Відвідуючи бізнес-конференції, або знайомлячись з профільними матеріалами, ми бачимо, що тематика використання ШІ з метою автоматизації бізнес-процесів є надзвичайно трендовою. Ще б пак! Адже технологія ця має перспективи суттєво здешевити вартість багатьох робіт, або за допомогою надати бізнесу функціонал, до якого в силу будь-яких обмежень він не мав доступу раніше. Індустрія контакт-центрів не є винятком: якщо ви відвідаєте будь-який тематичний захід, присвячений клієнтському сервісу, ви почуєте та побачите величезну кількість доповідей про ШІ та його можливості для КЦ. Проте, за гучними заявами іноді ховається нерозуміння деталей цієї технології та принципів її роботи, а отже як похідне – нерозуміння реальних можливостей і поточного стану справ. В цій статті, я зосереджуся на розкритті лише одного аспекту штучного інтелекту, який суттєво впливає на індустрію конакт-центрів – технологію NLP (Natural language processing) та поточні рішення для автоматизації контакт-центрів, що базуються на NLP та її можливостях.
ЩО ТАКЕ NLP?
Обробка природної мови (NLP) – це напрямок в галузі штучного інтелекту, що використовує можливості комп’ютерної техніки, математичної лінгвістики та моделювання для розуміння природної мови людей та її синтезу. Напрямок NLP наразі є активною сферою наукових досліджень і серед фахової спільноти ще немає єдиноприйнятої визначення цієї галузі. Проте, варто розуміти декілька важливих аспектів, що стосуються технології NLP:
- NLP системи використовують широку варіативність методів і це дозволяє адаптувати певні моделі до певних вузьких завдань.
- Існують NLP моделі які розроблені для перекладу, категоризації, надання відповідей на питання, ведення діалогів, виявлення настроїв, надання рекомендацій, розпізнавання іменованих сутностей, текстової комунікації з користувачем через чат (чатботи), людино-комп’ютерної взаємодії та розпізнавання частин мови.
- Лінгвістичні дані для моделей NLP можна отримувати з тексту, потокового аудіо чи відео або попередньо записаних файлів.
З вище перерахованих особливостей технології обробки природної мови можна побачити, що вона має чудові перспективи для застосування в сучасних омніканальних контакт-центрах. По-перше, контакт-центри генерують безліч даних для NLP (записи дзвінків, транскрибти чатів, записи відеодзвінків), по-друге, гнучкість NLP у використанні широкого спектра методів дає змогу адаптувати моделі для вирішення конкретних завдань, таких як обробка запитів клієнтів чи персоналізація послуг й по-третє (мабуть найголовніше) – доповнення цифрової інфраструктури контактних-центрів NLP технологіями дозволить вирішити безліч операційних завдань та проблем і очевидно зменшить вартість роботи контакт-центрів.
В наступних розділах я опишу детально, які саме завдання та процеси підлягають автоматизації з використанням NLP та надам декілька важливих аспектів, які менеджери та власники бізнесів мають розуміти, перед впровадженням цієї технології.
Аналіз тональності та оцінка якості за допомогою NLP
Перший аспект використання NLP, який я вважаю за доцільне розкрити – використання цієї технології для аналізу тональності (тексту або аудіотранскрибтів) та виявлення емоцій та запитів клієнтів в реальному часі. Використання методів аналізу тональності в контакт-центрі може допомогти автоматизувати процеси як на початковому етапі взаємодії клієнта з контакт-центром компанії: коли за допомогою будь-якого каналу комунікації звернення надходить до КЦ, так і вже після завершення обробки звернення, а саме на етапі оцінки якості наданої консультації.
В обох випадках застосування даних методів має за мету автоматизацію процесів з одночасним заощадженням коштів та без втрати якості послуг. Відповідно до актуальної практики роботи сучасного контакт-центру, близько 84% вартості послуг аутсорсингу контакт-центру складають заробітні плати операторів та підтримуючого персоналу (керівники груп/тимлідери, фахівці з оцінки якості, тренери, HR-фахівці,IT персонал та менеджмент). Таким чином, автоматизуючи будь-які ланки надання послуг контакт-центру, що потребують залучення операторів та підтримуючого персоналу, можна суттєво зменшити витрати підприємств на клієнтський сервіс загалом.
