Блог

Статьи о клиентском сервисе, искусственном интеллекте и их взаимодействии.

Кейс фестиваля «Бессонница»: нужна поддержка в чате для тысяч гостей, здесь и сейчас

Кейс фестиваля «Бессонница»: нужна поддержка в чате для тысяч гостей, здесь и сейчас

## О фестивале «[Бессонница](https://insomniafest.ru/)» — единственный в мире фестиваль анимации, проходящий в формате большого опенэйра. Каждое лето на уютной поляне, окруженной лесом и рекой, организаторы ставят огромные экраны и в течение 4 ночей показывают лучшие авторские анимационные фильмы со всего света. Днем фестиваль превращается в привычный опенэйр: музыка, перформансы, инсталляции, лекции, развлечения и природа. И карнавал! ## Зачем нужна поддержка гостей В этом году фестиваль посетят больше 18 тысяч человек, и всем им нужны ответы на возникающие вопросы. Кто-то находит ответы на сайте самостоятельно, кто-то обращается за помощью в нашу поддержку. При этом большинство вопросов - типичные: - Как купить билеты? - Как добраться? - Что брать с собой? - … и множество других. Вопросы повторяются, но у каждого гостя свои нюансы. Организаторы фестиваля хотели максимально автоматизировать ответы на типичные вопросы, чтобы сократить нагрузку на службу поддержки, поэтому было принято решение обратиться к технологиям искусственного интеллекта. ## Решение Организаторы посмотрели доступные на рынке сервисы и выбрали Wikibot. Wikibot позволяет создать умного бота для поддержки клиентов. Бот обучается по данным сайта и частым вопросам, интегрируется в хелпдеск или чат, отвечает клиентам 24/7. ## Интервью с со-основателем «Бессонницы» Дмитрий Кучев **1) Дима, привет, как нашли Wikibot?** Привет)) Искал целенаправленно ИИ-решение, которое можно настроить самому и легко воткнуть в наш омнидеск. **2) С каким запросом и с какой болью пришли?** Хотелось снизить количество пропущенных тикетов и неправильных ответов на типовые вопросы, а труд волонтеров сфокусировать на решении более сложных запросов от гостей. У нас практически неограниченный волонтерский ресурс, но хотелось именно сократить человеческое участие в ответах на типовые вопросы. **3) Потенциальные критерии выбора кандидатов** Доступная для нас цена, интеграция с омнидеском и возможность простой самостоятельной настройки. Смотрел и даже обращался в Лию и Яндекс.Саппорт, до того как нашел вас. С Лией не срослось, а Яндекс вообще не ответил ни на один из запросов :) **4) Что больше всего зацепило или произвело wow-эффект** Изначально — интеграция с омнидеском и демонстрация быстрой настройки с помощью гугл-таблицы. Покопавшись, стало понятно, что остальное примерно такое же легкое. A-ha момент тут был когда бот стал отвечать правильно на сложносочиненные вопросы даже без ключевых слов. **5) Что не понравилось или не получилось?** - Невозможность работать с комментариями к постам (отвечать только на прямые вопросы, на которые бот может ответить, все остальное игнорить) - Дает только часть ответа, когда обращается к базе знаний. - Не держит контекст, не умеет отвечать на последующие вопросы по теме. **6) Получилось ли улучшить клиентский сервис с помощью бота?** Да, в целом все получается неплохо. Не без шероховатостей, но жить можно и настраивать тоже) **7) Какой функцией чаще всего пользуетесь?** Обучение бота (первая линия и база знаний в виде гуглотаблицы) и песочница для тестирования **8) Какие факторы были в пользу покупки?** Адекватная цена, которую сразу видно, легкость самостоятельной настройки, возможность самостоятельной покупки, бот не пускается в самостоятельные рассуждения и галлюцинации, не реагирует на запросы не по теме. **9) Как долго думали над покупкой?** Практически вообще не думал, как только понял, что бот решает мои задачи — взял. **10) Насколько бы порекомендовали наш сервис друзьям и знакомым?** Порекомендовал бы, с оговоркой, что люди представляют себе как работать с ИИ. Оценка, с учетом недостатков описанных ранее - 7 из 10. Задачи решает, но есть куда расти (контекст и вот это все). Если не брать в расчет эти недостатки, то 10, меня все устраивает, более-менее понятно, как бороться с неправильными ответами **11) Сколько людей у вас было на поддержке до бота и сколько сейчас?** Непосредственно в момент внедрения бота на поддержке было 3 волонтера. На период обучения бота я всех отодвинул от поддержки и следил за ответами бота самостоятельно, обучая его в процессе. Сейчас все те же 3 волонтера, но количество тикетов на человека стало меньше, благодаря обработке ботом типовых запросов. **12) Дима, спасибо громадное за честный фидбек, мы будем стараться улучшать бота!** Приезжайте на «[Бессонницу](https://insomniafest.ru/)», будет классно!

@Tom_LETO•
Исследование от Intercom: тренды 2024 года в обслуживании клиентов. Часть №2

