.jpg) |
Сегодня рынок все больше стремится к клиентоцентричности — эффективная работа с клиентом становится важнейшим преимуществом при работе на высококонкурентном рынке. Как компаниям реализовать клиентоцентричные стратегии? В «Альфа-Банке» с помощью средств машинного обучения была оптимизирована работа с негативными отзывами клиентов и реализован полный цикл работ по управлению клиентским опытом. О предпосылках и роли этого проекта рассказывает Анна Кабанец, начальник управления клиентского опыта департамента стратегического развития и качества «Альфа-Банка» и номинант на премию Data Award 2023.
Что инициировало проект по работе с негативными отзывами?
Для улучшения опыта работы с клиентами необходимы регулярные замеры обратной связи с последующим внедрением улучшений на их основе — мы запрашиваем обратную связь клиентов не ради самой оценки, а чтобы понимать зоны роста. Замеры удовлетворенности осуществляются с помощью инструментов платформы Voice of Customer (VOC, «голос клиента») — нашей разработки, позволяющей в режиме реального времени и в любом канале запрашивать оценки клиентов по итогу их взаимодействия с сотрудником или процессом. Основная метрика оценки клиентского опыта (Customer Experience, CX), используемая в банке, — это VOC, сбор обратной связи в едином формате для всех каналов обслуживания и продуктов. Когда вы обратитесь в отделение банка, чтобы оформить кредитную карту, заполните все документы и выйдете из отделения, то получите пуш- или СМС-уведомление с просьбой оценить качество обслуживания. Всем клиентам, обратившимся в отделение в этот день, предлагается выбрать категорию негатива, оставить комментарий и оценить обслуживание по определенной шкале. Результаты опросов хранятся в информационных системах банка и предоставляются руководителям каналов и продуктовых команд в формате автоматизированных дашбордов с разными уровнями детализации (рис. 1).
.jpg) |
| Рис. 1. Представление результатов опросов |
За год накаливаются сотни миллионов оценок VOC — огромный массив структурированной информации, причем за каждой оценкой стоит своя история. Особенно важно разобраться с негативными оценками — клиент остался недоволен, и важно понять, что его расстроило, для исключения повторения ситуации в будущем. Целью проекта стало выявление в огромном массиве данных конкретных причин недовольства клиентов.
Какие требования выдвигались к создаваемому решению?
По итогу проведенного анализа мы должны были четко понимать, в какой точке контакта и какие изменения необходимы для улучшения впечатления клиентов от взаимодействия с банком. Ранее для классификации негатива использовались ручные вычитки — сотрудники просматривали отзывы и искали корневые проблемы, но так невозможно ни обработать весь массив данных, ни избежать субъективности эксперта.
По мере развития компетенции в области продвинутой аналитики у нас появилась возможность использовать алгоритмы машинного обучения для создания точного классификатора негатива и отказа от ручных вычиток. Для этого была разработана специальная тематическая модель, позволяющая в автоматическом режиме анализировать весь объем данных опросов, классифицировать по проблематике и затем суммировать их, что в разы сокращает объем вычитки. На основе получившейся суммаризации создается новый классификатор негативных оценок клиентов.
Какой использовался математический аппарат?
Тематическое моделирование, позволяющее определить, к каким темам относится конкретный документ и какие слова образуют каждую тематику. Тематическое моделирование похоже на кластеризацию документов с тем отличием, что при кластеризации документ целиком относится к одному кластеру, тогда как тематическая модель осуществляет мягкую кластеризацию, разделяя документ между несколькими кластерами (темами). Нам требовалось понять, какими темами можно описать датасет, а также подобрать оптимальное число тематик, покрывающих всю коллекцию. Помимо этого, сформированные темы должны быть интерпретируемыми: посмотрев содержимое каждой из них, сотрудник банка может сразу понять, о чем она — о комиссии или кешбэке.
С большинством подсвеченных требований помогает справиться тематическое моделирование коллекции текстовых документов, определяющее, к каким темам относится каждый документ и какие слова образуют каждую тематику. Для этого каждая тема описывается дискретным распределением вероятностей слов, а каждый документ — дискретным распределением вероятностей тем.
Тематическое моделирование похоже на кластеризацию документов. Отличие в том, что при кластеризации документ целиком относится к одному кластеру, тогда как тематическая модель осуществляет мягкую кластеризацию, разделяя документ между несколькими кластерами — темами (рис. 2).
.jpg) |
| Рис. 2. Тематическое моделирование |
Какие данные используются для обучения?
