Знакомьтесь с ИИ-консультантом М*. На исходящих звонках она получает на 7,5% больше клиентов, заинтересованных в продолжении диалога, в сравнении с сотрудником на аутсорсе и на 11,9% больше в сравнении со стандартной автоматизацией. При этом расходы на одну продажу на сравнимых по качеству базах в 1,5 раза ниже, чем в сравнении с аутсорсингом, и на 30% ниже, чем с использованием людей. Это не реклама, я не делаю роботов на заказ, это кейс банка. Не все примеры использования нейросетей настолько же успешны и не во все нужно одинаково вкладываться. Да и М* при малом объеме работ серьезной экономии не даст. Но кое-что нужно сделать обязательно.
Я занимаюсь развитием информационных технологий, поэтому в кейсах из своего опыта буду немного касаться технической части, инструментов и технологий. Уверен, что этот опыт актуален для многих организаций.
На рынке существуют различные варианты применения нейросетей для решения необычных задач, от речевой аналитики и работы чатботов, расчета оптимального использования парка инкассаторских машин и прогнозирования загрузки банкоматов наличностью, до прогнозирования оттока клиентов в банковских продуктах. Но я хочу рассказать об автоматизации, которая исходит из задач продаж услуг.
Почему сначала нужно заняться продажами
Успех нового банковского продукта зависит от качества коммуникации с аудиторией. Нужно доносить новую информацию до потенциальных клиентов и расширять их круг, при этом другие продукты тоже нужно продавать. Соответственно, у банка возникает выбор, либо расширять свои колл-центры, либо фокусироваться на автоматизации и роботизации. В рамках рассматриваемого примера банк выбрал второй путь. Возможности по расширению собственного колл-центра были в значительной степени исчерпаны, кроме того было важно иметь возможность временного усиления под те или иные задачи, а для колл-центра это значило бы неравномерную нагрузку.
В рамках автоматизации были реализованы два крупных проекта с применением нейросетей: голосовые помощники для исходящих и входящих вызовов.
Кроме того, перед банком стояла задача ускорения обработки документов, получаемых от клиентов при продажах банковских продуктов. Эта задача также решалась с помощью нейронных сетей и машинного обучения.
Это стандартные кейсы, которые точно будут актуальны для финансовых организаций. Не забывайте при этом, что если вы небольшой банк, вам роботизация может быть не только не полезна, но и вредна, такие проекты требуют значительных инвестиций, которые могут просто не отбиться на маленьком масштабе.
Совет: расчет экономической целесообразности внедрения в полной мере актуален для таких новых технологий, как нейронные сети. Лицензии, оборудование, и, в ряде случаев, трафик, который вы будете передавать в решение поставщика, стоят денег. Зачастую экономия от сокращения или реаллокации персонала на другие задачи, которая вследствие этого возникает, не окупает общие вложения. Обязательно считайте TCO, притом на горизонте
Помощники и консультанты: с ИИ и без
Голосовые помощники использовались в банке на входящих и исходящих звонках.
Голосовой помощник Р* решал задачу оптимизации ресурсов колл-центра и повышения удовлетворенности клиентов. Он распознавал речь клиента, отвечал на типовые вопросы, при необходимости переводил на нужного оператора или в интерактивное чат-меню ICM, которое позволяет получить информацию без регистрации и скачивания приложения банка.
На момент написания статьи удалось автоматизировать около 40% обращений, при этом удовлетворенность клиентов улучшилась на 20% относительно использования стандартных средств интерактивного голосового меню IVR, а стоимость обслуживания с использованием робота на 12% ниже, чем при работе живых операторов. Но! Стоит отметить, что та же удовлетворенность клиентов была ниже на 20%, нежели при общении клиентов с живыми операторами.
Консультант М*, с которой я начал рассказ, решала более сложную задачу по автоматизации этапов презентации продукта с последующим переключением на оператора. В процессе тестировался как обычный скрипт с полной автоматизацией, так и вариант с использованием ИИ-технологий (нейронные сети). Второй вариант оказался предпочтительнее. При этом были использованы следующие инструменты обработки естественного языка:
- Классификация смыслов в текстах.
- Распознавание речи.
- Автоматизация построения скрипта разговора.
Основным преимуществом использования варианта с нейронной сетью стала возможность подстройки под ответы клиента (зачастую, он не мог распознать робота и вел общение, как с живым человеком), а также возможность работы с базовыми возражениями («у меня уже есть карта», «мне не особо нужен кредит» и пр.)
Консультант М* оказалась дешевле сотрудников и получила больше заинтересованных клиентов. Окупаемость проекта составила менее полутора лет.
В отдельных сегментах через консультанта М* сейчас осуществляется 55% продаж, за счет чего удалось значительно увеличить обработку новых баз без роста численности колл-центра.
Чтобы внедрить аналогичный проект, вам нужно соблюсти условия:
- наличие квалифицированных специалистов контакт-центра, готовых участвовать в роботизации;
- наличие хорошо структурированной базы записей разговоров для быстрой подготовки обучающих и контрольных выборок;
- гибкость подрядчика и готовность оперативно реагировать на изменения, так как процесс отладки скриптов требует много экспериментов и итераций;
- наличие инструментария для написания скриптов, а также возможности перенять экспертизу в написании скриптов со стороны сотрудников банка.