Исследование от Intercom: тренды 2024 года в обслуживании клиентов. Часть №2

В [предыдущем посте](https://wikibot.pro/ru/blog/intercom1) мы опубликовали первые три тренда из пяти, сегодня рассмотрим последние два. Итак: ## Тренд №4. Переход от устаревших к актуальным технологиям Исследование выявило, что многие службы поддержки продолжают применять множество устаревших инструментов. Некоторые команды, участвовавшие в опросе, используют различные сервисы, несмотря на то, что некоторые из них больше подходят специалистам, а другие — клиентам. **У каждого из «привычных» инструментов есть сильные и слабые стороны:** - **Электронная почта** даёт возможность вести асинхронные разговоры, но медленно работает, а подготовка ответов занимает много времени. - **CRM** собирает данные о клиентах, но внедрение может быть сложным и дорогостоящим. - **Поддержка по телефону** обеспечивает мгновенную обратную связь, но её сложно масштабировать. **Команды поддержки используют чаще всего:** - Электронная почта — 43% - CRM — 41% - Онлайн-чат — 40% - Help Desk — 36% - Программы для опросов и сбора обратной связи — 33% Самыми полезными каналами по мнению руководителей являются: поддержка по телефону, онлайн-чат, электронная почта. При этом лишь 18% опрошенных считают, что инструменты, которыми они пользуются, в полной мере соответствуют их потребностям. Возможно, поэтому 76% руководителей поддержки постоянно находятся в поиске новых платформ, инструментов и технологий, а 65% — по причине внедрения ИИ. Но недостаточно просто добавить нейросеть к неактуальному технологическому стеку в надежде на то, что это сработает. Правильнее найти платформу в основе которой уже есть ИИ. **Требования, которым должна соответствовать современная платформа по обслуживанию клиентов на базе ИИ по мнению исследователей:** 1. Обеспечивать возможность общаться с клиентами, там, где им удобно — из единой омниканальной системы. 2. Позволять составлять персонализированные ответы, обеспечивая бесшовную интеграцию данных клиентов, и благодаря этому повышать их лояльность. 3. Обладать передовыми средствами автоматизации для оптимизации рабочих процессов. 4. Иметь возможность удобной настройки базы знаний. _Делайте выбор в пользу платформ, которые позволят настроить внешний вид вашего бота и онлайн-чат в стиле вашего бренда. Это позволит укрепить доверие и лояльность ваших клиентов._ Причины, по которым руководители ищут новые платформы, инструменты или технологии: - Цена — 35% - Проблемы безопасности данных — 32% - Время простоя платформы — 29% - Отсутствие информации в режиме реального времени — 28% - Сложность интеграций — 28% Но внедрение новых технологий часто сопровождается проблемами разного характера: могут возникнуть сложности с переносом данных, можно столкнуться с непринятием изменений командой и необходимостью больших финансовых вложений, а также недостаточным уровнем компетенций у специалистов. Не менее важно, что проблемы от нововведений затрагивают не только службу поддержки, но и клиентов. **Три совета от Intercom, которые помогут сделать внедрение более «гладким»** Донесите важность и обозначьте цели, которых вы планируете достигнуть благодаря изменениям: 1. Обязательно и в подробностях объясните команде для чего нужны изменения. 2. Сделайте акцент на том, как новый сервис поможет решить существующие проблемы и улучшить повседневную работу команды. 3. Развернуто отвечайте на вопросы и будьте инициатором сбора обратной связи от команды. Такой подход поможет избежать излишних волнений. Упростите процесс внедрения: 1. Осуществите всестороннюю оценку нового инструмента, с целью удостовериться, что он подходит по всем характеристикам. Проверьте возможность интеграции с существующим технологическим стеком: протоколы безопасности, легкий перенос данных. 2. Составьте детальный план перехода. Обозначьте какие процессы можно перенести сразу, а какие необходимо предварительно обновить. Распределите ресурсы. 3. Продумайте какие процессы, способствующие улучшению клиентского опыта, можно оптимизировать с помощью искусственного интеллекта и ботов. Сведите к минимуму сбои в работе: 1. Проанализируйте статистику загруженности службы поддержки и запланируйте переход на новую платформу в период затишья. 2. Проведите обучение сотрудников заранее. Найдите платформу с понятной базой знаний, чтобы специалисты могли найти нужную информацию самостоятельно. 3. Сформируйте из часто задаваемых вопросов внутреннюю документацию, чтобы облегчить сотрудникам поиск ответов. ## Тренд №5. Поиск новых способов измерения успеха команды Задачи по обслуживанию клиентов всё чаще делегируют ИИ, поэтому руководителям следует найти новые способы измерения успеха команды. Исследование выявило, что службы поддержки опираются на оценку удовлетворенности клиентов (CSAT), опросы и онлайн-отзывы. Оценка клиентского опыта очень важна. Это дает возможность понять потребности клиентов и гарантировать непрерывное совершенствование работы поддержки. Исследователи считают, что хорошие оценки — это показатель того, что обслуживание клиентов — двигатель стоимости продукта. **Какие инструменты используют опрошенные команды поддержки для измерения клиентского опыта:** - CSAT — 44% - Формы опроса — 38% - Ревью и рейтинги — 30% - Звонки и электронные письма — 30% Но четверть команд говорят, что текущие инструменты не позволяют отслеживать необходимые показатели, а 75% респондентов считают, что традиционные метрики изменятся под влиянием искусственного интеллекта. В первую очередь изменится CSAT — общий показатель удовлетворенности клиентов. Теперь, когда искусственный интеллект задействован практически в каждом взаимодействии с поддержкой, у саппорта появилось больше инструментов для создания высокого уровня сервиса. Но по мнению исследователей это еще больше повысит ожидания клиентов. Поэтому необходимо тщательно следить за результатами, которые дает взаимодействие ИИ + человек и вовремя корректировать действия, которые ухудшают CSAT. Искусственный интеллект также кардинально изменит понимание успеха относительно показателей, которые основаны на времени, ускоряя каждый из них: среднее время обработки (AHT), время до разрешения (TTR) и время первого ответа (FRT). Реакция чат-бота — мгновенная, а это в свою очередь повысит эффективность команды. Этим и обоснована необходимость усовершенствования показателей. Вам необходимо знать все детали работы вашей команды и бота, иначе из-за искаженных данных вы можете упустить ценные идеи и возможности. При этом корректные метрики, по мнению исследователей, позволят вам: 1. Точечно определить, какие направления обслуживания клиентов необходимо усовершенствовать и даже сделать это в режиме реального времени. 2. Выявить, в каких процессах взаимодействия с пользователями наиболее эффективны люди, а какие рациональнее делегировать ботам. 3. Оптимизировать обслуживание клиентов на основе точных данных, собранных с помощью ИИ. **Как изменятся метрики по мнению Intercom** ![Интерком2_таблица.webp](https://cms.wikibot.pro/uploads/Interkom2_tablicza_637d995c5a.webp) **Советы от Intercom по аналитике показателей и метрик:** 1. Чтобы получить детальное представление о реальной производительности людей и ботов, разделите их показатели. При изучении показателей не забывайте учитывать сложность задачи. Например, если искусственный интеллект решает простые запросы, то вашей команде достаются более сложные. Соответственно время решения увеличится. Анализируйте эти показатели вместе с оценками CSAT — это даст вам более целостное представление. 2. Регулярно анализируйте метрики, чтобы своевременно и оперативно находить решения по их улучшению. 3. Обязательно делитесь с командой прогрессом в росте показателей, которого удалось достичь после внедрения ИИ. Это поможет подчеркнуть пользу применения искусственного интеллекта в работе.

