Марина Кузьмина, Hoff: «Бот закрывает 78% запросов, из которых 55% считаются успешно закрытыми»

Справка о компании: сеть гипермаркетов Hoff – одна из крупнейших динамично развивающихся розничных сетей. На сегодняшний день сеть гипермаркетов мебели и товаров для дома Hoff насчитывает 61 магазин по России. Из них 48 гипермаркетов, 3 магазина формата Mini, 9 магазинов формата Home и 1 магазин формата Smart. Общая площадь гипермаркетов сети более 380 000 м². В компании работают более 6 400 сотрудников, гипермаркеты Hoff ежегодно посещают более 17 миллионов человек, а посещаемость сайта и мобильного приложения составляет 113 миллионов посетителей в год.

Создание чат-бота

Один из важных проектов нашего отдела – разработка и улучшение чат-бота Hoff. Чат появился в компании в 2019 году, когда четко обозначился рост потребности клиентов взаимодействовать с компанией не только по телефону и электронной почте, но и в формате быстрой переписки. Чат мы запускали в формате свободного текстового ввода, когда клиент мог писать все, что угодно, и шел моментальный перевод на оператора.

По итогам тестирования чата сделали два очень важных вывода. Во-первых, если не определить тематику входа, клиент будет писать буквально все подряд. На момент тестирования более 80% запросов были нецелевыми, т.е. вообще не относились к работе компании. Во-вторых, для обслуживания потока клиентов, которые хотят узнать не только дату своей доставки, но и поговорить на отвлеченные темы, нам потребовалось участие более 20 операторов, что на тот момент было абсолютно нецелесообразным с точки зрения распределения ресурсов компании.

Поэтому мы приняли решение оптимизировать обработку входящих активностей путем создания своего рода фильтра (чат-бота), который как раз смог бы отсеивать нецелевые запросы, давать клиентам готовые шаблонные ответы на типовые запросы и предоставлять функционал без привлечения оператора.

Разработка структуры чат-бота

Мы начали собирать данные, вручную вычитывая ранее поступившие от клиентов обращения в чат, выделяли типовые запросы клиентов и создавали такие же типовые ответы. Кроме того, на основании этой вычитки мы выделили самые частые функциональные запросы клиентов, такие как назначение даты доставки или проверка статуса заказа. По некоторым из них создали навыки бота, которые исключали необходимость привлечения оператора к обработке клиентского запроса. Операторский канал мы на тот момент отключили, перевод на сотрудников был недоступен.

В целом под навыками бота мы понимаем способность робота не просто давать шаблонный текстовый ответ, а запрашивать данные у сервиса и при необходимости передавать обратные запросы. Например, для назначения даты доставки мы у клиента узнаем все нужные данные для его идентификации (номер заказа, номер телефона), передаем полученные данные в сервис и потом, когда узнаем от клиента желаемую дату доставки, снова передаем информацию в сервис. После этого данные фиксируются, таким образом происходит отработка функционала. По этой же логике мы настраиваем все навыки бота.

После создания навыков мы вынесли их в кнопки главного меню, а текстовые запросы продолжали принимать в стандартном формате. Поскольку на тот момент было подключено всего 4 навыка бота, функционал кнопочного меню был весьма ограничен. Как следствие, доля клиентов, которые приходили к нам через текстовые запросы, составляла 90% от общего числа запросов, и только 10% клиентов пользовались информационным меню.

Фильтрация запросов ботом

Попасть на навыки бота можно было не только из меню. Для распознавания сути запроса клиента и дальнейшего перехода к функционалу мы создавали тренировочные фразы, ввод которых служил триггером для срабатывания навыка бота и перехода к нужному сервису. Впоследствии мы модернизировали процесс распознавания путем создания сущностей – часть клиентского запроса, которую можно выделить из общей фразы (номер телефона или заказа, номер бонусной карты клиента). Сущности, по аналогии с тренировочными фразами, приводят клиента к получению нужной ему информации, только в этом случае мы, по сути, предугадываем желание клиента получить ответ. Благодаря сущностям мы даем покупателю информацию, которую он предположительно хотел бы получить, не затрачивая ресурсы на написание полноценного запроса.

