Работа с обращениям – очень многогранный процесс, можно оказывать техподдержку клиентам компании, отвечать на обращения частных и юридических лиц в государственных учреждениях, сопровождать сотрудников организации, работающих с корпоративными системами. Но как бы четко ни были выстроены в компании процессы поддержки, в современных условиях они зачастую сталкиваются с серьезными вызовами, преодолеть которые можно с помощью инструментов интеллектуальной автоматизации. Подробнее – в экспертной колонке директора по развитию продуктов ROBIN и Robovoice компании SL Soft FabricaONE.AI Ивана Мельникова.

Предпосылки к автоматизации работы сервисных служб

Продукты и услуги компаний становятся всё более сложными и комплексными – соответственно, на обучение и онбординг сотрудника службы поддержки тратится много времени и средств, а учитывая высокую текучесть кадров это становится непрерывным, тяжелым процессом. При этом ответы на большинство типовых вопросов уже хранятся в корпоративных базах знаний, регламентах и инструкциях – для их получения достаточно просто найти нужный документ.

Другой серьезный вызов – расширение количества каналов коммуникаций между клиентами и сотрудниками поддержки: обращения могут поступать по телефону, электронной почте, в мессенджерах и социальных сетях, через веб-форму на сайте и по другим каналам. Каждый из них имеет свои особенности обработки поступающей информации, и компании сложно централизованно контролировать все источники, вести единую статистику обращений.

Наконец, бизнес сталкивается с риском невыполнения SLA по времени реагирования на заявку – например, если сотрудник по какой-то причине не вышел на работу (заболел, уволился и т. д.), а письма от клиентов приходят только на его рабочую почту. Актуальна такая проблема и для госучреждений, где установлены жесткие сроки ответа на обращение гражданина или юридического лица.

Эти факторы заставляют компании задумываться о смене подхода и более широкой автоматизации процессов поддержки. Цифровые решения на основе технологий роботизации и искусственного интеллекта позволяют оптимизировать все этапы обработки обращения – от его приема по любому каналу до мониторинга исполнения. Также они дают возможность встроить в этот процесс механизм самообслуживания (self-service), когда внешний или внутренний клиент поддержки может решить типовую проблему самостоятельно, руководствуясь подсказками системы.

Инструменты автоматизации могут быть встроены в уже существующий процесс. По сути, мы говорим о AI-бэкенде для имеющейся Service Desk системы, который добавляет AI-функции в действующий ландшафт. Пользователи работают в привычных интерфейсах, но часть функций берут на себя умные технологии.

Автоматизация обработки обращений

Технологии позволяют автоматизировать функции на любом этапе работы с обращениями, в зависимости от потребности и специфики процесса можно "собрать" автоматизацию под свои задачи.

Этап приема и классификации входящих обращений может включать в себя диалог оператора с клиентом в режиме онлайн либо заполнение заявки, которая обрабатывается и попадает исполнителю опосредовано. Первый сценарий характерен для любой службы Service Desk. В ходе звонка или текстового общения в чате оператор первой линии выясняет у клиента причину обращения, фиксирует заявку и уточняет информацию. Этот процесс можно автоматизировать посредством голосовых или текстовых AI-агентов, которые с помощью технологий LLM, распознавания и синтеза речи возьмут на себя перечисленные выше функции: проведут диалог с клиентом, зададут необходимые уточняющие вопросы, соберут всю информацию, зафиксируют в системе, и в случаях, когда вопрос типовой – сразу предоставят ответ.

Второй сценарий более свойственен госучреждениям и ведомствам. Обращение, зачастую оформленное по официально утвержденной форме, поступает на электронную почту или подается на официальном сайте организации. Как правило, оно содержит определенные обязательные атрибуты и вложенные файлы. Для первичной обработки таких обращений можно использовать программных роботов (RPA), которые могут, с одной стороны, взаимодействовать с любыми источниками информации, а с другой – интегрироваться с Service Desk, CRM, СЭД или любой другой программой для обработки документов. RPA в этом случае может взаимодействовать даже с теми системами и порталами, с которыми интеграция невозможна по разным причинам. На этом же этапе система на основе AI может автоматически классифицировать заявки, определить их тему, приоритет и другие атрибуты, необходимые для верной первичной классификации обращения.

Если обращение клиента оформлено в виде отсканированного документа, либо содержит вложения, их можно также обработать: классифицировать и извлечь атрибутивный состав. На этапе извлечения атрибутов и регистрации обращения используется целый стек технологий: программные роботы, оптическое распознавание символов (OCR), интеллектуальная обработка (IDP), большие языковые модели (LLM). С их помощью анализируется содержание обращения и его вложений, определяется суть запроса. Система может распознавать эмоциональный окрас и наличие определенной лексики. Из текста заявки или распознанного документа во вложении извлекаются такие атрибуты, как ФИО, контакты заявителя, а также более сложные сущности – например, наименование подразделения и указание имени конкретного исполнителя, на которого поступила жалоба.