@Tom_LETO•
Исследование от Intercom: тренды 2024 года в обслуживании клиентов

Исследование от Intercom: тренды 2024 года в обслуживании клиентов

В начале января были опубликованы результаты масштабного исследования от Intercom. Главная задача исследования заключалась в том, чтобы выяснить, как меняется обслуживание клиентов по пяти направлениям: тренды ИИ, команды поддержки, ожидания клиентов, технологические стеки и метрики. В ходе исследования было опрошено более 2-х тысяч специалистов поддержки из разных компаний и регионов. Публикуем перевод исследования. В результате исследования было выявлено 5 трендов: 1. **ИИ существенно повлиял на ожидания клиентов.** Теперь они знают, что искусственный интеллект может сделать обслуживание более качественным, эффективным и быстрым. Поэтому клиенты ожидают большего. 2. **Внедрение ИИ резко возросло в 2023 году и продолжает набирать обороты.** Приблизительно половина команд поддержки уже применяют искусственный интеллект в работе. 3. **Повысился процент задач поддержки, которые можно делегировать ИИ**, но пока только монотонные и однообразные. Искусственный интеллект действительно изменил и продолжает менять характер работы служб поддержки. При этом создает новые возможности для карьерного роста специалистов. Но у руководителей и подчиненных есть различия в восприятии ролей, которые необходимо устранить. 4. **Неактуальные инструменты сдерживают команды поддержки, поэтому они стремятся к усовершенствованию своих технологических направлений.** В современных реалиях устаревшие технологии не подходят под требования клиентского сервиса. 5. **Стремительное внедрение ИИ изменило понятие и способы измерения успеха.** Чтобы получать корректные результаты и реализовать новые возможности, командам поддержки необходимо пересмотреть KP и метрики. А также способы их измерения. ## Тренд №1. Высокий рост ожиданий клиентов под влиянием ИИ Это подтвердили 87% опрощенных команд поддержки. В этом мы можем убедиться, посмотрев статистику опросов предыдущих лет. - 2022 год — 75% - 2023 год — 83% - 2024 год — 87% Каждая компания с высоким уровнем клиентоориентированности всегда стремится соответствовать ожиданиям клиентов. Потому что это напрямую влияет на доход и репутацию компании, помогает укреплять лояльность клиентов и повышает конкурентоспособность. В этом году 68% команд поддержки отметили, что искусственный интеллект оказал сильное влияние на ожидания клиентов. Особенно на такой аспект, как время ответа. ИИ стремительно меняет способы взаимодействия клиентов с компаниями. И это касается практически всего бизнеса. > 77% сотрудников поддержки считают, что искусственный интеллект однозначно повысит ожидания клиентов относительно быстрого реагирования. Также 68% руководителей подтверждают, что удерживать клиентов стало сложнее, чем год назад. 43% команд поддержки связывают это с повышением ожиданий от обслуживания. Потребители не готовы соглашаться на меньшее — если компания не способна обеспечить оперативную клиентскую поддержку, то это может привести к оттоку клиентов в сторону конкурентов. Интересно, что после опыта взаимодействия с ИИ клиенты хотят получать оперативную обратную связь и решения по их запросам, но по-прежнему рассчитывают на консультации экспертного уровня и человеческий подход при взаимодействии и решении вопросов. **Основные направления, в которых специалисты поддержки отметили наибольший рост ожиданий клиентов:** - Скорость ответа — 63% - Скорость решения проблемы — 57% - Знания и экспертиза — 49% - Доступность — 49% - Вежливость и эмпатия — 43% Исследователи уверены, чтобы удовлетворить все повысившиеся ожидания, необходимо уже сейчас внедрить методы работы с использованием искусственного интеллекта. >По словам основателя Hospitable, Пьер-Камиль Хамана, в ходе недавнего опроса удалось выяснить, что 61% клиентов предпочли бы получить более быстрые ответы от ИИ, чем тратить время на ожидание разговора с агентом службы поддержки. Крайне важно, чтобы ожидания клиентов совпадали с тем, что предоставляет компания. Но не менее важно найти эффективное сочетание ИИ и человеческой поддержки. Делегировать каждому из них решение наиболее подходящих задач при условии достижения наибольшей результативности. Это позволит максимизировать ресурсы и повысить эффективность работы саппортов. Вы можете ознакомиться с советами о том, как оптимизировать работу искусственного интеллекта и человека: - **Скорость ответа => ИИ** Чат-бот на основе ИИ сможет быстро реагировать на запросы, и клиентам не придется тратить время на ожидание ответов на частые вопросы. Сложные вопросы бот передаст в работу агенту поддержки. Таким образом ни один клиентский запрос не останется без внимания. - **Скорость решения => ИИ** Комбо чат-бота и команды поддержки позволит значительно увеличить число обрабатываемых тикетов одновременно. - **Знания и экспертиза => Человек** Простые вопросы решаются с помощью бота, если он обучался по базе знаний. Более сложные проблемы направляются саппортам для диагностики. - **Доступность => ИИ** Чат-бот может работать 24/7 и освобождает время саппортов для обработки срочных заявок. - **Вежливость => Человек** Для решения деликатных и эмоциональных запросов однозначно эффективнее привлекать людей. ## Тренд №2. Рост внедрения ИИ набирает обороты Ниже приведены преимущества в использовании ИИ, которые выделили команды поддержки. Обратите внимание на закономерность — все преимущества одинаково выгодны для всех сторон взаимодействия: клиентов, саппортов и руководителей. - Работа 24/7 — 50% - Экономия времени — 45% - Быстрое и эффективное решение тикетов — 44% - Экономическая эффективность — 35% - Анализ отзывов клиентов — 35% - Повышение качества всей поддержки — 35% Большинство команд, применяющих в работе ИИ, поделились, что от 11 до 33% всех заявок обрабатывается с помощью бота. Треть объема обрабатывается мгновенно. Это существенно экономит время саппортов и позволяет направить его на решение более сложных запросов. Почти 70% руководителей планируют инвестировать в искусственный интеллект в 2024 году. Команды поддержки планируют развивать сопутствующую инфраструктуру, например, анализ и улучшение базы знаний. Тем временем дальновидные руководители, которые хотят выйти на большее количество рынков и каналов, уже присматриваются и изучают технологии распознавания голоса, а также возможности перевода в реальном времени. Более 2/3 руководителей хотят переключиться с инструментов, не связанных с ИИ, чтобы высвободить бюджет. >Те, кто сейчас внедряет ИИ, будут формировать новую философию и стратегии клиентского сервиса. Это повлияет на сервисы и процессы, которые саппорты используют каждый день. > > Дэниэл Бантон, Руководитель клиентской поддержки, CLEO AI По мере распространения ИИ отношение к нему становится всё более позитивным, но процент оптимистично настроенных руководителей пока больше, чем рядовых специалистов: - Команд - 56% - Саппортов - 45% - Руководителей - 61% Исследователи считают, что из-за повышенного внимания к чат-ботам обычные саппорты не могут в полной мере оценить другие преимущества искусственного интеллекта, поэтому необходимо внедрять разнообразные решения на основе ИИ. >Компании, в которых работает от 101 до 3 000 сотрудников, более оптимистично оценивают перспективы искусственного интеллекта и поэтому активнее и быстрее внедряют его. Также они планируют вкладывать значительные средства в развитие ИИ по сравнению с более крупными компаниями. ## Три варианта, как с помощью ИИ и автоматизации повысить эффективность и сэкономить время - **Применяйте бота для классификации и решения проблем** С помощью ИИ вы можете сократить объем входящих обращений. Современные чат-боты обладают внушительным функционалом и могут собирать информацию, передавать сложные обращения команде поддержки и имеют механизмы самопроверки, что гарантирует точность ответов. - **Экономьте время на каждом ответе** Современные платформы дают возможность объединить все необходимые каналы коммуникации в одном окне, в рамках которого можно использовать ИИ для решения следующих задач: - Перефразировать текст или изменить тон, быстро составлять ответы. - Мгновенно подводить итоги разговора для передачи диалога между агентами. - Отслеживать эффективность действий команды в режиме реального времени при помощи дашбордов и иинструментов аналитики. - **Автоматизируйте рабочие процессы** С помощью автоматизации можно улучшить пути взаимодействия с клиентами. Благодаря конструкторам вы можете комбинировать триггеры, правила, условия ботов. Это позволит помогать пользователям тогда, когда им это необходимо. Чтобы сделать ответы еще более персонализированными и полезными, можно добавлять в разговоры данные о клиентах, например, историю заказов. ## Тренд №3. Влияние ИИ на работу сотрудников поддержки С одной стороны, ИИ действительно может лишить работы определённую часть сотрудников, но с другой — искусственный интеллект способен уменьшить нагрузку на поддержку и, по мнению исследователей, изменить их работу к лучшему. Это подтверждает опрос, который провели среди сотрудников поддержки. Он показал, что часть команд уже убедились в том, что синергия ИИ и человека может быть плодотворной. Например, ИИ помогает сэкономить время за счет быстрой корректировки ответа или анализировать отзывы, что позволяет улучшить клиентоориентированность. В каких областях ИИ экономит время опрошенных команд: - Анализ отзывов клиентов — 35% - Подготовка ответов с использованием базы знаний — 34% - Дополнение ответов саппортов — 28% - Подведение итогов диалога — 25% >ИИ делает команды поддержки счастливее, сокращая количество запросов которые им приходится обрабатывать. Это делает их рабочую нагрузку более управляемой, а значит они могут тратить меньше времени на «тушение пожаров» и больше — на улучшение жизни клиентов, что гораздо полезнее. > >Джеймс Лоури, CX-специалист Up Learn По результатам исследования удалось выявить, что главной задачей руководителей поддержки в 2024 году будет поиск и сохранение высококвалифицированных специалистов и повышение эффективности процессов. Профессионалы + эффективные системы = довольные сотрудники, которые будут замотивированы выполнять свою работу на все сто. Главные задачи руководителей поддержки в новом году: - Поиск и удержание крутых специалистов — 40% - Повышение эффективности рабочего процесса — 39% - Управление количеством чатов и звонков — 32% - Помощь в сохранении и расширении клиентской базы — 25% Основные приоритеты в обслуживании клиентов для руководителей в 2024 году: - Повышение эффективности рабочего процесса — 47% - Предоставление клиентам возможности самостоятельно получать ответы на свои вопросы — 40% - Помощь в сохранении и расширении клиентской базы — 34% - Автоматизация поддержки с помощью чат-ботов — 30% Кроме этого, исследователи выяснили, что ИИ побуждает к созданию новых должностей, таких как: специалист по поддержке ИИ, создатель диалогового UХ, дизайнер диалогов, аналитик чат-ботов. Имея в распоряжении бота, на которого можно перевести рутинные задачи, саппорты получают больше возможностей для внесения вклада в клиентский опыт и развития карьеры. Около половины команд согласны с этим: 69% руководителей и 34% специалистов поддержки. По мнению Intercom, такие показатели вполне логичны. Саппорты сфокусированы на повседневных задачах. В то время как руководители должны еще оценивать и перспективы дальнейшего развития. Но в итоге обе стороны должны смотреть в одном направлении, поэтому руководству необходимо делиться с командами своим видением, чтобы сотрудники чувствовали и осознавали значимость их роли в развитии компании и хотели выстраивать долгосрочные отношения с компанией. >51% команд считают, что компания рассматривает поддержку как драйвер стоимости продукта, а 27% — что их воспринимают как ядро затрат. 22% опрошенных затруднились ответить. В Intercom полагают, что по мере изменения клиентского сервиса, расхождения в восприятии сократятся, а истинная ценность поддержки в рамках бизнеса будет оценена по достоинству. Исследователи подготовили таблицу со списком ролей поддержки, которые могут стать актуальными в будущем. Также в ней есть информация о навыках, которые саппорты могут получать уже сейчас. ![Интерком_таблица.webp](https://cms.wikibot.pro/uploads/Interkom_tablicza_f39278ebf2.webp) Тренды 4 и 5 опубликуем в следующем посте.