Розглянемо детальніше використання методів аналізу тональності з метою автоматизації процесу оцінки якості обробки звернень в контакт-центрі. Метою впровадження такого сервісу може слугувати зменшення витрат на забезпечення якості послуг, за оптимізації персоналу. Водночас, використання даних методів дозволить суттєво покращити якісь обслуговування клієнтів: більшість сучасних контакт-центрів не оцінюють якість 100% звернень, адже наявна кількість фахівців з оцінки якості фізично не встигає прослухати велетенських масив аудіозаписів, які генерує контакт-центр. Проте, авторизована система з використанням технології NLP цілком здатна обробити й оцінити 100% записів розмов чи транскрибтів чатів та згенерувати безліч цінних даних, які можуть бути використані для покращення сервісу в майбутньому.
Що таке аналіз тональності?
Аналіз тональності (Sentiment Analysis) — це метод обробки природної мови, аналізу текстів та інших видів даних, спрямований на визначення емоційного або суб’єктивного змісту. Основна мета аналізу тональності — класифікувати висловлювання або текст за емоційним забарвленням, таким як позитивне, негативне чи нейтральне.
Метод аналізу тональності спочатку використовувався для роботи з готовими текстовими масивами, такими як відгуки, статті або коментарі. З розвитком технології NLP аналіз тональності став доступний для роботи з аудіофайлами та розмовною мовою в реальному часі.
Як працює аналіз тональності?
Аналіз тональності працює шляхом виявлення емоційного або суб’єктивного забарвлення тексту, аудіо або розмовної мови. Цей процес базується на алгоритмах обробки природної мови (NLP), машинному навчанні та використанні спеціалізованих словників або моделей, які класифікують дані як позитивні, негативні чи нейтральні.
Основними принципами роботи аналізу тональності є:
- Збір та підготовка даних: текст, аудіо або інші джерела конвертуються у формат, зручний для аналізу. Наприклад, аудіофайли проходять через автоматичне розпізнавання мови (ASR), щоб отримати текст.
- Лінгвістичний аналіз: алгоритми виявляють емоційно забарвлені слова, фрази або вирази. Це може здійснюватися за допомогою словників емоційних слів (наприклад, “радісний”, “сумний”) або через аналіз контексту.
- Моделі машинного навчання: використовуються для визначення тональності на основі великих обсягів даних. Ці моделі вчаться ідентифікувати емоції та настрої на основі прикладів із попередньо класифікованими даними.
- Інтеграція невербальних сигналів: для аналізу розмовної мови враховуються інтонація, гучність і паузи, що можуть сигналізувати про емоційний стан.
На виході алгоритми забезпечують класифікацію тексту чи мовлення за тональністю, що дозволяє приймати рішення або створювати звіти на основі отриманих результатів. Цей підхід широко застосовується в маркетингу, аналітиці соціальних мереж, психології та обслуговуванні клієнтів.
Використання аналізу тональності для оцінки якості звернень
Процес оцінки якості звернень в сучасному контакт-центрі зазвичай базується на комбінації технічних та процедурних рішень. Так, програмне забезпечення для контакт-центру (будь-то віртуальна АТС з веб-інтерфейсом чи велика платформа для контакт-центру) мають вбудовані компоненти, що відповідають за запис, зберігання та відтворення телефонних розмов.
Спеціалізований фахівець QA, керівники групи, або менеджер проєкту має доступ до прослуховування цих записів та може здійснювати їхню оцінку відповідно до визначених критеріїв. Великі контакт-центри зазвичай мають визначену процедуру, за якою на кожного оператора має припадати певна кількість оцінених звернень. Також, зазвичай оцінка проводиться для звернень, які передбачають проблемні випадки – скарги від клієнтів, або спірні ситуації.
Використання технології NLP та методів аналізу тональності в модулях оцінки якості звернень дозволять автоматизувати процес оцінки якості звернень, адже система зможе виконувати запрограмовані дії самостійно. Наприклад, менеджер може ініціювати сценарій, у якому система автоматично аналізує записані вхідні дзвінки або текстові звернення за заданий період, оцінюючи їх за параметрами тональності, швидкості обробки, а також ефективності вирішення проблеми. На основі отриманих результатів система формує звіт із рекомендаціями щодо покращення роботи, класифікує звернення за типами, тощо.
Варіант реалізації цифрового рішення для оцінки якості звернень з NLP
Нижче розміщено можливий варіант блок-схеми програмного продукту, що використовує аналіз тональності та NLP для оцінки якості обробки звернень. Цей програмний продукт — модуль платформи контакт-центру, що інтегрований до бази даних платформи та може брати звідти аудіозаписи розмов та супутню інформацію про них.
