14 способов, как использовать искусственный интеллект для улучшения обслуживания клиентов — часть 1
Искусственный интеллект (ИИ) широко используется в контакт-центрах, оптимизируя индустрию коммуникации с аудиторией. Эта область динамично развивается, предоставляя все больше инструментов для обслуживания потребителей.
Предлагаем вам ознакомиться с примерами того, как можно применять интеллектуальные системы для оптимизации работы и улучшения качества клиентского сервиса.
1 – 7 способы использования интеллектуальных технологий
1. Разумное планирование рабочих смен
С помощью ботов можно оптимизировать планирование рабочего графика персонала. Например, автоматически формировать запросы от сотрудников на рабочие часы, утверждать смены или отгулы.
Боты можно использовать в диалоговых чатах, чтобы быстро сообщать подчиненным о появлении сверхурочной работы, грамотно распределять загрузку. Это поможет создать баланс между производительностью и оптимальной нагрузкой на персонал.
Так же инструменты ИИ будут полезны для руководителей команд. Они могут автоматически отслеживать и обрабатывать кадровые данные, а затем составлять интеллектуальные решения по планированию. Руководители освобождаются от рутинного, утомительного сбора информации, могут продуктивно планировать загрузку подчиненных. Получив структурированные сведения, менеджеры могут понять, кто из работников должен уйти раньше, а кто готов взять дополнительные часы. Таким образом ИИ помогает создавать графики и смены, которые повышают вовлеченность, производительность персонала.
2. Прогнозирование будущих моделей
Система предиктивной аналитики объединяет речевую аналитику и искусственный интеллект. Она применяет машинное обучение на основе ИИ, чтобы найти способы решать задачи call-центра и предвидеть потребности клиентов.
Компания может внедрить машинное обучение, чтобы повысить рейтинг NPS. Например, система будет анализировать настроение абонентов, отслеживая различные контакты. На основе этого анализа она предоставит данные, с помощью которых можно прогнозировать вероятные модели поведения аудитории и результаты будущих взаимодействий. Опираясь на эти сведения, руководители смогут планировать упреждающие действия, чтобы улучшить качество обслуживания и повысить удовлетворенность клиентов.
Представим ситуацию: 75 потребителей из 123 удовлетворены сервисом. Вместо того чтобы надеяться на такой же позитивный результат с остальными 48 покупателями, компания может создать действенные методы работы, опираясь на результаты машинного обучения.
3. Улучшение эскалации звонков
У абонентов всегда должна быть возможность прервать взаимодействие с автоматическими системами в удобный для них момент. Чтобы на любом этапе автоматической обработки контактов или использования инструментов самообслуживания потребители могли связаться с операторами. При этом сотрудники должны получать полную историю взаимодействия, чтобы клиентам не пришлось повторять одну и ту же информацию несколько раз.
Такая автоматизация стала доступной благодаря расширенным возможностям обработки данных. Информация из IVR или чат-ботов может передаваться операторам через интеллектуальные приложения.
Представим ситуацию: покупатель использует инструмент чат-бота или IVR, чтобы ввести данные и получить страховое предложение, но затем покидает чат. Система автоматически отслеживает это действие и высылает пользователю уведомление, предлагая пообщаться с оператором. Если клиент соглашается на звонок, информация, собранная ранее чат-ботом или IVR, автоматически отправляется сотруднику контакт-центра. Имея эти данные, оператор сохранит драгоценное время и не будет задавать повторно одни и те же вопросы.
4. Улучшение маршрутизации обращений
Машинное обучение и прогностическое моделирование выводят маршрутизацию обращений на новый уровень. Теперь при распределении звонков учитываются не только навыки и квалификация сотрудников, которые разделены по соответствующим группам. Система будет соединять абонентов со специалистами, основываясь на ряде факторов, среди которых, например, могут быть:
- Личный опыт потребителей.
- Предпочтительный опыт специалистов.
- Производительность операторов по целевым KPI.
Эта технология принесет пользу как клиентам, так и операторам. Первые получат более качественное обслуживание, общаясь со специалистами, которые их действительно понимают и могут предоставить наилучшую помощь. Операторы, в свою очередь, будут больше удовлетворены условиями работы, их производительность повысится естественным образом.
5. Создание чат-ботов, понимающих намерения клиентов
Чат-боты подходят для решения простых, транзакционных запросов. Но они не могут справиться со сложными вопросами потребителей.
По крайней мере так было до недавнего времени. Сейчас ситуация постепенно меняется. Новые модели чат-ботов становятся более интеллектуальными благодаря встраиваемой функции «распознавания намерений». Она позволяет ботам лучше понимать, что говорят абоненты, и отвечать более подробно, точно.
Современные чат-боты могут собирать важную информацию от клиентов колл-центра и делиться ею с сотрудниками. Главное — обучить умных ассистентов корректно распознавать намерения пользователей. В результате чат-боты с функцией «распознавания намерений» смогут расшифровать суть любого вопроса, как бы он ни был сформулирован.
6. Сбор информации с помощью анализа изображений
Порой изображение может описать проблему лучше, чем слова. Рассмотрим, например, иск по страхованию автомобиля. Целесообразнее отправить компании фотографию поврежденного авто, чем пытаться описать проблему словами в переписке или телефонном разговоре.
Технология искусственного интеллекта с каждым годом все лучше анализирует изображения, и функция «компьютерного зрения» — следующий шаг этой эволюции. С помощью такого интеллектуального решения пользователи могут отправлять изображения со своих смартфонов напрямую виртуальным ассистентам.
Представим ситуацию: покупателю попался бракованный или сломанный товар. Он отправляет фотографию продукта, например, в чат. Программное обеспечение на базе ИИ идентифицирует модель товара по изображению. Система высылает пользователю информацию об условиях гарантии или сообщает, какие действия он может совершить, чтобы устранить неполадку самостоятельно или обратившись в сервисный центр.
Данная функция предоставляет покупателям удобный вариант самообслуживания. При этом сотрудникам необязательно участвовать в общении с потребителями.
7. Количественная оценка эмоций клиентов
Понимание естественной речи (NLU) выходит за рамки традиционной речевой аналитики. Эта функция позволяет интеллектуальным ассистентам интерпретировать настроение и намерения абонентов, распознавать эмоции и отслеживать их интенсивность.
Этот инструмент совершенствуется благодаря анализу миллионов взаимодействий с клиентами в различных отраслях. Все для того, чтобы получить наиболее точные результаты, предложить компаниям улучшенные возможности для успешного взаимодействия с аудиторией.
NLU можно применять для того, чтобы:
- Распределять по приоритетам контакты, которые отличаются высокой эмоциональностью. Такие обращения лучше направлять на операторов, которые умеют демонстрировать сопереживание.
- Создавать списки абонентов, чьи взаимодействия по показателю «настроение» находятся ниже определенного порога. Такие потребители отмечаются как кандидаты на отток. Для них необходимо настраивать упреждающую программу для восстановления обслуживания, которая поможет повысить их лояльность.
- Определять основные драйверы контактов, которые помогут понять, почему клиенты обращаются в компанию. Используя эту информацию, можно формировать ресурсы и действия, которые помогут устранить причины этих драйверов.
В следующей статье мы опишем еще 7 способов, как применять интеллектуальные технологии для организации работы колл центра, а также дадим бонус-совет по оптимизации пользовательского интерфейса.
Подготовлено на основании статьи: Call Center Helper. «14 New Uses for AI to Improve Your Customer Service» (14 новых способов использования ИИ для улучшения обслуживания клиентов).