@Tom_LETO•
Умный бот в GBS.Market: сокращение среднего времени ответа, поддержка клиентов 24/7

Умный бот в GBS.Market: сокращение среднего времени ответа, поддержка клиентов 24/7

### О компании GBS.Market Компания GBS.Market разрабатывает одноимённую кассовую программу [GBS.Market](https://gbsmarket.ru/). **Для чего нужна кассовая программа GBS.Market?** GBS.Market — это решение для автоматизации розничной торговли и заведений общественного питания. Программа позволяет: - Организовать рабочее место кассира или официанта. - Контролировать движения товаров (поступления, продажи, списания), построение отчетов. - Вести складской учет, управлять товарными остатками, проводить инвентаризации. - Работать по 54-ФЗ, продавать маркированные товары: табак, парфюмерия, легкпром и т.д. - Подключать POS-оборудование: онлайн-кассу, сканер ШК, весы, эквайринг. - Печатать ценники, этикетки, накладные и др. документы. - Вести базу покупателей, организовать систему лояльности, оформлять продажи в долг. - и многое другое. https://www.youtube.com/watch?v=HMblkqnlW2Y **Важная отличительная особенность GBS.Market — для поддержки и обновления программы не нужен специалист. Это делает доступной GBS.Market для небольших магазинов и торговых точек.** ### Задачи технической поддержки В службе поддержки работает 4 человека, график с 10 до 17 по МСК. В среднем техподдержка закрывает от 200 диалогов в месяц (в диалоге может быть как 1 вопрос, так и 50). Для организации службы поддержки используется ПланФикс в связке с различными чатами и телефонией. Для повышения удобства пользователей, компания GBS.Market решила создать бота, который будет обучаться на документации компании и предоставлять быстрые ответы пользователям, в том числе в нерабочее время. Обучающие материалы для бота: - База знаний — справочный центр на сайте. - Первая линия — обычно небольшие статьи, отвечающие на конкретные вопросы. Основная метрика — оценка клиентом качества ответа. Но оценку ставят не более 10%. ### Решение Был выбран Wikibot — сервис для поддержки клиентов при помощи искусственного интеллекта. Чат-бот обучается по документации, подключается в хелпдеск, работает 24/7. Wikibot как ChatGPT для вашей компании: не только отвечает пользователям, но и задаёт уточняющие вопросы, открывает и закрывает тикеты, узнаёт информацию из других систем по API. ### Мнение команды GBS.Market о Wikibot **Плюсы** Все ожидания от сервиса вполне оправдали себя. Решение очень перспективное, особенно в случае наличия хорошей документации по продукту. Из плюсов: - Автоматический парсинг базы знаний без необходимости прописывать то, что уже было ранее прописано. - Ребята на связи, отвечают оперативно, помогают с решением кейсов, подсказывают как улучшить ответы бота. По нашему запросу доделали внешнюю интеграцию под наши потребности, добавили несколько полезных для нас фишек. - Сам бот достаточно шустрый, формирует ответы в 3-5 секунд. - Ответы бота иногда впечатляют - иногда отвечает лучше новичка на первой линии поддержки. **Минусы** Пока особых минусов не вижу. Если совсем придраться, то: - Бот иногда не находит ответы на вопросы, которые прописаны в базе знаний. Но чаще причина тому не очень подходящая формулировка. - Пару раз наткнулись на фантазии бота, но поддержка оперативно реагирует на подобное и вносит корректировки в алгоритмы. - Не умеет работать в режиме "диалог", сохранять контекст предыдущих вопросов. Хотя с этим и люди не всегда справляются)) - И да, надо поддерживать базу знаний в актуальном состоянии и ответы формулировать четко. Но в этом есть и свои плюсы — рост количества статей в базе знаний положительно сказывается на поддержке. **В итоге** Внедрять бота в поддержку нужно аккуратно, чтобы клиент смог легко переключится на человека. Правда, не редки, случаи, когда и от человека на первой линии сложно добиться решения вопроса. Тут скорее проблема в выстроенных процессах конкретной компании. Но вот ответы, которые выдает Wikibot - это не просто шаблонный ответ или копипаста с сайта - это полноценный ответ, который не хуже ответа новичка в поддержке. Особенно, если материалы, на которых учится бот, прописаны качественно. Первое время однозначно надо держать бота под контролем, чтобы понять его поведение и стиль формулировки ответов. Мы, к слову, сейчас в процессе адаптации сотрудника на первой линии, что собственно и подтолкнуло к поиску путей улучшения качества и возможности автоматизации рутины. Базу знаний пришлось дописывать, но это делать нужно и для человека-новичка и для бота. В любом случае - это интересный опыт, который дает понимание, что ИИ может заниматься рутиной. Из положительного можно еще отметить: - Клиент получает ответ в реальном времени, 24/7. У нас бюджет не позволяет работать круглосуточно, да и нет в этом такой необходимости. Но те, кто получит ответ в нерабочие часы, однозначно останутся довольны. - Использование бота мотивирует наполнять базу знаний. А это дает косвенные плюшки — клиенты смогут находить эти материалы на сайте сами. Хорошо для SEO — сайт появляется в поисковой выдаче по новым запросам. Сотрудники могут использовать новые материалы, чтобы информировать клиентов. - Мотивирует писать доступным языком статьи, как для "ребенка", коим по сути является бот. Это особенно полезно для пользователей, т.к. их навыки в продукте могут вообще отсутствовать. - Снижение нагрузки на поддержку по однотипным вопросам. Искать ответы на одинаковые вопросы очень утомительно. Освободившееся время можно потратить более продуктивно. Если бот закроет хотя бы половину обращений, которые в компетентности первой линии — это будет очень хорошо. Если закроет 3/4 — это будет огонь. По большой части зависит от наполнения базы знаний, чем сейчас и занимаемся. ### Интервью с командой GBS.Market через 6 месяцев после старта бота **1. Какое отношение пользователей к боту?** Негатива не встретили со стороны клиентов. Но мы старались плавно ввести бота в работу и периодически контролируем качество его ответов. **2. Какое отношение к боту службы у поддержки?** В целом положительное. **3. Как изменились метрики?** Сложно однозначно сказать. Но на часть вопросов клиенты получают ответ быстрее, особенно во внерабочие часы. Вероятно, это повысит лояльность клиентов. **4. Что больше всего НЕ нравится в боте?** Анализ работы, наполнение базы знаний. Понятно, что работа бота без качественных материалов невозможна, но иногда утомляет необходимость анализировать вопросы/ответы. Конечно, все это актуально и для обучения живого человека. Натянутый минус)) В целом каких-то явных минусов не могу выделить. **5. Учитывая что грядет GPT5+ и боты станут намного умнее, как вы видите идеального бота-саппорта через 3 года?** 1. Сохранение контекста общения в рамках одного чата. 2. Понимание плохо структурированных вопросов. 3. Распознавание речи (для голосовых сообщений). 4. Распознавание изображений (сообщения об ошибках, ориентация в интерфейсе приложения по базе знаний). **6. Какой общий итог проекта?** В общем, впечатления крайне положительные. Бот работает на реальных пользователях, а мы систематизируем свои знания и даем их бот.