Цей модуль платформи контакт-центру використовує технології NLP та аналіз тональності для оцінки якості обслуговування клієнтів на основі записів дзвінків та онлайн-чатів. Він отримує аудіофайли, транскрибти чатів та метадані з бази даних платформи, обробляє дані через транскрибування, токенізацію та очищення, проводить аналіз тональності та класифікує звернення за тональністю й темами. Модуль генерує ключові метрики, такі як час відповіді та якість вирішення питань, зберігає результати в базі даних та створює детальні звіти й інформаційні панелі для менеджерів, щоб оцінити ефективність і визначити напрями для покращення.
Модуль для оцінки якості обробки звернень може бути реалізований двома способами: із використанням зовнішніх ресурсів або повністю внутрішніми засобами.
У першому випадку можна інтегрувати зовнішні сервіси, такі як Google Cloud Speech-to-Text або IBM Watson, для транскрибування та аналізу тональності, а також використовувати хмарні платформи для обробки даних і аналітичні інструменти на зразок Tableau для звітності.
Внутрішня реалізація передбачає розробку власних NLP-алгоритмів, використання відкритих бібліотек для обробки аудіо, створення інтеграцій із внутрішніми CRM-системами та формування звітності через власну аналітику. Такий підхід забезпечує максимальну гнучкість і контроль над даними, але вимагає більше часу й ресурсів на розробку та підтримку.
Головною перевагою реалізації такої системи є повний контроль над інформацією та збереженням даних, що забезпечує максимальну конфіденційність і захист корпоративної інформації. Це дозволяє компанії уникати залежності від зовнішніх провайдерів, гарантувати відповідність внутрішнім стандартам безпеки та кастомізувати систему відповідно до специфічних бізнес-потреб, зберігаючи при цьому повний доступ і управління всіма процесами та даними.
Автоматизація IVR та маршрутизації дзвінків за допомогою технології NLP
Штучний інтелект та технологію NLP також можна використовувати для поглибленням автоматизації процесів надання першої відповіді клієнту з боку контакт-центру, вирішення його запиту ресурсами платформи цифрової платформ та спрямування звернення на потрібного оператора за потреби з’єднання.
Й мова йде саме про поглиблення автоматизації, адже на поточному етапі в більшості контакт-центрів ці процеси вже достатньо автоматизовані за рахунок використання технологій IVR (від англ. Interactive Voice Response, часто перекладається як «система голосових меню») та ACD (від англ. Automatic Call Distribution, «автоматичний розподіл дзвінків»).
Проте, дослідження показують, що розгалужені дерева IVR-меню досить негативно впливають на якість клієнтського сервісу. Тональні IVR-системи спричиняють низку проблем, серед яких складні та заплутані меню, утилітарний підхід до обслуговування та часто заплутаний дизайн користувацького інтерфейсу. Найбільш критичним наслідком використання традиційних IVR-меню є те, що клієнти почуваються ігнорованими. Згідно з результатами наукових досліджень, впровадження IVR-систем у контакт-центрах викликає у клієнтів роздратування та негативні емоції. І це не дивно, адже дерева IVR-меню можуть мати велику кількість розгалужень й опція з’єднання з оператором може бути «захована» на останніх цифрах DTMF-меню.
На малюнку вище демонструється приклад IVR-меню телекомунікаційної компанії. В даній реалізації, відтворення першого рівня дерева меню включає вступне відгалуження з закликом до завантаження мобільного додатку та 8 основних гілок дерева IVR, проте не передбачає прямого виходу на оператора. Відтворення вітального повідомлення та першого рівня меню займає 65 секунд, але, оскільки за цей час клієнт не отримує можливості з’єднатися з оператором, це може мати негативний вплив на клієнтський сервіс. Саме тому, виникає потреба в додатковій автоматизації, аби пришвидшити момент з’єднання клієнта з оператором, або пряме вирішення його питання завдяки комунікації з голосовим ботом з використанням технології NLP.
З використанням технології NLP, що можна вважати наступним кроком в еволюції IVR-меню та систем автоматичного розподілу дзвінків (ACD), алгоритм взаємодії клієнта з контактним-центром може виглядати так:
- Вхідний дзвінок клієнта до контакт-центру.
- Привітання з боку системи.
- Отримання запиту від клієнта.
