20016

Голосовой робот Олег для общения с клиентами

Февраль, 2020 год.

Автоматизация колл-центра Тинькофф с помощью технологий глубокого обучения.

Финансы ИТ Маркетинг Клиентский сервис Снижение расходов Рост производительности Повышение качества Крупный бизнес Собственная разработка NLP Data analysis

Какую проблему решали

К началу 2020 года экосистема Тинькофф насчитывала почти 10 млн клиентов – физических и юридических лиц. Количество клиентов увеличивалось в среднем на 250 тыс. ежемесячно.

В колл-центр компании за день поступало 50-60 тыс. звонков, которые принимали и обрабатывали операторы – 10 тыс. специалистов из разных городов России. На их обучение и информирование уходило большое количество ресурсов.

С ростом клиентской базы увеличивалось количество обращений, и клиенту приходилось ждать, пока свободный оператор возьмет трубку. Альтернативой увеличению штата сотрудников стала автоматизация колл-центра.

Решение проблемы

Команда Тинькофф разработала голосового робота Олега, который принимает более 80% входящих звонков вместо операторов колл-центра.

Робот моментально переводит запрос клиента в текст и анализирует его, определяя тематику обращения. В случае необходимости задает уточняющие вопросы.

Олег самостоятельно обрабатывает порядка 80 сценариев запросов, закрывая 10% обращений без участия операторов. Если робот не может сам ответить на вопрос, он моментально подбирает подходящего оператора и переводит звонок на него.

Применяемые технологии

В решении использованы собственные речевые технологии Тинькофф VoiceKit, в основе которых — глубокие нейросетевые модели для синтеза и распознавания речи. С их помощью во время звонка клиента робот переводит аудио в текст, а ответы из скрипта на выходе синтезируются из текста в аудио.

Использованы алгоритмы:

LSTM — в задачах классификации и выделения сущностей;
LDA и K-means — для кластеризации и выделения новых тематик;
Logistic regression — для простых задач классификации;
ELMO, BERT — алгоритмы для векторизации текстов.

Тематику обращения робот определяет при помощи NLP-движка. Робот обрабатывает 80 сценариев запросов, с которыми клиенты обращаются чаще всего.

Бизнес-процесс

До проекта:

100% обращений операторы обрабатывают вручную.
Система маршрутизации запросов не всегда срабатывает точно.
Длительный процесс обучения и информирования операторов.
5-6 минут – среднее время для решения вопроса клиента, из-за этого очередь на линии.

После проекта:

80% звонков от клиентов принимает робот.
10% звонков робот закрывает самостоятельно, отсеивает еще 7% «неразборчивых» звонков.
Более 5 тыс. человек могут обслуживаться роботом одновременно.
Точная маршрутизация звонка на нужного оператора, если робот не может помочь самостоятельно.