@Tom_LETO•
Умный бот для технической поддержки в компании Adesk

Умный бот для технической поддержки в компании Adesk

## О компании Adesk Adesk — это сервис финансовой аналитики и управленческого учёта для бизнеса и предпринимателей. Более 1500 компаний по всей России, странам СНГ и Восточной Европы взяли учёт финансов под контроль и начали зарабатывать больше с Adesk. Сервис интегрируется с банками, CRM-системами и 1С, автоматически загружает финансовые данные и строит необходимые отчёты. Adesk помогает: - Избавиться от рутины учёта финансов в таблицах и освободить время. - Понимать чистую прибыль бизнеса в реальном времени. - Заранее узнавать о недостатке денег, чтобы не попадать в кассовые разрывы. - Составлять бюджеты и отслеживать их выполнение. - Видеть реальную рентабельность каждого направления и проекта компании. ## Задачи технической поддержки В службе поддержки работает 3 человека, график с 8 до 17 по Мск. В техподдержке нет разделения на первую и вторую линию. Сложные вопросы переадресуются либо разработчикам, либо более опытным по финучету сотрудникам. В среднем техподдержка получает 700-800 обращений в месяц. Для организации службы поддержки используется Carrot quest, в этом же сервисе находится база знаний. Чтобы стать ещё удобнее для пользователей компания Adesk хотела обеспечить быстрые ответы на вопросы в службу поддержки, а также отвечать на типовые вопросы в нерабочее время. Было принято решение создать бота, который обучается на документации компании и помогает пользователям, отвечая на русском языке. ## Решение Был выбран Wikibot — сервис для поддержки клиентов при помощи искусственного интеллекта. Чат-бот обучается по документации, подключается в хелпдеск, работает 24/7. Wikibot как ChatGPT, работает по процессам компании: не только отвечает пользователям, но и задаёт уточняющие вопросы, открывает и закрывает тикеты, узнаёт информацию из других систем по API. ## Мнение команды Adesk о Wikibot **Плюсы** Хорошая поддержка и коммуникации со стороны команды Wikibot. Практически все запросы, которые у нас появлялись мы оперативно и решали в телеграм чате. Так например, проблемы с тем, когда бот не отвечал на вопрос, на который точно был ответ в базе — разбирался в течение дня и быстро возвращал боту корректное поведение. Даже с маломальски собранной базой знаний % корректных и релевантных ответов составляет 30%, и по мере доработки базы знаний видно, как бот отвечает точнее и корректнее. **Минусы** Интерфейс личного кабинета и функциональность, пока отнесем минусам, но с поправкой на то, что Wikibot недавно стартовали, и динамику того, что происходит в личном кабинете мы рады видеть. Отдельно радует, то что «мы приняли ваше пожелание во внимание» — это не отписка. Так например, мы приятно удивились когда, попросили возможность создавать вопросы и ответы через жесткие формулировки без подключения AI. И Wikibot добавили это в одном из своих обновлений. Мы используем в Wikibot в связке с базой знаний на Carrot Quest для того, чтобы разгрузить с технической поддержки часть «простых вопросов». Со сложными, где требуется знать много контекста, бот пока не справляется, хотя тут скорее вопрос к базе знаний. Настройка бота дисциплинирует нашу команду тех поддержки. Надо регулярно обращать внимание на то, что пишет бот, на сколько он релевантно распознает вопросы пользователей, и по ощущениям, что команда поддержки стала более вовлечена в актуализацию HelpDesk, и самостоятельно пишет доработки для базы обучения бота. К тому же подобная работа в попытке «дообучить» бота — помогает лучше слышать запросы пользователей и держать больше фокуса внимания на том, как строятся коммуникации с клиентом. **Итоги**: бот экономит время специалистов саппорта, а совместная работа позволяет подсветить те места, которые раньше ускользали от нашего взгляда. ## Интервью с командой Adesk через 6 месяцев после старта бота **1. Какое отношение пользователей к боту?** Негатива явного не было. Чат-бот иногда сам успешно закрывает вопросы, иногда клиенты просят переключить на оператора. В целом, бот не вызывает недовольства и часто успешно помогает. Были пара пользователей, которые интересовались конкретно ботом (какая версия гпт, например). **2. Какое отношение к боту службы у поддержки?** Успех бота зависит от его обучения, т.е. насколько заполнена база данных (откуда он берет информацию), сколько у него подходящих знаний для ответа есть в базе. Бот – это инструмент, его настройка зависит от нас. Конечно, бывает, когда бот придумывает информацию или выдает очевидно неподходящий ответ, но это чаще всего потому, что: 1) пользователь некорректно задал вопрос; 2) в базе нет нужной информации; 3) вопрос специфичный и глубокий, который не покрывается базой знаний. **3. Как изменились метрики?** В целом бот не добавил новых обращений, так или иначе работа операторов осталась. Бот, сокращает время первого ответа, поскольку отвечает и приветствует пользователя мгновенно, и научился закрывать самостоятельно простые вопросы. В примерных цифрах: раньше бот только 18-20% корректно закрывал, то теперь на 40-45% обращений может давать корректный ответ. Но зачастую пользователи приходят с более конкретными кейсами, которые пока бот не может решать (в силу нашей специфики). Бот в нашем случае позволяет закрыть простые вопросы, и завязать разговор, до того момента, как к разговору подключится оператор. **4. Что больше всего НЕ нравится в боте?** Проблемы с пониманием контекста ранних сообщений пользователя, не всегда отвечает согласно контексту. Фразы-шаблоны (когда бот не знает ответа и признается в этом), от которых мы пока не поняли, как избавиться. **5. Учитывая что грядет GPT5+ и боты станут намного умнее, как вы видите идеального бота-саппорта через 3 года?** Наш бот все еще на гпт 3.5, насколько мне известно. Гпт 4 и гпт 4 турба уже гораздо умнее гпт3.5, это заметно и очевидно. Четверка замечает больше деталей, отвечает гораздо логичней и корректней. Предположу, что при наличии достаточной базы знаний, бот уже на четверке смог бы решать более сложные вопросы. На гпт5 у меня только лучшие ожидания, потому что разница даже между гпт 3.5 и 4 огромная. Гпт 4 vision умеет распознавать изображения, и если этот модуль прикрутить в чаты, то бот также сможет решать некоторые проблемы по скриншотам пользователей. Не отрицаю, что в будущем боты смогут заменить большую часть функций техподдержки, оставив на поддержку более технические вопросы, которые нельзя решить только с базой знаний.

@Tom_LETO•
Умный бот для технической поддержки ИТ-компании Zvonobot

Умный бот для технической поддержки ИТ-компании Zvonobot

Поделимся, как улучшилась работа тех.поддержки Zvonobot с помощью сервиса Wikibot ([ссылка на оригинал](https://zvonobot.ru/blog/umnyy-bot-dlya-tehnicheskoy-podderzhki-it-kompanii-zvonobot/)). **Zvonobot** — разработчик популярного сервиса для автоматических рассылок, который работает внутри России и за рубежом: Казахстане, Чехии, Индии, Нигерии и других странах. **Основным продуктом Zvonobot является робот**, который умеет распознавать человеческую речь, отвечать на вопросы абонентов, принимать входящие вызовы и совершать звонки по многотысячной базе клиентов за короткий промежуток времени. **Содержание** 1. Специфика работы сервиса Zvonobot 2. Задача Zvonobot 3. Автоматизация работы тех.поддержки 4. Решение 5. Как разрабатывался бот? 6. Результат 7. Отношение пользователей сервиса Zvonobot к чат-боту 8. Автоматизация работы технической поддержки 9. Мнение Zvonobot 10. Бот изменит подход в работе с клиентами **Специфика работы сервиса Zvonobot** Zvonobot даёт возможность запустить массовое голосовое оповещение людей: покупателей, налогоплательщиков, жителей города, посетителей мероприятий. Среди клиентов компании есть, как представители из разных бизнес сегментов, так и из государственных секторов. **Технологии Zvonobot** применяются на разных этапах реализации воронки продаж: - Лидогенерация - Дополнительные продажи - Сбор обратной связи по качеству предоставленных услуг - Возвращение, удержание клиентов С помощью сервиса, всего за 1 минуту можно решить сразу несколько задач: запустить звонки на телефоны клиентов, распознать их ответы и собрать обратную связь по нажатию клавиш телефона. **Задача Zvonobot** Сервис должен делать всё, что поможет его клиентам быть уверенным, что технические ограничения не нарушат работу рассылки и не приведут к негативным последствиям для их бизнеса. Поэтому в задачи специалистов поддержки сервиса входят: прием обращений клиентов, четкое определение их запросов, оперативная обработка тикетов и пр. **Автоматизация работы тех.поддержки** Чтобы повысить уровень качества работы сервиса, специалисты Zvonobot решили оптимизировать первые этапы работы с клиентами. А именно обработку общих вопросов клиентов и составление ответов на них. **Решение** Совместно с Wikibot и техническими специалистами сервиса было решено разработать специального бота и включить в основной функционал: - обучение на основе документации сервиса - помощь пользователям личного кабинета Zvonobot 24/7 - автоматические ответы на русском языке - инструмент для обработки и хранения информации в CRM — системе **Как разрабатывался бот?** Чтобы разработать логику работы бота под индивидуальные задачи технической поддержки Zvonobot, Wikibot составил бриф из 7 вопросов: 1. **Сколько человек в службе поддержки?** Всего 10 сотрудников, в том числе 2 специалиста, ответственных за стабильную работу маршрутов для совершения звонков 2. **Служба поддержки работает ночью?** Служба поддержки работает ежедневно с 8:00 до 20:00 по Мск 3. **Сколько из них специалистов на первой линии?** Ежедневно на первой линии работают 3 специалиста 4. **Как организована коммуникация с клиентами в службе поддержки?** Для коммуникации с клиентами задействовано несколько каналов: сайт, e-mail и чаты в telegram 5. **Сколько клиентских запросов приходит на первую линию поддержки через чаты?** За 1 месяц приходит около 1000 запросов 6. **В каком формате сформирована база знаний?** База знаний формируется после прохождения регистрации каждого пользователя на нашем сервисе, в формате FAQ (часто задаваемые вопросы). Сейчас мы проводим работу по созданию более простой и универсальной базы для клиентов. 7. **Какие метрики используете для оценки работы службы поддержки?** Рассчитываем две метрики: время первого ответа клиенту и продолжительность решения тикета. **Результат** Интегрированный бот Wikibot работает по принципу искусственного интеллекта ChatGPT. Он поддерживает сразу несколько бизнес-процессов: - отвечает на общие вопросы пользователя - задаёт уточняющие вопросы - открывает и закрывает тикеты - получает дополнительную информацию из других систем по API **Отношение пользователей сервиса Zvonobot к чат-боту** Естественно, что людям понадобится некоторое время, чтобы привыкнуть к автоматическому помощнику. Но мы видим, что процент уровня лояльности пользователей сервиса ежемесячно растет. **Автоматизация работы технической поддержки** **Во-первых**, сотрудники с легкостью адаптировались к функционалу бота и без проблем делегируют ему значительную часть обработки простых обращений от пользователей. А при необходимости бот переводит клиента на узкопрофильного специалиста второй линии тех.поддержки. **Во-вторых**, почти в 6 раз удалось сократить время первого ответа на вопрос клиента: от 3 минут до 30 секунд. **Мнение Zvonobot** **Плюсы** - Понятный фреймворк для работы с сервисом Wikibot - Достижение прогнозируемого результата: сокращение времени обработки запросов пользователей и повышение их лояльности - Клиентоориентированная техническая поддержка Wikibot **Минусы** - Чтобы исключить погрешности в работе бота и для достижения идеальных результатов требуется дополнительное время на обучение и редактуру собственной документации тех.поддержки **Бот изменит подход в работе с клиентами** За исключением незначительного недостатка, Wikibot грамотно распознает вопросы и дает релевантные ответы пользователям сервиса Zvonobot. За время пилотного запуска возникло много вопросов о функциях технологии. Но специалисты Wikibot оказывают профессиональную поддержку во время разработки кейсов и в процессе их реализации. **Команда Zvonobot рекомендует Wikibot** “Мы уверены в технологическом развитии бота и предполагаем, что он выйдет на свободный диалог с пользователями и адаптируется под решение нестандартных человеческих вопросов. Возможность апгрейда бота до уровня GPT5+ не исключение”.