- Обробка запиту.
- Маршрутизація дзвінка на основі обробки запиту.
- Надання консультації голосовим ботом (автоматизоване вирішення питання).
- З’єднання клієнта з оператором.
- Завершення обробки виклика.
Таким чином, автоматизована маршрутизація дзвінків з використанням технології NLP (Natural Language Processing) демонструє значну перевагу над традиційними системами IVR (Interactive Voice Response) та ACD (Automatic Call Distribution), оскільки суттєво спрощує взаємодію клієнта з голосовим каналом контакт-центру вже на початковому етапі.
Завдяки здатності розпізнавати та аналізувати природну мову, NLP як на етапі першої взаємодії та подальшої маршрутизації, забезпечує більш інтуїтивну та персоналізовану взаємодію з клієнтом, скорочуючи час на вибір опцій меню та мінімізуючи помилки маршрутизації. Це дозволяє не лише підвищити ефективність обслуговування, але й значно покращити клієнтський досвід, забезпечуючи швидке з’єднання з потрібним відділом або оператором, що є критично важливим для зростання рівня задоволеності клієнтів і оптимізації роботи контакт-центрів.
Використання технології NLP в голосових ботах та чат-ботах
В попередніх розділах я навів приклади використання NLP в контакт-центрах для поглиблення автоматизації певних процесів (оцінка якості звернень, виявлення потреб клієнтів та маршрутизація дзвінків), але не повної автоматизації роботи контакт-центру. Проте, як вже було було згадано, основну частину витрат контакт-центру становлять саме заробітні плати операторів (близько 60%) та підтримуючого персоналу (близько 20%). Тобто, найбільша економія витрат може бути досягнута саме прибравши максимально можливу кількість персоналу з контакт-центру, при цьому залишивши, або навіть підвищивши, рівень якості обслуговування. На даний час, використання голосових ботів та чат-ботів виглядає найбільш перспективним напрямком, який в перспективі дозволить реалізувати концепт «контакт-центру без операторів».
Вже зараз чат-боти та голосові боти на основі NLP (обробки природної мови) значно підвищують ефективність і природність взаємодії з клієнтами в контакт-центрах. Проте, ця технологія має безліч перспектив для подальшого розвитку. Розглянемо основні переваги та виклики використання даних технологічних рішень в контакт-центрах.
Переваги використання NLP ботів в контакт-центрі
Перш за все, використання будь-якої автоматизації в контакт-центрі – це суттєве заощадження коштів, й про це вже неодноразово було згадано раніше в цій статті. Проте, я вважаю за доцільне заглибитися в це питання та спробувати оцінити масштаби можливої економії. Відповідно до даних дослідження 2017 року, загальна вартість обробки всіх вхідних дзвінків до клієнтської підтримки складає 1,3 трильйони доларів США на рік, а загальна кількість таких дзвінків у Світі становить 265 мільярдів на рік.
Таким чином, автоматизація навіть невеликої частини взаємодій, які обробляють представники служби підтримки, може забезпечити значну економію коштів в світовому масштабі. Дослідники досить оптимістичні оцінці перспектив розвитку голосових ботів та чат ботів з використанням ШІ та вважають, що вони вже найближчим часом сприятимуть зниженню витрат на обслуговування клієнтів приблизно на 30%. Якщо говорити про загальносвітовий масштаб, то мова йде про суму приблизно в 390 мільярдів доларів США на рік.
Інверсори також високо оцінюють перспективи цієї технології, що додає вартості бізнесам, які використовують та розвивають голосові та чат-боти з NLP. Це є ще однією перевагою даної технології, оскільки ринок чат-ботів зі штучним інтелектом демонструє значне зростання. Згідно зі звітом Grand View Research, у 2022 році глобальний ринок чат-ботів оцінювався в 5,13 мільярда доларів США і, за прогнозами, зростатиме зі середньорічним темпом (CAGR) 23,3% у період з 2023 по 2030 роки. Інші джерела також підтверджують позитивну динаміку цього ринку
Згідно з даними MarketsandMarkets, обсяг ринку чат-ботів у 2023 році становив 5,4 мільярда доларів США, і очікується, що до 2028 року він досягне 15,5 мільярда доларів США, зі середньорічним темпом зростання 23,3%. Ці показники свідчать про зростаючу важливість і впровадження чат-ботів зі штучним інтелектом у різних галузях, що сприяє підвищенню ефективності обслуговування клієнтів та оптимізації бізнес-процесів.