В результате, автоматизированная система может принять обращение из любого источника (голосовой или текстовый), провести диалог при необходимости для уточнения информации, извлечь необходимый состав атрибутов и полей, четко зарегистрировать его в существующей системе и маршрутизировать на нужного специалиста. Тем самым организация минимизирует объем ручного труда на первой линии поддержки и значительно ускоряет обработку обращений.

Этап подготовки ответов на обращения также может быть автоматизирован. Интеллектуальная система уже проанализировала обращение, определила его тему и атрибутивный состав. Поэтому можно автоматически поискать ответ на вопрос в корпоративной базе знаний. Решение интеллектуального поиска используя технологии RAG (Retrieval-Augmented Generation) и полнотекстового поиска, может обратиться за информацией к корпоративной базе знаний, к инструкциям и регламентам, в облачные хранилища, а также к внутренним информационным системам – ERP, CRM, СЭД, кадровым и другим. Также для ответа на обращение зачастую требуется получить данные из системы, например, статус заказа – это можно реализовать через API или программным роботом.

Полученные из базы знаний и систем данные позволяют AI-ассистенту не только вести диалог с клиентом для уточнения проблемы, но и предоставить ответ. Оператор нужен только для решения сложных ситуаций, например, когда клиент хочет расторгнуть договор и вернуть денежные средства – то есть для вопросов, которые требуют индивидуального подхода.

Если регламентом организации предусмотрено, то вместо непосредственно прямого ответа клиенту система может подготовить шаблон ответа и отправить его на согласование специалисту. Это сокращает время, затрачиваемое на обработку вопроса.

Если в компании уже используется Service Desk система или трекер, то скорее всего там выстроен мониторинг и контроль исполнения сроков – ведь основная задача подобных систем контроль соблюдения SLA. Но на практике мы встречались с тем, что контроль показателей был настроен не полностью или настроенные показатели отличались от реальности. С помощью интеллектуальной автоматизации можно выстроить или дополнить и эту задачу. Система на базе RPA или генеративного AI интегрируется с существующим в организации инструментом совместной работы, будь то Service Desk, таск-трекер или любой другой сервис, – и участвует в мониторинге статусов заявок и сроков их выполнения. При обнаружении обращений с приближающимся дедлайном или долго находящихся без изменений система может отправить оповещение об этом, при возможности – перераспределить заявки на менее занятых сотрудников. Также она помогает при формировании отчетности в различных срезах и форматах о деятельности службы сервисной поддержки. При этом для работы с данными используется искусственный интеллект и не требуется доработка информационных систем – все можно получать программными роботами.

Self-Service с применением AI-ассистента

Отдельная важная функция AI-ассистента – поддержка сервиса самообслуживания для сотрудников. В чате, взаимодействуя с ассистентом на естественном языке, можно решить рабочие задачи, не обращаясь к специалистам соответствующих служб. Например, оформить отпуск, заказать справку, получить доступ к информационной системе или почте, сменить пароль, сформировать отчет и запустить другие автоматизации в контуре компании. При этом сотрудникам могут быть доступны разные возможности – в зависимости от выстроенной ролевой модели.

Такого же ассистента можно создать для внешних пользователей. Клиенты с его помощью будут получать ответы на вопросы, информация о которых есть в базе знаний: полную информацию о продукте, инструкции по применению, видеоуроки и презентации, правила оформления заказа, адреса филиалов компании и многое другое.

Новый уровень качества сервисной поддержки

Программные роботы, выполняющие рутинные или требующие регламентации задачи, и AI-технологии для обработки неструктурированных данных, распознавания речи и текста, поиска информации в неструктурированных источниках – эти инструменты могут достаточно быстро внедряться поверх существующего ИТ-ландшафта компании, встраиваясь в действующий процесс обработки обращений, и донастраиваться в low-code/no-code редакторе. Результатом станет повышение эффективности службы поддержки и качества обслуживания клиентов.

Применение AI-ассистента позволяет практически полностью автоматизировать операции по категоризации обращений, извлечению сущностей и атрибутов, а также регистрации. Поскольку большая часть заявок в поддержку, как правило, типовые, система может проводить качественную консультацию по вопросам, ответы на которые есть в корпоративной базе знаний. При более сложных запросах AI-ассистент, по опыту наших проектов, выполняет маршрутизацию обращений на нужного специалиста с точностью 95%.

Сочетание программных роботов и AI-ассистентов значительно снижает нагрузку на службу поддержки без потери качества. Благодаря их использованию повышается скорость обработки и выполнения заявок, и, как следствие, – качество обслуживания и лояльность клиентов. И что немаловажно – все вышеописанное не требует глобальной перестройки процессов и внедрения нового Service Desk, а идеально встраивается в текущий ландшафт и работает с уже имеющимися инструментами, дополняя их и обогащая искусственным интеллектом.