@Tom_LETO•
Умный поиск по вашим документам

Умный поиск по вашим документам

Обычный поиск плохо справляется с вопросами со сложными формулировками или с запросами на основе фраз из разговорной речи, например: - Где взять актуальное заявление на отпуск? - Какой шаблон технического задания мы используем в проектах субподряда? - Актуальные на март цены на кондиционеры по южному региону У компании может быть хорошая база знаний и полный набор внутренней документации, но сотрудникам сложно найти ответ на свой вопрос, потому что поисковая система его не понимает, либо сотрудники не знают или забывают где найти нужный документ. В результате вопрос адресуется руководителям, которые часто могут быть заняты и процесс, который должен занимать 5 минут, растягивается на несколько дней. >Каждый третий лид Викибот просит **поиск по смыслу** в базе знаний компании. Мы проанализировали обратную связь и реальные потребности наших пользователей и запускаем новую большую функцию. ## Умный поиск Умный поиск ищет по смыслу, а не по ключевым словам. Напишите свой вопрос в свободной форме, или так, как бы вы его спросили у вашего руководителя. Вы можете использовать отрывок или цитату из документа, разговорные формулировки и даже запросы с ошибками и опечатками — **Викибот** выдаст нужную статью или документ. Мы ищем по PDF, файлам Word и Google Sheets и другим подключенным источникам: Notion, Confluence, HelpDeskEddy, Omnidesk, Юздеск. Цена поиска **в 10 раз меньше**, чем у обычных ответов чат-бота. Стоимость одного ответа **меньше 1 рубля**. ### Три кейса использования умного поиска 1. **Поиск по нормативной документации для внутренних сотрудников**. Умный поиск не только снизит нагрузку на всех руководителей компании, но и даст вам аналитику по самым популярным запросам и документам. 2. **Семантический поиск по сайту**. Умный поиск даст вашим пользователям гораздо больше полезной информации, чем поиск от гугла или стандартный полнотекстовый поиск. Кроме того, вы можете объединить эти подходы. Подключить Умный поиск Викибот можно через наш [API](https://docs.wikibot.pro/api-reference/endpoint/get-search). 3. **Ассистент для L2 и L3 поддержки**. Отличное решение, которое поможет сотрудникам находить _актуальные_ документы и статьи, а также другую подключенную информацию, в рамках решения сложных тикетов. ![Screenshot 2024-04-23 at 00.17.40.webp](https://cms.wikibot.pro/uploads/Screenshot_2024_04_23_at_00_17_40_4ae54b834e.webp) Ждём вас в разделе **Поиск** в [Личном кабинете](https://app.wikibot.pro/).

@Tom_LETO•
Чат-бот: делать самим, заказывать или использовать готовый продукт

Чат-бот: делать самим, заказывать или использовать готовый продукт

Часто получаю вопрос: "Наши программисты сами сделали бота и на тестовых вопросах работает отлично, но при ответах на реальные вопросы пользователей начинается треш. Как сделать супер промпт чтобы бот не глючил?". Ответ простой: "Серебряной пули нет, задачу нужно разбивать на части и использовать разные инструменты для решения разных проблем". Разработать своего чат-бота сейчас можно за пару часов, однако реальное продакшн решение потребует многомиллионные инвестиции. В посте расскажу, что нужно учитывать, принимая решение по созданию бота для поддержки клиентов. **Как работает типовое решение** - При создании бота вы даете ему документацию по продуктам и услугам компании, а также настраиваете жесткость ответов бота, варианты приветствий, логику работы в рабочие и нерабочие часы. - Бот индексирует вашу документацию или сайт по продукту и затем отвечает на вопросы пользователей как человек. Под капотом ChatGPT или другая большая языковая модель (LLM). - Вы тестируете ответы боты, задавая ему типовые вопросы. - Вы выбираете через какой интерфейс бот будет общаться с пользователем. Обычно используются популярные хелпдески и чаты на сайтах, а также мессенджеры: HelpDeskEddy, Omnidesk, Юздеск, Freshchat, Битрикс24, Carrot quest, Jivo, Talk-me, WhatsApp, Telegram. - Теперь бот готов. - Когда пользователь задает вопрос, сначала с помощью семантического поиска в базе знаний находятся документы, наиболее подходящие по смыслу, затем из найденных документов с помощью LLM формируется ответ. Я однозначно склоняюсь к использованию готовых продуктов и далее напишу аргументы. **Плюсы готовых продуктов** 1. Вам не нужно долго ждать, чтобы попробовать бота на реальных вопросах. 2. **Готовые продукт уже используются в других компаниях и гарантируют определенное качество ответов.** При самостоятельной разработке, первые пол года, ваша команда поддержки и клиенты будут жаловаться на недостаточное качество ответов бота. Кажется, что достаточно взять вопрос пользователя и послать в LLM, но нет. Вот лишь несколько нюансов, которые требуют отдельных алгоритмов: - Очень длинные или очень короткие сообщения от пользователей. - Сообщения от пользователей, в которых больше одного вопроса. - Идентификация и обработка приветствий, благодарностей и прочих элементов small talk. - Обработка почт, номеров телефонов и других персональных данных. - Фиксированные ответы на определенные типы вопросов. - Уточняющие вопросы от пользователей. - Иногда для правильного ответа, бот должен уметь задать уточняющий вопрос пользователю, т.е. ситуация зеркальная предыдущему пункту. - Использование информации о пользователе из хелпдеска и других систем, чтобы бот больше понимал пользователя. 3. Большие языковые модели интенсивно развиваются. Можно потратить миллионы на содержание штата ML разработчиков, а затем обнаружить, что новые LLM умеют это из коробки. В готовых продуктах вы платите за использование и всегда можете перейти на другое решение. **Минусы готовых продуктов** Минусы типичны: зависимость от вендора, меньше контроля, невозможность добавить свои суперуникальные функции (большая красная кнопка). **Что посмотреть на Российском рынке** Заказная разработка: JustAI, Chatme.AI, Хороший коробочный продукт AutoFAQ Сервис по созданию чат-ботов для поддержки клиентов Wikibot Другие компании или не проявляют признаков или ориентированы на большие заказы. Если вам нужна помощь в выборе хелпдеска, чата на сайт и другого программного обеспечения для поддержки клиентов - пишите нам https://t.me/use_wikibot .

