ВТБ реализовал проект по автоматизации сценариев обработки жалоб и проблемных запросов клиентов в чат-боте «ВТБ Онлайн». Его целью стало увеличение уровня автоматизации (доли сессий, обработанных без подключения оператора) и доли удовлетворенности клиентов в сценариях чат-бота, связанных с жалобами и проблемными запросами. О реализации проекта и его значении для бизнеса банка рассказывает Леонид Курашов, лидер кластера «чат-боты», стрима «Мессенджеры и чат-боты» ВТБ Онлайн и номинант на премию Data Award.

- Почему ВТБ пришел к реализации проекта по автоматизации обработки проблемных запросов?

Есть две основные предпосылки для того, чтобы автоматизировать проблемные запросы от клиентов в чате. С одной стороны, автоматизация – это возможность разгружать операторов контакт-центра. С другой стороны, это улучшение качества обслуживания клиентов, когда на заданный вопрос клиент получает ответ сразу, без задержек и переключений. Клиенты приходят в чат, потому что у них возникла проблема, им может быть что-то непонятно, возникли вопросы – и доля таких запросов от общего числа причин обращений высока, поэтому мы реализовали этот проект.

- Что именно не устраивало, какие проблемы надо было решить?

По части тематик клиенты обращались для того, чтобы уточнить простой вопрос по списанной сумме денег, и оператор просто консультировал клиента по причине списания этой суммы, дате, торговой точке. Такие консультации снимали большинство вопросов клиентов. Часто по обращениям, связанным с техническими ошибками, операторы выполняли ряд проверок на актуальность данных и версии приложения, наличии технических «задвоений», предоставляя клиенту простую рекомендацию, которая в итоге решала проблему. Все это занимало время оператора, поэтому мы сфокусировались на том, чтобы научить чат-бот выполнять эти действия и разгрузить оператора, при этом решив проблему клиента.

- Почему это важно?

Чтобы не потерять клиента в случае возникновения ошибки в приложении или в других проблемных случаях, чат-боту нужно уметь сглаживать негатив и помогать клиенту без подключения оператора ответить на вопрос, дать разъяснения по спорной операции или принять жалобу. Умение работать со сложными кейсами – максимально важный навык чат-бота для повышения качества клиентского сервиса и совершенствования клиентоориентированного подхода. Значительная часть тематик чат-бота связана с вопросами: «Не работает ВТБ Онлайн», «Не могу перевести деньги», «Не могу войти в ВТБ Онлайн», «За что списали деньги» и др. В среднем по таким тематикам приходит 237 тыс. обращений в месяц, и нашей задачей было их автоматизировать.

Также стоит отметить, что улучшение качества чат-бота влияет на ключевой показатель качества в банке – индекс лояльности, а работа с обращениями клиентов позволяет оперативно реагировать на проблемные кейсы, улучшать приложение и давать более качественный продукт, удерживая клиентов.

- Как подошли к решению проблемы?

Когда мы приступили к работе, то выделили несколько направлений по улучшению клиентского опыта. Во-первых, это допретензионный этап, основная задача которого – точная диагностика технической проблемы клиента, умение распознать скриншоты с ошибкой. Во-вторых, важна способность чат-бота дать точный ответ по проблеме, с которой клиент обратился в чат, и помощь в ее решении. Наконец, в случае невозможности решить проблему в моменте нужна автоматизация процесса жалоб и разгрузка времени оператора в процессе регистрации претензии.

- Какие требования предъявлялись к создаваемому решению?

С точки зрения бизнеса требования были связаны с улучшением качества сценария, по итогам внедрения стояла задача вырастить долю удовлетворенных. По наиболее частым сценариям были детально проработаны карты клиентских путей, на базе которых формировались требования к веткам сценария, которые предусматривают все доступные для анализа причины обращения.

С технической точки зрения были важны требования к доступности и скорости ответа чат-бота.

- В чем суть решения?

Его работа состоит из двух основных этапов. Первый из них – определение намерений пользователя. Его задачей является подбор сценария чат-бота, который наилучшим образом позволит закрыть потребность клиента. Это реализовано с помощью использования двух взаимодополняющих моделей: ML-модели на базе платформы «Наносемантика» для определения намерений в тексте и модели для классификации и распознавания изображений, которые пользователи отправляют в чат.

Второй этап – формирование ответа для пользователя – использует большой массив данных о пользователе, которые хранятся в банке: данные о пакете обслуживания, сегменте клиента, продуктах, заведенных ранее жалобах, совершенных операциях и еще более десятка классов данных, опираясь на которые чат-бот формирует ответ. На этом этапе текущая реализация также опирается на логику и правила, реализованные на платформе «Наносемантика».

- В чем состояли основные проблемы при реализации проекта?

Основные проблемы были связаны со сложными процессами, в которых задействованы сразу несколько департаментов: это и контакт-центр, и департамент по работе с обращениями клиентов, и технологические подразделения. Благодаря общей вовлеченности и синхронизации на уровне коллегиального органа банка, отвечающего за качество обслуживания клиентов, мы внедрили новые процессы. А внимание к работе с метриками и A/B-тесты позволили подобрать нужные формулировки для негативных кейсов и удержать качество сценария на таком же уровне, как если бы обработкой запросов занимался человек.

- Какие результаты достигнуты?

За счет внедрения комплексных сценариев чат-бота нам удалось автоматизировать диагностику технических проблем, собирать логи, принимать жалобы и претензии, отвечать клиенту на вопросы вроде «За что списали деньги?», а также запустить распознавание изображений. Это привело к выдающимся результатам.

Мы обеспечили автоматизацию 2 млн сессий в год. Автоматизация претензионных обращений составила 60,8%. Автоматизация чат-бота выросла на 14 процентных пунктов и составила 85%.

Экономия от внедрения сценариев обработки жалоб составила 129 млн руб., а общая экономия чат-бота за 2024 год достигла 3,5 млрд руб.

- Чем можно гордиться?

В масштабе крупного банка с высоким трафиком в канале чата, нам удалось успешно внедрить модели машинного обучения для распознавания намерения клиента и классификации изображений, а также сценарии работы с данными в проблемные запросы от клиента. Это позволило чат-боту срабатывать эффективнее человека: быстрее распознавать проблему и совершать действия по ее решению, беспристрастно на нее реагировать. Клиент получает ответ по делу, а сотрудник банка не потратит время и нервные клетки на отработку жалобы.

Реализации подобных сценариев на рынке в банках в таком масштабе на текущий момент нет. Это уникальный проект на текущий момент для банков.

- Каковы направления развития проекта?

По итогам завершения этого проекта продолжаем развивать направление работы с жалобами и претензиями – расширяем число тематик, доступных для автоматизированной регистрации без оператора, обработку претензий с онлайн-выплатой. Активно развиваем применение технологий машинного обучения – совершенствуем модели распознавания изображений и модели определения намерений пользователя, внедряем технологии выделения именованных сущностей для сокращения, пилотируем использование генеративных моделей.