Почему большинство систем голосовой автоматизации в колл-центрах не оправдывают ожиданий

В сфере голосовой автоматизации колл-центров сформировалась устойчивая закономерность, которая рискует перерасти в серьезную проблему. Несмотря на то что распознавание речи и разговорные интерфейсы улучшились, базовая операционная модель осталась практически неизменной.

В этой статье мы разберем, почему большинство систем голосовой автоматизации не справляются с возложенными на них задачами и как исправить эту ситуацию.

Проблемы данной сферы

Несовершенная инфраструктура голосовых технологий

Большинство систем по-прежнему оптимизируются для того, чтобы повысить эффективность маршрутизации, а не улучшить качество обработки входящих запросов. Это структурное ограничение особенно заметно в типе обращений, затрагивающем работу службы поддержки и управление цепочкой поставок: «Где мой заказ?» (Where Is My Order — WISMO).

Несмотря на инвестиции в автоматизацию, объем этих обращений по-прежнему сложно контролировать. Проблема не в зрелости голосовых технологий, а в сопутствующей системной архитектуре. Использование моделей, ориентированных преимущественно на маршрутизацию, является главной структурной ошибкой, препятствующей прогрессу.

Когда автоматизация может только сообщать статус заказа, эскалация неизбежна

WISMO часто воспринимают как простой информационный запрос. Клиент хочет узнать, когда прибудет его заказ. На практике такая трактовка ведет к тому, что проблема серьезно недооценивается.

В данном случае WISMO следует рассматривать не как тип обращения, а как сигнал о нарушении информационного обмена на раннем этапе взаимодействия.

Покупатели редко звонят ради того, чтобы им повторно сообщили дату доставки. Они звонят, чтобы понять, устраивает ли их первоначальный вариант, и если нет — есть ли альтернативы. Когда автоматизация способна только повторять статус, но не помогает потребителю принять решение, эскалация становится неизбежной.

Три структурных фактора, которые увеличивают затраты при обработке WISMO-обращений:

• Повторные запросы — затраты на обработку быстро растут, когда клиенты снова звонят в call центр после нерешенных вопросов.
• Текучесть кадров — однообразие таких обращений усиливает усталость сотрудников, снижая вовлеченность и качество работы.
• Проблемы обработки данных — система предоставляет информацию, но не помогает принять решение, из-за чего запрос переводится на оператора, а стоимость его обработки увеличивается.

Большинство систем не могут объяснить, почему изменяется статус заказа

Системы голосовой автоматизации опираются на платформы, ориентированные на обработку заказов. Они хорошо отвечают на вопросы о доставке.

Но распространенная проблема заключается в том, что они не могут:

• Понятно объяснить причины изменения условий выполнения заказа, например, срока поставки;
• Предложить способы решения сложившейся ситуации.

Когда доставка задерживается, сроки сдвигаются или информация в трекинге перестает обновляться, причину обычно невозможно определить только по записи о заказе. Необходимая информация содержится в операционных системах, которые отражают реальную картину выполнения заявки, а не исходный план.

Автоматизация, ориентированная на заказ, может прогнозировать срок или статус выполнения доставки, но она не помогает клиенту принимать решения, если появляются новые обстоятельства.

Без доступа к контексту невозможно принимать решения

Информация, которая нужна покупателям для принятия решений, содержится в операционных данных, таких как:

• Отклонения в процессе выполнения заказа;
• Логистические ограничения;
• События, связанные с работой перевозчика;
• Ограничения внутренней политики и правил.

В результате потребители напрямую обращаются к операторам, которым приходится вручную воссоздавать полный контекст. На этом этапе компания рискует понести дополнительные временные и финансовые затраты, а также потерять доверие аудитории.

Варианты решений

Context-First Resolution Framework переориентирует процесс на поддержку принятия решений

Context-First Resolution Framework — модель решения вопросов с учетом контекста. Это архитектура рабочего процесса, которая смещает фокус автоматизации с повышения эффективности маршрутизации на поддержку принятия решений.

В рамках этой модели голосовой ИИ обрабатывает большой объем срочных запросов, определяет намерение клиента и получает необходимые операционные данные. Важно отметить, что голосовой ИИ прекращает автоматическую обработку в тот момент, когда необходимо принять решение или выбрать один из вариантов.

Нужно не ускорять маршрутизацию, а повышать качество решений

В центре этой системы лежит Multimodal Context Engine — мультимодальный контекстный механизм. Он функционирует как единый слой, сохраняющий взаимосвязь между намерениями потребителя и операционной реальностью. В отличие от традиционных омниканальных схем, где контекст часто теряется при передаче обращения, такой подход обеспечивает непрерывность.

Отраслевые исследования показывают, что организации все чаще перепроектируют клиентские пути так, чтобы контекст непрерывно передавался между ИИ-системами и сотрудниками. Результат — не ускорение маршрутизации, а повышение эффективности принимаемых решений.

При эскалации оператор получает не сырые данные, а информацию для обработки запроса

Рассмотрим схему принятия решения на конкретном примере. Представим ситуацию: доставка товара задерживается из-за того, что груз не был отправлен в запланированный срок.

• Информационный этап — голосовой ИИ идентифицирует заказ и объясняет клиенту, почему доставка задерживается. Если абонент соглашается с новой датой, взаимодействие завершается.
• Этап принятия решения — если покупатель не согласен с новой датой поставки, система переходит к этапу эскалации.
• Сохранение контекста — система оценивает допустимые альтернативы еще до того, как обращение попадет к сотруднику.

При эскалации оператор получает не сырые данные, а контекст, уже подготовленный для обработки запроса. Это меняет подход к предоставлению помощи и подсказок персоналу: работа сотрудника переходит от поиска информации к реализации решений.

Организации, не устранившие контекстный разрыв, столкнутся с застоем на этапе маршрутизации

По прогнозам исследований, внедрение разговорного ИИ может сократить затраты на оплату труда персонала. Однако эти выгоды не удастся получить только за счет интеграции голосовых интерфейсов.

Организации, которые не смогут устранить контекстный разрыв, столкнутся с тем, что автоматизация застопорится на этапе маршрутизации, так и не перейдя на этап решения.

WISMO — это не проблема, которую нужно игнорировать

По мере развития корпоративного ИИ граница между работой контакт центра и выполнением логистических операций будет размываться. WISMO находится на пересечении этих процессов.

В рамках подхода Context-First Resolution Framework WISMO рассматривается не как проблема объема обращений, которую нужно обойти, а как координационная задача, которую нужно решать с помощью единого интеллектуального слоя. В совокупности голосовой ИИ, мультимодальный контекст и человеческая экспертиза позволяют эффективно решать проблему WISMO.

Подготовлено на основании статьи: Call Center Helper. «Why Most Voice Automation Systems Are Falling Short Right Now» (Почему большинство систем голосовой автоматизации в настоящее время не оправдывают ожиданий).