@Tom_LETO•
Служба заботы Skillbox: как ChatGPT-бот забрал 25% обращений и позволил нам уделять больше внимания сложным запросам

Служба заботы Skillbox: как ChatGPT-бот забрал 25% обращений и позволил нам уделять больше внимания сложным запросам

Это кейс нашего клиента. [Оригинал статьи на VC](https://vc.ru/services/1049066-sluzhba-zaboty-skillbox-kak-chatgpt-bot-zabral-25-obrashcheniy-i-pozvolil-nam-udelyat-bolshe-vnimaniya-slozhnym-zaprosam) Сегодня хочу рассказать, как мы ввели чат-бота на основе ChatGPT, который отвечает студентам по нашей базе знаний и забирает 25% обращений на себя. Описала весь путь: как продумали логику его работы и встроили в обработку обращений без страданий для пользователя, какие выбрали показатели и цели, как их отслеживаем, про ошибки, радости и счастливый финал 🙂 Меня зовут Снежана Майская, я руковожу Службой заботы в Skillbox. Это третья статьи в серии, [здесь я писала про то, как росла и менялась поддержка](https://vc.ru/life/381347-kak-rosla-i-menyalas-sluzhba-podderzhki-skillbox), [а тут — про то, как мы ведем базу знаний](https://vc.ru/hr/385886-kak-sozdat-rabochuyu-bazu-znaniy-svoimi-silami-opyt-komandy-sapporta-skillbox). После прочтения статьи вы поймете, нужен ли вам ИИ-бот и готовы ли вы к его внедрению. Для смелых в конце будет чек-лист, чтобы вы могли использовать материал как инструкцию с учетом наших ошибок и успехов. Надеюсь, будет полезно! ![01.png](https://cms.wikibot.pro/uploads/01_5d49acf27c.png) ## Выбрали бот Или бот выбрал нас. Команда Wikibot предложила проиндексировать наш существующий FAQ для пользователей в Notion и посмотреть, как работает ИИ-бот. Он выдавал ответы по теме, хоть пока и далеко от идеала — решили пробовать. Сейчас бот, используя ChatGPT, работает на основе нашей новой открытой базы знаний для пользователей: zabota.skillbox.ru. Платим по тарифу за пакет «кредитов». Кредит — это стоимость обращения к боту. Основные вопросы стоят 1 кредит, первая линия* — 0,5 кредита, приветствия и благодарности — 0,2 кредита. *Первая линия — это вопросы, на которые бот не обращается в базу знаний, а дает один заготовленный и фиксированный ответ или переводит на оператора. ## Интегрировали с хелпдеском От подписания договора до интеграции с Юздеск и запуска бота прошло 2 дня. Мы решили начать с канала Telegram, так как там поступает меньше всего обращений. Каких-то особых проблем в подключении не было, по крайней мере для нас 🙂 С этого момента мы начали совместную непрерывную работу над совершенствованием нашего бота и продукта в целом, потому что Wikibot — это стартап, у которых мы одни из первых клиентов. ## Продумали логику работы бота Мы не любим, когда нужно долго добираться до агента поддержки, поэтому решили не создавать препятствий и нашим студентам. Сразу задумали, что человека можно будет вызвать с помощью слова «оператор», и прописали это в его ответе. Сначала бот обрабатывал первое и каждое следующее сообщение, пока студент не позовет оператора. ### Минусы: - не все дочитывали до конца, что нужно назвать волшебное слово и просто продолжали писать и задавать вопросы — так может продолжаться вечно и мы не узнаем, если специально не следим; - каждый запрос стоит денег, бесконечные диалоги съедят запас «кредитов». ### Плюсы: - студент мог получить правильный ответ бота на каждое сообщение; - в конце боту говорили «спасибо» и иногда даже не замечали, что с ними говорит ИИ :) Поэтому оставили обработку только первого сообщения. Также решили, что все ответы бота будут перепроверять агенты. Тем более все тикеты мы помечаем темой для статистики, а бот этого не умел. Поэтому правила в Юздеске сильно менять не пришлось, просто в цепочку обработки тикета ворвался ИИ, который давал ответ. Получилась такая схема обработки: ![02.png](https://cms.wikibot.pro/uploads/02_b8ebbe57b0.png) ## Прописали шаблоны бота Решили, чтобы в первой части сообщения от бота будет его сформированный ответ из базы знаний, а в конце — шаблонная приписка: «Если остались вопросы, напишите оператор». Подумали, что если написать про бота в начале ответа, то студент не станет читать и сразу попросит оператора, так как пока доверия к ботам не сложилось, и опыт у многих скорее негативный. Еще важно составить список слов, которыми пользователь захочет позвать агента — диапазон примерно от «позовите человека» до «император». ![03.png](https://cms.wikibot.pro/uploads/03_797d632950.png) Позже поняли, что бота нужно еще обучать, а его ответы иногда были прямо сказать ужасные и невпопад, и стоит все таки предупреждать студентов, что с ними общается бот, чтобы в случае обмана или чуши с его стороны, перестраховаться. Придумали такой текст: >Здравствуйте! Я бот Skillbox и учусь вместе с вами 💙 >*тут ответ* >Если остались вопросы, напишите «оператор» — переведу вас на человека. >Мой ответ составлен на основе базы знаний Skillbox. В ней вы найдете более подробную информацию: >— *ссылка на одну статью* На практике оказалось, что негатива наличие бота не вызывает. Если ответ не подошел, студент спокойно дожидается агента. Позже добавили и другие реакции бота на разные случаи: - Исключение, если в сообщении только приветствие без вопроса, чтобы он не пытался найти ответ и не отвечал «у меня нет ответа на этот вопрос». Сделали к таким случаям отдельный шаблонный ответ, чтобы бот просто здоровался: «Здравствуйте! Чем могу помочь?». - То же самое проделали со «спасибо» и добавили отдельный ответ: «Рад помочь! Пишите, если будут вопросы». - Добавили еще одно сообщение, когда студент вызывает оператора: «Хорошо, передал ваше обращение в работу — скоро вернёмся с ответом». - И сделали специальные автоответы в зависимости от времени дня. Если это нерабочее время, то бот отвечал, что сейчас Служба заботы отдыхает, но он постарается помочь. И дальше сгенерированный ответ бота. Получились такие шаблоны: ![04.png](https://cms.wikibot.pro/uploads/04_142ae4de5c.png) ## Встретили приколы бота (и проводили) Поделюсь, с чем мы работали и с чего начинали. Не нравилось, что поначалу он отвечал, будто не имеет отношения к Skillbox: «в данной документации не указано» или «документация предоставляет несколько вариантов». Однажды так и сказал: «Я не являюсь представителем Skillbox и не имею доступа к их политике обучения. Рекомендую вам обратиться в их службу поддержки». Что в этот момент думал про нас студент, остается только догадываться 🙂 Или отфутболивал в поддержку, хотя студент уже в одном из наших каналов: «напишите в Службу заботы Skillbox на hello@skillbox.ru, через виджет чата на платформе или же в Telegram — @Skillbox_support_bot». Так получалось, потому что в статьях нашей базы знаний мы писали, куда обращаться, если не нашли ответ. ![10.jpeg](https://cms.wikibot.pro/uploads/10_1221a8675e.jpeg) Еще в ходе донастройки регулировали волю ИИ, потому что иногда он выдумывал ответы, отправлял искать на платформе то, чего нет, или давал личные рекомендации, какой курс выбрать: ![11.png](https://cms.wikibot.pro/uploads/11_f410b47997.png) ## Ввели показатели для отслеживания успеха бота Мы читали статьи, как другие измеряют успешность бота, и пришли к выводу, что каждый считает по-своему. Поэтому подробнее остановлюсь, как именно выбрали замерять успешность бота, а если что — спрашивайте в комментариях, откуда цифры, объясню. Первый раз мы проверили ответы бота спустя неделю его работы. В первой выгрузке я ввела такие столбцы: - Верно или нет. - Какая ошибка: - отправил к нам же;ответ неверно сформулирован;придумал от себя;нужно было передать оператору;ответ не по делу;неполный ответ. - Недочеты: - слеши;опечатка;странная формулировка;кавычки. - Как надо? Как лучше? — здесь пишем словами, что должен был ответить бот. ![12.png](https://cms.wikibot.pro/uploads/12_228b82133b.png) Первые результаты были такие: - От общего числа тикетов, прошедших через бота, верных ответов или переводов на оператора — 28%, можно лучше — 20%, неверно — 52%. - Среди запросов, где бот совершал попытку ответить, верно — 23%, можно лучше — 22%, неверно — 55%. - Из общего числа ошибок нужно было передать оператору в 43% случаев. Отправил писать к нам же в поддержку — 24%. Сначала получились такие два показателя, которые мы стали отслеживать: - Количество верных срабатываний — правильный ответ на вопрос или верное решение передать в этом случае оператору. Так как очевидно, что не на все вопросы может и должен отвечать бот, что-то надо сразу отдавать человеку. - Количество верных ответов — считаем от общего числа тикетов, которые прошли