Запуск ИИ-агента в службе взыскания ПАО МФК «Займер»

О компании

ПАО МФК «Займер» предоставляет миллионам людей удобный доступ к заемным ресурсам, помогая в решении повседневных и непредвиденных финансовых вопросов. Займер сегодня - это крупнейшая высокотехнологичная финансовая платформа моментального онлайн-кредитования с ежегодным объемом выдач микрозаймов около 60 млрд рублей. Благодаря автоматизации бизнес-процессов мы предоставляем займы в формате 24/7 в любой точке России. Отлаженность и эффективность бизнес-процессов обеспечивают прибыльность Займера, а их гибкость позволяет ему успешно адаптироваться к изменениям в регулировании.

Компания неоднократно была удостоена высших наград в своей области и признавалась лидером рынка МФО по версии Эксперт РА.

Сегодня руководитель отдела досудебного взыскания Лифенцев Максим и руководитель направления отдела досудебного взыскания Ефременко Александра расскажут о своем опыте внедрения Wikibot в процесс loft-collection в компании “Займер”. Это направление развито на высоком уровне, а служба урегулирования задолженности МФК “Займер” — одна из лучших на финансовом рынке, это подтверждают и профессиональные награды, и мнение экспертов, и выбор клиентов.

Сколько человек в службе взыскания в направлении текстовых каналов взаимодействия?

На момент запуска пилотного проекта с Wikibot направление обслуживала команда из 8 специалистов. Их основная задача заключалась в оперативном взаимодействии с клиентами через чат-канал на сайте компании. Нагрузка была слишком высокой, ведь качество и скорость ответов имеют критически важное значение, когда должник самостоятельно проявляет инициативу составить беседу с кредитором о выплате долга.

Как организована коммуникация с клиентами в отделе досудебного взыскания?

Клиент, обратившийся в чат, сразу получает возможность вести диалог с нашим специалистом. Формат мгновенного реагирования крайне важен именно в досудебном взыскании: должник здесь и сейчас находится в моменте высокой вовлечённости в вопрос выплаты задолженности. Он заинтересован в получении исчерпывающей информации о том, как можно это сделать с минимальными потерями для кошелька и его кредитной истории. Наш специалист должен обеспечить ему погашение задолженности, и желательно - чтобы заемщик при этом получил позитивные впечатления. Это ведь хороший клиент, который осознает свою ответственность перед кредитором, - пусть он вернется к нам за займом снова, мы не против. А выйти на просрочку, в том числе, и случайно, может любой человек.

Сколько диалогов в среднем в месяц отрабатывает отдел?

Более 20000 диалогов. Этот объём требует не только высокой заинтересованности команды, но и применения современных технологий, которые помогают сохранить эффективность коммуникации с быстрой реакцией на каждое обращение. Важно успеть ответить каждому: от этого зависит не только успешность бизнеса компании, ее имидж, но и, по сути, дальнейшее благополучие клиентов. Речь идет про сохранение качества кредитных историй россиян и про остановку роста их задолженности.

В каком формате сформирована база знаний?

База знаний структурирована в цифровом формате и включает в себя как стандартные сценарии ответов, так и расширенные справочные материалы, регламентирующие различные ситуации общения с клиентами. Опытный специалист, конечно, легко решает большинство проблем и без подсказок: ежедневно нам приходится отвечать на 600-700 однотипных вопросов.

Какие метрики используете для оценки работы отдела?

Для оценки эффективности мы используем целый ряд показателей. Давайте остановимся на тех, которые были взяты за основу при оценке внедряемого решения:

• PTP (Promise to Pay) — доля полученных обещаний выплатить долг от общего числа проведённых диалогов.
• KPR (Kept Promise Result) — показатель, отражающий долю реально исполненных обещаний об оплате.
• ART (Average Reply Time) — среднее время ответа на сообщение клиента, напрямую влияющее на уровень качества сервиса.
• %CSI (Customer Satisfaction Index) - показатель, отражающий долю удовлетворенности клиентов.

В дополнение к этим метрикам в рамках внедрения Wikibot мы ввели дополнительный показатель - NCE (Net Collection Efficiency). Это сумма поступивших оплат за вычетом расходов на процесс взыскания - по сути, показатель “чистой эффективности”. Он позволяет наиболее объективно оценить реальную результативность Wikibot, насколько он способствует увеличению возврата средств с учётом всех затрат на его реализацию и поддержку.

Какие предпосылки к внедрению были?

Мы давно осознавали, что значительная часть времени специалистов тратится на однотипные запросы, в то время как настоящая ценность их работы проявляется в сложных ситуациях. Решение внедрить Wikibot стало для нас логичным шагом: ИИ-агент работает строго в рамках заданных сценариев, обеспечивая стабильность и точность ответов. И при этом обладает важным преимуществом: искусственный интеллект всегда сохраняет нейтральность и спокойствие, даже если клиент настроен резко негативно. В сегменте досудебного взыскания такое встречается довольно часто, и, безусловно, мы не хотим, чтобы наши сотрудники постоянно находились под эмоциональным давлением. Мы придерживаемся философии: технологии должны не заменять людей, а помогать им. Это шаг не только в направлении повышения эффективности бизнеса, но и забота о нашей команде, что для нас принципиально важно.

Главные задачи бота?