Совет: помните, что не все решатся за счет ИТ, не надейтесь, что нейросети сами все решат. Отсутствие заранее подготовленных структурированных баз записей разговоров крайне сильно замедлят прогресс и обучение сети. Ни простой конструктор для создания скриптов, ни сложные инструменты обработки естественного языка сами по себе не работают. Этап настройки все равно потребует времени специалистов и руководителей колл-центра — запланируйте его.
Распознавание документов
Второй проект в русле автоматизации — распознавание документов.
Один из продуктов банка — потребительские кредиты, которые выдаются в магазинах. Для них большое значение имеет скорость одобрения. Причем это важно как для клиентов, так и для партнёров, потому что их время тоже стоит денег. Чтобы ускориться, нужно исключить человека из процесса обработки документов.
Сначала банком был приобретен сторонний продукт, но удовлетворительный процент автоматических авторизаций (автораспознавания документов без вмешательства оператора) получен не был. Тогда базовое коробочное решение было дополнено собственным OCR-решением на основе машинного обучения и с использованием Open Source-библиотек. Интеграция выполнена на .NET:
- YOLOv3 делает сегментацию (определение областей паспорта);
- OpenCV от Intel занимается очисткой;
- Tesseract распознает символы;
- SymSpell работает с частотным словарем.
На создание решения потребовалось несколько месяцев, большую часть работы сделал один человек. Число автоматических авторизаций увеличилось с 31 до 82%. А время распознавания снизилось более чем в два раза (с 11 до 5 секунд).
Процесс продолжается, идет непрерывная работа над оптимизацией алгоритмов, чтобы приблизиться к 100%-ому распознаванию. В планах — другие документы больших форматов, со сложными шрифтами и лексикой.
Безусловно, автораспознавание документов — уже один из стандартных бизнес-кейсов на рынке, где каждый разработчик решения бравирует цифрами от 85 до 95% распознавания. Нюанс состоит в том, что 85 и более процентов распознанного текста не означает автоавторизацию (например в каждом вашем документе будут попадаться нераспознанные символы), что, в свою очередь, приведет к низкой эффективности такой автоматизации.
В любом случае, перед тем, как напрягать собственную разработку, стоит провести пилоты с имеющимися на рынке решениями на вашей конкретной базе документов и ваших процессах, оценивая качество результата, уровень поддержки, удобство интеграции, стоимость (обычно оплата идет за каждый документ, проведенный через коробочное решение).
Совет: будьте готовы к тому, что вы не добьетесь ожидаемого от автоматизации эффекта с первого раза. Как показывает опыт, порой приходится перепробовать несколько решений разной степени готовности, и в итоге все равно кастомизировать его своими доработками.
Подводные камни внедрения ИИ в организациях
Нейросети в составе программных продуктов помогают решают бизнес-задачи, но зачастую такие внедрения сопровождаются целым рядом проблем, которые стоит обозначить.
- Сопротивление. Внедрение любых роботов воспринимается болезненно теми подразделениями, где они внедряются, что вызывает скрытое или открытое сопротивление.
Варианты решения: самый простой для организации, но не всегда реальный, — работать в парадигме «мы не сокращаем людей, мы их используем для более сложных задач». Ровно так была решена проблема в вышеприведенном примере. Сотрудники, высвободившиеся с простых продаж и консультаций, были дообучены и переключены на продажи более сложных продуктов, например, инвестиционных предложений.
Однако порой так сделать невозможно, в этом случае единственный способ быстрого внедрения роботов — жесткие KPI именно на количество сокращаемых сотрудников. В этом случае и ИТ, и руководители сокращаемых подразделений сосредотачиваются на одной общей цели и находят соответствующие средства автоматизации. - Непрозрачность. В целом, сохраняется настороженность к результатам, полученным в результате использования нейросетей. Классический вопрос от бизнеса: «Объясните нам в деталях, как система дала такой ответ и почему пришла к таким выводам». Это, зачастую, скрытая форма сопротивления, так как объяснить, как был получен каждый конкретный ответ нейросетью — невозможно.
Варианты решения: самое простое, на начальном этапе сформировать доверие за счет решения нейросетью понятных задач с точечной проверкой результатов. Однако зачастую, этого недостаточно для бизнеса. Тогда правильным будет внедрение дополнительных контрольных метрик, на базе которых результат работы нейросети будет дальше передаваться либо оператору, либо идти дальше напрямую в обработку (зеленый/красный коридоры). По мере наработки успешной практики зеленый коридор расширять, а красный, соответственно, сокращать. - Экономическая эффективность. Зачастую проекты роботизации с использованием нейронных сетей внедряются либо вообще без расчета реальной экономической эффективности («чтоб было как у других»), либо с отсутствием пост-контроля реального достижения заявленных эффектов.
Варианты решения: тут нет каких-либо «ноу-хау»; расчет бизнес-кейса, а также пост-контроль достижения ожидавшихся эффектов должны быть обязательными процедурами для каждого кейса внедрения. При этом стоит понимать, что зачастую такие технологии окупаются только на эффекте масштаба (т. е. на группе процессов), тогда стоит потратить время на пилот и экстраполировать результаты роботизации одного процесса на всю группу, так как полноценный анализ уже по всей группе процессов сам по себе потянет на проект.
Также важно учитывать косвенные эффекты. Как упоминалось выше, внедрение робота Р* роняло лояльность клиентов банка, несмотря на достижение экономического эффекта. Если ваша цель наоборот повышение лояльности, то, возможно, те же роботы-консультанты совсем не для вас.
Каковы бы ни были технические и организационные сложности, автоматизацию и использование нейронных сетей точно не остановить. Нужно лишь найти свою оптимальную конфигурацию.
