Умный AI бот для клиентского сервиса службы курьерской доставки и поддержки работы курьеров

Кейс: чат-бот для курьерской доставки и поддержки курьеров

ЗАКАЗЧИК: 

ООО «Курьерист» - курьерская служба, осуществляющая доставки заказов по г. Москва и РФ.  

ПРОБЛЕМА: 

Ограничения в масштабировании бизнеса: 

• ожидается рост бизнеса в 5 раз за 3 месяца по количеству заказов; 

• большая доля коммуникаций в текстовых каналах с клиентами и курьерами; 
• необходим найм и обучение операторов КЦ для коммуникаций в текстовых каналах через систему Omnidesk.  

Неэффективное общение с курьерами: 

• высокая нагрузка на операторов; 

• долгое время на решение проблем, возникающих на маршруте; 
• большое количество холостых пробегов курьеров; 

Неэффективное общение с клиентами:  

• низкая скорость реакции на обращения (SLA); 

• долгое закрытие обращений; 
• низкий уровень качества клиентского сервиса (CSAT / CSI). 

БИЗНЕС-ЗАДАЧИ: 

• Решить проблему с масштабированием бизнеса. Узкое место - контакт-центр (КЦ); 
• Снизить нагрузку на колл-центр за счет предоставления возможности курьерам и клиентам получать ответы на часто задаваемые вопросы 24/7;  
• Повысить скорость реакции на обращения (SLA); 
• Сократить время на обработку обращения курьеров и клиентов (Time-to-ticket resolution); 
• Повысить производительность операторов за счет увеличения количества обращений на 1 оператора; 
• Повысить удовлетворенность курьеров и клиентов(eNPS); 
• Сократить затраты на КЦ.      

РЕШЕНИЕ: 

• NLU бот с подробными и пошаговыми инструкциями для частых рабочих ситуаций курьера с уточнениями и сбором и передачей информации в случае необходимости подключения оператора;
• NLU бот для обработки обращений клиентов и маршрутизации на операторов с предварительным сбором контекста. 

ИСПОЛЬЗУЕМУЕ ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ: 

ЧАТ-ПЛАТФОРМА: Omnidesk

КОНЕЧНЫЕ КАНАЛЫ: Telegram

ЧАТ-БОТ ПЛАТФОРМА: Chatme.ai Conversaional Platform

ПРОЕКТ: 

СРОКИ ВЫПОЛНЕНИЯ ПРОЕКТА: Август, 2021 - Январь, 2022

МАСШТАБ ПРОЕКТА: 160 человеко-часов

СЛОЖНОСТЬ ПРОЕКТА: малое количество данных для обучения NLU, специфика общения курьеров и опечатки, интеграция без дополнительных сервисов, а через стандартные инструменты платформы Chatme.ai с Omnidesk (без доработок) благодаря билдеру интеграций (внутренний RPA платформы).  

ФУНКЦИОНАЛЬНОСТЬ / РАБОТА БОТА: 

• консультации курьеров и клиентов по более чем 150 вопросам; 
• сокращение холостых пробегов курьеров (отрицательного сбора или доставки)
• равномерное распределение потока входящих обращений
• возможность масштабировать и развивать предлагаемое решение (формирование клиентского бота)
• консультации клиентов в рамках обработки входящих обращений по типовым запросам;   

РЕЗУЛЬТАТЫ: 

ТОЧНОСТЬ РАСПОЗНАВАНИЯ NLU: 75%

SELF-SERVICE RATE: 55% 

РЕАЛИЗАЦИЯ: 

Заказчик предоставил выгрузку диалогов для кластеризации на 1100 строк, чатсь данных пришлось собирать с раздела сайта “Памятка Курьера”. Параллельно был запущен процесс аналитики на изучение интеграции с Omnidesk.

Файл от заказчика для кластеризации не подходил стандарт инструмента кластеризации, так как формат выгрузки данных из Omnidesk нестандартный. Пришлось делать кластеризацию и разметку диалогов вручную. На основе кластеризации выделилось около 80 интентов, 20 из них были с дальнейшим сценарием после ответа бота на интент.
После изучения интеграции с Omnidesk выяснилось, что ответы бота на интенты и перевод на оператора осуществляются полностью через внешние запросы по API Omnidesk. Для сокращения ресурсов на сборку бота было решено использовать сервис справочников 2.0 платформы Chatme.ai для того, чтобы сохранять ответ бота и отправлять его одним запросом. Таким образом, после распознавания реплики курьера все ветки с помощью слота Jump шли в одну.

Был проведен тест на отправку ответа бота и перевод на оператора на тестовом аккаунте Omnidesk и последующий вывод бота в продакшн. Мы начали с 10% трафика на бота, постепенно увеличивая долю обращений для обработки ботом.

После получения первых продуктовых результатов стало ясно, что представленная выборка была мала и нерепрезентативна. Выделенные интенты не соответствуют реальным намерениям собеседников. Точность распознавания - 30%. В результате были собраны дополнительные интенты в размере 80 штук. Решено было провести работу над наполнением обучающей выборки для новых интентов, также анализируя сами намерения, объединяя похожие и удаляя одинаковые. Провели перезапуск. Всего в боте стало 130 интентов. Пошел процесс дообучения “на лету”. Мы размечали нераспознанные обращения и соотносили их с базой интентов, переобучая бота.

По итогу, корректное распознавание дошло до 40-50%, но селф-сервис был на уровне 25-30%, так как нераспознанные обращения отправлялись сразу оператору в работу, а также основной поток намерений курьеров по сценарию также переводился на операторов. Решение - перегруппировка интентов и более тщательная работа над контентом ответов бота. После рефакторинга мы получили нужные метрики. 

Мы начали работу над вторым ботом для клиентов. Наша задача была наполнить выборку обучающими фразами по сформированной базе интентов. Интентов было всего  30, поэтому мы спустя месяц уже запустили бота в продакшн и быстро получили хорошие метрики.

После проведенного рефакторинга курьерского бота и дообучения клиентского бота в части NLU результаты обоих ботов: 1) селф-сервис дошел более чем 50%, 2)  корректное распознавание до 80%.