Wikibot должен был взять на себя оперативные ответы на типичные вопросы клиентов в текстовых каналах, чтобы разгрузить команду. При этом принципиально важно было сохранить уровень эффективности взыскания, поэтому агент должен работать строго в рамках заданных сценариев, чтобы поддерживать высокие показатели, сопоставимые с результатами специалистов. Кроме того, нам нужно было решение, при котором мы самостоятельно сможем вносить изменения в регламент работы ИИ-агента, не дожидаясь подключения разработки со стороны вендора. В процессе взыскания ведь особо важно соблюдение ботом законодательства, а оно меняется у нас достаточно регулярно. И, наконец, — должна быть интеграция с CRM. Агент должен уметь самостоятельно фиксировать комментарии и результаты диалога, снимая с сотрудников рутинные дела.

Решение

По итогам проведенного анализа рынка мы выбрали решение Wikibot, которое оптимально соответствует идеальному соотношению цены и качества. Оно полностью покрывало наши запросы.

Какое отношение клиентов к боту?

После каждого диалога мы предоставляем клиентам возможность оставить обратную связь по качеству сервиса и выразить любые замечания, что позволяет нам лучше понять потребности и ожидания. В рамках анализа мы выявили ключевые замечания клиентов, на основе которых внесли соответствующие изменения в инструкцию бота. Им не нравилось, что бот мог задавать одни и те же вопросы, а диалог “зацикливался”. Не нравилось, что бот иногда путал решения поставленных вопросов или добавлял в реквизиты кредитора лишние знаки. Бывали случаи, когда агент отмечал обещание клиента о выплате, но по факту договоренности не было.

Мы всё исправили и немедленно зафиксировали увеличение уровня удовлетворенности клиентов на 3,42 процентных пункта. Это подтверждает, что наш ИИ-агент стал более клиентоориентированным и эффективным, и что может отвечать на все запросы, улучшая общий опыт взаимодействия с клиентами.

Как изменились метрики отдела взыскания? Какие цели запуска бота достигнуты?

Поскольку запуск агента осуществлялся в подразделении досудебного взыскания, его показатели в ходе пилотного проекта сравнивались с результатами работы реальных сотрудников. Отметим, что логика работы службы урегулирования задолженности направлена на достижение договоренностей и возврата денежных средств в строго определенные сроки.

Период	% PTP (доля обещаний от откликов)	% KPR (доля выполненных обещаний)	% KPR (эффективность по сумме без договоренности)	%NCE (эффективность с учетом затрат)	ART (среднее время ответа)
Сотрудники	47,75%	75,99%	7,84%	17,01%	1.48
ИИ - агент	26,61%	59,13%	22,51%	19,60%	1.06

В процессе пилотирования выявились сложности: количество договоренностей о возврате задолженности у бота значительно уступало специалистам. Также клиенты, согласившиеся и оплатившие по договоренностям, оформленным через ИИ-агента, составляли на 16,86 п.п. меньшую долю по сравнению с теми, кто взаимодействовал со специалистами. Проблема была решена через корректировку критериев фиксации комментариев, так как наш ИИ-агент следовал более “строгим” языковым установкам, не распознавая как согласие близкие по смыслу фразы клиента. Благодаря этому в следующих периодах он показал уже более высокий результат, близкий по ключевым характеристикам к результатам опытных специалистов. А в целом бот доказал свою эффективность и продемонстрировал положительную экономику на фоне всех затрат и поступлений денежных средств при высокой нагрузке на него.

Также мы обратили внимание, что среднее время обработки запросов (ART) ботом значительно отличается от времени реагирования специалиста. Это свидетельствует о повышении оперативности и качества обслуживания клиентов, а результаты подтверждают потенциал дальнейшего внедрения ИИ-решений в процессы взыскания для оптимизации использования ресурсов.

Дальнейшие планы по развитию проекта

Сегодня Wikibot ведет около 90% любых вариантов текстовых коммуникаций, и на наш взгляд, это еще не предел. Мы закрепили за ним ответственного специалиста, который будет контролировать его дальнейшее развитие, поскольку планируем передать боту и оставшиеся сценарии бесед. Сейчас специалист как раз ведет эту работу.

Как сделать успешный по запуску бота?

Главное в успешном запуске ИИ-агента - внимание к деталям и продуманная стратегия его использования. Важно сразу определить, что вы хотите получить, и исходя из этого уже приступать к выбору вендора. Выбирать есть из кого, но выбрать правильно - это уже 50% успеха. Проведя тщательное исследование, мы учитывали не только технические параметры и подходы каждого потенциального исполнителя, но и уровень заинтересованности в проекте. И среди множества предложений на рынке команда Wikibot оказалась настоящим открытием: тщательный учет наших пожеланий, привлекательная стоимость реализации, глубокие компетенции их специалистов позволили нам надеяться на идеальный результат. И он таким оказался! Однако запуск системы — это не только внедрение ИИ-агента, но и постоянное наблюдение за деталями. Нам пришлось проанализировать все нюансы нашей работы, чтобы определить, какая информация будет передана клиенту, какие сценарии диалогов необходимо прописать, как правильно заполнить базу знаний и обеспечить информативный контент для консультаций. Благодаря совместной работе с Wikibot наш агент был запущен уже через 3 недели. Дополнительно была создана инициативная группа, которая ежедневно отслеживала его работу, что позволяло нам выявлять нерелевантные сценарии и налаживать работу системы точечно.

А теперь главный секрет нашего успешного кейса:

Мы просто отнеслись к ИИ-агенту, как к новому сотруднику, и научили его работать на уровне опытного специалиста. У нас всё получилось благодаря постоянному вниманию и четкому плану действий. При таком подходе всё получится и у вас!