У нас огромное количество оценок VOC, дополнительно мы запрашиваем категории негативных и положительных оценок. Они помогают на верхнем уровне отслеживать, в каких каналах и продуктах, какие тематики требуют улучшений. Для того чтобы более конкретно понимать причины негатива, все подобные оценки обзваниваются экспертами отдела по сохранению лояльности клиентов (ОСЛК). По итогу звонка заполняется краткое экспертное заключение с описанием причин негатива по заданным параметрам. С начала 2022 года накоплено более 150 тыс. таких заключений. Тематическая модель позволяет обработать весь объем экспертиз, формируя ряд тем и определяя, к каким темам относится каждая экспертиза и какие слова образуют каждую тему. Для этого каждая тема описывается дискретным распределением вероятностей слов, а каждый документ — дискретным распределением вероятностей тем. Сегодня классификатор применяется для категоризации негатива во всех каналах взаимодействия с клиентами — физическими лицами.
Для трансляции результатов руководителям предназначен автоматизированный дашборд по основным причинам появления негативных VOC — здесь показываются тематики негативных оценок с указанием веса каждой из них во всем объеме негативных оценок в необходимых разрезах.
Какие достигнуты результаты?
Во-первых, увеличилась собственно скорость поиска инсайтов — за счет применения машинного обучения вычитка экспертиз сотрудников ОСЛК ускорилась в пять раз. Во-вторых, в четыре раза сократилось число сотрудников, занятых в вычитке. Кроме того, заметно увеличился охват — для поиска CX-инсайтов сняты ограничения по количеству каналов взаимодействия с клиентами и числу банковских продуктов. Сейчас мы обрабатываем экспертизы по более чем 20 каналам обслуживания клиентов и продуктам. Наконец, повысилось доверие к результату — применение машинного обучения придало дополнительный вес выводам и рекомендациям, исключив субъективность.
.jpg) |
| Анна Кабанец: «Улучшение клиентского опыта — это непрерывный процесс, оказывающий влияние на лояльность клиентов в долгосрочной перспективе. Мы внедрили этот процесс, отслеживаем результаты и накапливаем данные. Выросла скорость поиска инсайтов и оперативной передачи информации в бизнес-подразделения для внедрения конкретных улучшений» |
Как эти результаты отразились на лояльности клиентов?
Улучшение клиентского опыта — это непрерывный процесс, который оказывает влияние на лояльность клиентов в долгосрочной перспективе. Мы внедрили этот процесс, отслеживаем результаты и накапливаем данные. В целом увеличили скорость поиска инсайтов и оперативной передачи информации в бизнес-подразделения для внедрения конкретных улучшений. Сегодня клиенты по результатам общения с человеком (персонализированные каналы коммуникаций) все чаще ставят более высокие оценки и более низкие при общении по роботизированным каналам коммуникаций. Средняя доля положительных оценок VOC сейчас составляет 85%.
При обработке данных мы обнаружили, что в 30% случаев клиенты при оценке качества обслуживания в канале либо работы конкретного сотрудника на самом деле оценивают продукт. Например, так происходит при оценке визита в отделение банка или звонка в контакт-центр. При оценке продукта, наоборот, клиенты могут оценивать конкретного сотрудника. Таким образом мы выявили кроссфункциональную зависимость канальных и продуктовых VOC.
На сегодняшний день можно сказать, что нам удалось вдвое сократить ресурсы на поиск инсайтов и повысить скорость их поиска. Кроме того, благодаря этому проекту мы внедрили VOC-переменные в модели принятия решений — например, склонность клиентов к покупке инвестиционных продуктов.
Какие возможности открыл проект банку?
Сегодня в банке реализован полный цикл работ по управлению клиентским опытом. Запущены процедуры автоматизированных замеров обратной связи от клиентов в режиме реального времени во всех точках контакта физических и юридических лиц с банком. Причем замерами охвачены не только каналы, но и продукты банка.
Внедрен процесс работы с негативными оценками — все отрицательные отзывы прозваниваются в течение суток экспертами ОСЛК. Реализован процесс работы с отклонениями в обслуживании и операционными ошибками — при возникновении инцидентов эксперты направляют ответственному сотруднику оповещение — Alert VOC. Работа с оповещениями также автоматизирована, а результаты выводятся на специальный дашборд.
На основе результатов замеров ведется реестр корневых проблем — перечень инициатив по улучшению клиентского опыта. В реестре описаны необходимые действия по улучшениям, сроки и ответственные сотрудники. Реализация инициатив из реестра — реальные примеры улучшений впечатлений клиентов от взаимодействия с банком.
Николай Смирнов (nsmirnov@osp.ru) — независимый автор (Москва).
