Как автоклассификация клиентских запросов позволила банку сэкономить десятки миллионов рублей в год и какого инструментария пока не хватает для полноценной автоматизации NLP-проектов, рассказывают Руслан Фазилов, начальник управления «Контактный центр», и Лев Меркушов, зам. начальника управления перспективных алгоритмов машинного обучения ВТБ.
— Что послужило драйвером для использования ML в решении рутинных задач?
Л. Меркушов: Банк работает с живыми людьми и бизнесом, с экономическими процессами, скорость изменений внутри которых невероятно высока, и с каждым днём эти изменения становятся всё более чувствительными для всех нас. Для того чтобы успеть за ними, мы должны перестроить своё мышление — и научиться не просто принимать решения, опираясь на данные, но делать это максимально быстро. Дальнейшие возможности ускорения мы связываем с увеличением количества и качества автоматизированных процессов.
Банки исторически активно используют и развивают в своих процессах методы математического моделирования и ИИ. И ценность Machine Learning, т. е. обучения моделей для выявления общих закономерностей в данных, в этом контексте очевидна — ведь банк на основе большого количества информации постоянно обучает модели для решения прикладных задач, например для обнаружения признаков мошенничества, автоматизации рутинных задач с помощью ботов и многого другого.
В ВТБ достаточно быстро поняли, как можно по максимуму применять современные технологии и использовать их на благо клиентов и сотрудников. Так мы научились выявлять точечные потребности, предлагать актуальные продукты, исходя из предпочтений конкретного клиента.
— Приведите пример, как банк уже использует ML-инструменты.
Р. Фазилов: В течение года в контакт-центр (КЦ) банка поступает около 70 млн обращений, и, само собой, каждый клиент рассчитывает, что его вопрос будет решён «здесь и сейчас». Такого результата можно было добиться, только научившись сразу понимать, с какой проблемой обращается клиент и какое количество сотрудников должно быть на линии в определённый момент.
Поскольку работа с сырыми данными невозможна, на начальных этапах сотрудники выбирали тематику обслуживания вручную, что существенно затягивало время. Кроме того, периодически срабатывал человеческий фактор.
Следовательно, нам предстояло вывести работу с данными на новый уровень, реализовав проект автоклассификации обращений в КЦ. Для этого нужно было:
— исключить ошибки ручной классификации обращений сотрудником;
— минимизировать трудозатраты на рутинную операцию;
— реализовать получение сигналов в онлайне для управления нагрузкой и распределением ресурсов КЦ;
— реализовать получение бэк-подразделениями обратной связи от клиентов для анализа и улучшения продуктов и сервисов банка исходя, например, из всплеска запросов по определённой тематике.
Для начала решили проблему с данными — на уровне контактного центра внедрили системы по транскрибированию речи клиентов и сотрудников...
Продолжение читайте на https://futurebanking.ru/post/4073