Однією з ключових переваг ботів на основі NLP є їхня здатність точно розпізнавати наміри клієнтів, що є критично важливим для надання релевантної допомоги. Сучасні моделі, NLP моделі та алгоритми вже дозволяють розуміти не лише синтаксичну й семантичну структуру фраз, а й емоції та наміри клієнтів. Дослідження показують, що системи точного розпізнавання намірів можуть досягати точності відповідей понад 80%, що дозволяє ботам ефективно класифікувати та пріоритизувати запити, покращуючи швидкість і якість обслуговування.
Ще однією важливою перевагою ботів на основі NLP є їхня здатність надавати персоналізовану допомогу завдяки аналізу запитів клієнтів у режимі реального часу. Розпізнаючи шаблони та ключові слова, боти можуть рекомендувати рішення та пропонувати релевантний контент. Більш того, голосовий бот з використанням технології NLP може забезпечити абсолютно унікальний та неповторний клієнтський досвід – спілкування з визначеним «персональним помічником», набір параметрів якого (голос, стиль комунікації, рекомендації сервісів тощо).
Наразі, більшість компаній пропонують подібний сервіс лише для VIP-сегменту клієнтів, які зазвичай отримують персонального менеджера підтримки, але навіть він рідко буває доступним 24/7, завжди має гарний настрій та надає ідеальні консультації відповідно до всіх стандартів компанії. З розвитком технології ботів з використанням NLP клієнти будь-якого сегменту зможуть отримати вказаний рівень сервісу, або суттєво підвищити рівень обслуговування.
Ризики масового впровадження голосових та чат-ботів з NLP в контакт-центрах
Масове впровадження чат-ботів та голосових ботів із використанням технологій обробки природної мови (NLP) у контакт-центрах може спричинити значні ризики для безпеки та конфіденційності. Дослідження виявили, що такі системи можуть ненавмисно збирати та зберігати особисту інформацію користувачів без їхньої згоди, що підвищує ймовірність витоків даних та несанкціонованого доступу.
Крім того, кіберзлочинці активно націлюються на платформи з AI-агентами та розмовними AI, використовуючи вразливості в чат-ботах для здійснення атак. Саме тому, вже зараз деякі компанії орієнтуються на обмеження використання чат-ботів з NLP в чутливих сферах, а також бажають залишати персональні дані клієнтів на власних серверах та не ділитися ними з компаніями-розробниками цих програмних рішень.
Якість навчальних даних є критично важливою для ефективності NLP-моделей, що використовуються в чат-ботах та голосових ботах. Недостатня якість або наявність упереджень у навчальних даних можуть призвести до неправильного розуміння запитів користувачів та надання нерелевантних або навіть шкідливих відповідей. Дослідження підкреслюють, що якість, кількість та релевантність навчальних даних суттєво впливають на продуктивність чат-ботів.
Масове впровадження чат-ботів та голосових ботів із використанням технологій обробки природної мови (NLP) у контакт-центрах може спричинити значні етичні виклики. Одним із ключових питань є відсутність емоційного інтелекту у таких систем, що обмежує їх здатність належним чином реагувати на емоційно насичені запити користувачів. Це може призвести до ситуацій, коли автоматизовані відповіді не враховують емоційний стан клієнта, що негативно впливає на якість обслуговування та задоволеність користувачів.
Висновок
Таким чином, використання технології NLP в контактних центрах має значні перспективи, оскільки її масове впровадження призведе до суттєвої оптимізації ресурсів та витрат компаній по всьому Світу. Технологічно впровадження NLP в контакт-центрі можна розпочати з автоматизації певних процесів, серед яких може бути оцінка якості, навчання операторів чи покращена маршрутизація дзвінків. Проте, найбільша перспектива економії коштів лежить саме у використанні NLP голосових ботів та чат-ботів для повної заміни операторів контакт-центру, витрати на заробітну плату яких становлять близько 60% від вартості послуг контакт-центрів.
Оскільки ринок голосових ботів та чат-ботів у світі активно зростає, вже найближчим часом ми побачимо все ширше впровадження цих технологій та покращення їхнього функціоналу. Сучасні компанії мають слідкувати за трендами в цій індустрії та активно впроваджувати технології штучного інтелекту та NLP до власних процесів обслуговування клієнтів та відповідних програмних продуктів, аби не лишитися «за бортом» розвитку в найближчому майбутньому.
