Сентиментный анализ сообщений

2021 год.

Управление диалогом с пользователем и очередью обращений в контакт-центре на основе настроения клиента

Клиентский сервис Крупный бизнес Повышение качества Финансы

Какую проблему решали

При обращении клиента в чат-бот контакт-центра банка ВТБ отсутствовала возможность автоматически проводить эмоциональную оценку входящих сообщений. Из-за этого чат-бот задавал негативно настроенным клиентам избыточные вопросы, а время рассмотрения заявки затягивалось. Команда интернет-банка ВТБ приняла решение внедрить сервис сентиментного анализа сообщений на основе машинного обучения и технологий распознавания эмоций пользователей.

Новый функционал позволяет чат-боту быстрее обрабатывать запросы негативно настроенных клиентов, а позитивно настроенным – предлагать релевантные для них продукты и услуги.

Решение проблемы

Сервис интегрирован с виджетом чата, в котором происходит общение с пользователем. Каждое сообщение перед отправкой в диалоговую платформу банка проходит оценку в данном сервисе и направляется в диалоговую платформу совместно с оценкой сентимента и вероятностью. На основе этих значений чат-бот настраивает модель общения с клиентом, выставляя более высокий приоритет сообщениям негативно настроенных клиентов и переводя их запросы в начало очереди.
Информация от сервиса оценки сентимента обращений также передается оператору контакт-центра для выбора соответствующего сценария разговора.

Если клиент удовлетворён консультацией и в рамках сессии выявлен интерес к определённой продуктовой тематике, клиенту предлагается обратить внимание на соответствующие продукты банка, что, как правило, ведёт к регистрации лида.

Применяемые технологии

В описываемом решении применяются три основных компонента:
- «стримминг» данных из всех текстовых каналов банка через распределение нагрузки в единый сервис определения сентимента;
- предобученная языковая модель с механизмами AutoML – базовая модель Bert deepPavlov, прошедшая глубокое дообучение на размеченных диалогах;
- пайплайн, позволяющий в реальном времени производить дообучение модели, а также ряд триггеров, предотвращающий остановку ведения диалога при отказе модели.

Для обучения модели использовались размеченные данные из открытых источников –сообщения в Твиттере, комментарии из отраслевых ресурсов, социальных сетей.
Последующее дообучение происходило на переписках с операторами, после разметки.

Бизнес-процесс

До проекта:

Клиент обращается с вопросом или проблемой в чат-бот
Бот обрабатывает сообщения и при необходимости переводит разговор на оператора

После проекта:

Каждое сообщение от клиента в чат-боте обрабатывается за 250 мс
Сообщению присваивается оценка сентимента
При выявлении негативной эмоциональной окраски обращение переводится на профильную группу операторов
Позитивная окраска совместно с анализом упоминаний продуктов банка позволяет предложить клиенту релевантные сервисы