через бота. *Количество верных ответов среди всех попыток ответить по базе знаний не стали сразу считать, но потом вспомнили про этот показатель и ввели его задним числом. Окей, столько он правильно переводит, столько дает правильных ответов. А польза есть? Мы поняли, что не хватает ключевого — какой процент обращений обрабатывается полностью без агента. Исходя из которого мы как раз и сможем посчитать экономическую полезность бота для бизнеса. Поэтому в следующих проверках добавили еще два столбца в выгрузке — вернулся ли пользователь и вернулся ли саппорт. Мы начали это измерять, но пока себе еще врали — так как агенты продолжали проверять тикеты после бота и возвращаться, если что, и проставлять тему обращения. А значит мы еще тратим человеческие ресурсы. ## Выделили ИИ-менеджера На этом этапе, через месяц после старта, я призвала на помощь человека из моей команды проверять выборочно выгрузки с ответами бота и помечать, верный ли он дал ответ и как можно было лучше. А также править формулировки в статьях базы знаний, чтобы помогать боту лучше понимать контекст и верно отвечать. Классно, если бы такой человек шел в комплекте с «кредитами», но никто лучше нас не знает, правильно ли бот дал ответ, даже если есть база знаний. Делегировать этот вопрос — ухудшить совершенствование бота. ![13.png](https://cms.wikibot.pro/uploads/13_22c6fce592.png) ## Поставили цели для бота Откуда взяли целевые значения: — ориентировались на текущие значения и прикидывали, на сколько еще это может вырасти в реалистичном и оптимистичном сценарии; — заложили свои надежды и желания, потому что ниже нам неинтересно и не надо. Цели получились такие: - Верных срабатываний из всех тикетов — 95%. - Верно отвеченных из всех тикетов — 50%. - Верно отвеченных из попыток ответить — 97%. - Успешно закрытых полностью ботом из всех тикетов — 30%. ![14.png](https://cms.wikibot.pro/uploads/14_4896910123.png) ## Проблемы: бот не работает? Спустя полтора месяца работы стало казаться, что становится только хуже. Работа над базой знаний с нашей стороны и донастройка алгоритмов со стороны Wikibot не дает результатов. Энтузиазм падает — то бот придумывает ответы от себя, то перестает отвечать сегодня на то, на что вчера давал хороший ответ. ![15.png](https://cms.wikibot.pro/uploads/15_a4203e2871.png) Команда Wikibot предложила вариант сделать дополнительный шаг в обработке — гугл-таблицу с вопросами и ответами, на которые бот срабатывает пока некорректно. Бот бы обрабатывал в таком порядке: сначала искал близкий по смыслу вопрос в таблице, а если не находил, переходил к поиску по открытой базе знаний с применял свой ИИ. Идея мне понравилась — мы начнем больше тикетов обрабатывать верно. Когда мы начали прорабатывать вопрос-ответ в табличке, быстро пришло понимание, что мы скатываемся в тот бот, что у нас раньше был в Юздеске. Так как оказалось, что надо добавлять разные вариации запросов для одного ответа: «ошибка отправки», «ошибка при отправке сообщения» и так далее. Возник вопрос — зачем нам тогда этот ваш хваленый ИИ, если я сижу и придумываю, какой формулировкой студент может задать вопрос. Напрашивался вывод: бот пока не готов взять на себя часть работы поддержки! Позже команда Wikibot признала, что файл QA в гугл-таблице спутал им поиск, и вдобавок они превратили свой продукт в сценарного бота. Но как принято в захватывающих историях, эти сложности были толчком к переломному моменту. На этом этапе мы договорились, что убираем гугл-таблицу, возвращаемся к изначальному сценарию и будем регулярно совместно работать над улучшением бота — мы правим базу знаний, они алгоритмы. ## Ввели теги для автоматического подсчета показателей Кроме ручной выборочной проверки, нужен автоматический подсчет. Мы завязали простановку тегов по определенным фразам бота в зависимости от ситуации — когда он дал ответ, когда ответа не знает или когда сработало наше настроенное исключение. Здесь процент рассчитывается от общего числа тикетов. Также правилом проставляем тег, когда студент написал после ответа бота. Так мы понимаем, когда ответу бота не поверили или он не подошел – полностью или частично. Бывают случаи, когда обращаются к оператору с первого сообщения в тикете – срабатывает тег и здесь. И настроили тег на случаи благодарности боту. ![16.png](https://cms.wikibot.pro/uploads/16_eef6d81dfd.png) В табличке по описанию и в первичной настройке кажется все просто. Но на деле сталкиваешься с разными сценариями и неучтенными условиями, так как помимо бота есть еще 300 настроенных правил в хелпдеске по распределению тикетов и другим процессам. Получается примерно так 🙂: ![17.jpeg](https://cms.wikibot.pro/uploads/17_51f459392e.jpeg) ## Как изменился бот спустя 6 месяцев работы Появился личный кабинет, где можно менять шаблоны ответа бота, просматривать отчеты и тестировать ответы бота. Wikibot сделали «первую линию поддержки», где можно указать вопросы, на которые нужно дать фиксированный ответ или передать оператору. ![18.png](https://cms.wikibot.pro/uploads/18_9a781123b8.png) К проиндексированным статьям теперь можно задавать ключевые слова и фразы, чтобы бот лучше распознавал вопросы. Добавили в исключения на почтовом канале список спамеров и формулировки автоответов студентов типа «я в отпуске», чтобы не тратить кредиты. Wikibot ввели возможность выставлять тему обращения, соответствующую статье в базе знаний, где боту удалось найти ответ. Ура! Нам оставалось только переключить правила в Юздеске, чтобы теперь тикеты назначались на агентов только тогда, когда студент попросил оператора. Теперь мы можем замерить реальное количество тикетов, которые решились без агента. ## Результаты бота: что сейчас Момент истины — насколько бот справляется с задачей забрать на себя часть обращений пользователей. Лучше слов скажут только цифры — он взял на себя 25% обращений, которые полностью закрываются без агента: ![19.png](https://cms.wikibot.pro/uploads/19_b48a6769f0.png) ![20.png](https://cms.wikibot.pro/uploads/20_89d368f2e6.png) Ответы бота сегодня выглядят так: ![21.png](https://cms.wikibot.pro/uploads/21_2433bc282c.png) Кроме того, бот нам подарил красивое время первого ответа – меньше двух минут. ## Cколько экономит нам бот При условии, что один эффективный агент на первой линии обрабатывает 75 тикетов в смену, а бот забирает 25% обращений — мы экономим на 5 агентах. Стоимость обслуживания бота не больше, чем оплата труда одного сотрудника, поэтому экономия выражена и в деньгах для бизнеса. ![22.png](https://cms.wikibot.pro/uploads/22_4e6203f42c.png) Мы довольны тем, что получилось. В 2024 году большие языковые модели станут умнее и доступнее, а значит наш бот сможет закрывать больше задач. ## Готовы ли вы к ИИ-боту в службе поддержки ### Нужен ли вам ИИ-бот: 1. Если в поддержке работает пара человек, то внедрение бота будет экономически нецелесообразно. Бот даст значимое улучшение показателей и эффект для бизнеса, если в команде от 5 специалистов. Для маленьких компаний имеет смысл запустить бота отвечать по ночам и выходным. 2. Если у вас меньше 500 тикетов в месяц, также не торопитесь с ботом. ### Бот своими силами или готовое решение: Да, разработать своего чат-бота сейчас можно за пару часов, однако реальное продакшн-решение потребует инвестиции на содержание штата разработчиков, которые будут готовы на постоянные доработки и непрерывную работу над улучшением алгоритмов. Мы посчитали, сравнили и нам оказалось выгоднее работать с подрядчиками. ### К чему нужно быть готовым: Бот будет плохо отвечать какое-то время. Невозможно сначала сделать идеально бота, а потом его запустить. Это итеративные процесс совершенствования продукта, только реальные вопросы пользователей покажут слабые места. Потребуется вложить силы и время. Наш опыт показывает, что к успеху можно прийти при интенсивной и системной совместной работе заказчика и исполнителя. ## Чек-лист: как внедрить ИИ-бот в службу поддержки 0. Собрать открытую базу знаний 1. Интегрировать бот в хелпдеск 2. Продумать схему обработки обращения 3. Настроить правила и триггеры в хелпдеске 4. Написать шаблонные части ответа бота 5. Выделить ИИ-менеджера для совместной работы с командой бота 6. Продумать показатели для отслеживания работы бота 7. Продумать целевые показатели успеха мероприятия 8. Ввести теги для автоматического подсчета показателей 9. Продумать вопросы-исключения и L1 бота 10. Проиндексировать базу знаний 11. Запустить бота 12. Непрерывно улучшать базу знаний и алгоритмы

@Tom_LETO•

Назад

Вперед