторов с абонентами, повысить качество коммуникации и удовлетворенность клиентов без существенных временных затрат.

По словам руководителя департамента клиентского сервиса Pony Express Марины Косякиной, на звонки в контакт-центр приходится порядка 60% от всего объема обращений. Внедрение системы речевой аналитики позволит изучать все диалоги клиентов и операторов, в автоматизированном режиме оценивать такие параметры, как длительность диалога, количество пауз в разговоре, процент соотношения речи клиента и оператора. На основании этих данных планируется эффективнее выявлять точки роста, анализировать кейсы и развивать систему обучения в компании.

В основе системы лежит несколько технологий, таких как распознавание речи, диаризация, определение роли спикера, определение тематик входящих обращений и другие. Технология Speech To Text позволяет осуществлять транскрипцию речи оператора и абонента и работать с поступающими звонками без задержек, что сопоставимо с режимом онлайн. Сервис диаризации решил вопросы, связанные с особенностями используемой телефонии, разделяя входящий аудипоток на несколько сегментов в соответствии с принадлежностью к каждому спикеру. А сервис составных запросов (и, или, не, предшествование) позволяет не только выявлять несоответствие диалога оператора скрипту, но и скрытые закономерности в коммуникациях с абонентами, использование которых значительно повышает конверсию в сделку.

Один из факторов, в значительной степени повлиявший на скорость реализации проекта, — короткая релизная политика, основанная на подходах Agile. С учетом кастомизации техническая фаза проекта была реализована в течение месяца с момента первых переговоров и до финального релиза решения.