Приведу пример: клиент в чат пишет просто номер своего заказа, и мы, предвосхищая его желание узнать статус этой покупки, выдаем навык бота «Статус заказа», в котором можно увидеть всю важную информацию: что в заказе, когда поступит и т.д.

Благодаря изменению формата работы чата, когда мы ушли от свободных текстовых запросов и создали бота, доля нецелевых запросов снизилась с 80 до 12% за счет фильтрации сообщений клиентов. На текущий момент мы пришли к 1% нецелевых запросов, нам практически не пишут люди, не заинтересованные в деятельности компании, не связанные с продажами и не интересующиеся своими заказами.

Так, первые два года бот функционировал в качестве своего рода гигиенического минимума для компании, отрабатывал 4 навыка, которые закрывали 14% запросов клиентов. При этом основная часть запросов продолжала поступать в текстовом формате, с предоставлением шаблонных ответов.

Апгрейд чата

Важно понимать, что свободный текстовый ввод затрудняет распознавание клиентского запроса. Поэтому в 2022 году мы поставили себе цель максимально увести клиента от текста, дав ему возможность получить информацию в меню чат-бота. Суть изменений – ориентироваться не на самые частые запросы покупателей, как мы делали ранее, а попытаться охватить все возможные поводы обращений в чат. Для получения объективных данных мы решили обратиться к большим цифрам: анализировать входящие звонки, поскольку туда поступает в разы больше активностей. Благодаря такому решению мы смогли увидеть практически все тематики обращений клиентов в компанию, создать полноценное дерево чата, благодаря которому смогли показать полную картину возможностей бота.

Далее по созданному дереву мы подготовили текстовые ответы для каждого сценария, подключили уже существующие навыки бота к нужным кнопкам и объединили это все с действующими текстовыми ответами, чтобы бот по-прежнему умел распознавать текстовые запросы, а не только нажатие на кнопки.

Затем мы подключили операторов в чат, дав возможность перевода на них по определенным тематикам. Эти изменения позволили нам увеличить охват пользователей с 50 до 136 тыс. в год, поскольку с расширенным меню гораздо большее количество клиентов принимали решение остаться в чат-боте и получить ответ на свой вопрос. Кроме того, благодаря изменениям теперь 80% клиентов приходили через информационное меню, и только 20% продолжали писать текстовые запросы. Это позволило нам повысить долю корректных ответов с 34 до 48% благодаря заранее заготовленным сценариям ответов, в противовес которым идет импровизация бота в распознавании текста.

Также у нас оптимизировался процесс снятия статистики по топовым тематикам запросов, поскольку клики на кнопки считать гораздо быстрее и проще, чем вычитывать каждый диалог, чтобы понять, что нам пишут клиенты. В процессе мы поняли, что нагрузка на операторов у нас стала настолько низкая, т.е. бот настолько хорошо фильтровал запросы, что нам потребовалось привлечение всего двух операторов для обработки всех переводов при полном масштабировании нового чата на все регионы.

Добавление навыков

Несмотря на обновления и улучшение работы чат-бота, мы понимали, что по мере дальнейшего масштабирования нагрузка, в том числе на операторов, будет увеличиваться. Поэтому перед нами по-прежнему стояла задача минимизировать участие специалистов в обработке чата. Следующим этапом работы стал анализ обращений клиентов в чат и постепенное создание новых навыков бота. Выборка делалась на основании самых часто нажимаемых кнопок и часто вводимых текстовых запросов. Анализировали те тематики, где требовался перевод на оператора, далее выбирали топ-10 тем, разрабатывали план по автоматизации процессов (как можно автоматизировать функционал, который запрашивает клиент) и создавали навыки бота.

Поскольку нам на данный момент, к сожалению, недоступна прямая интеграция с CRM, добавляли сервисы на основании анализа, но только при наличии аналогичного сервиса в личном кабинете. Т.е. если тематика пользуется спросом в боте, но сервиса нет в личном кабинете, добавить его не представлялось возможным. К счастью, это работает в обе стороны, поэтому, если в личном кабинете есть функционал, и запросов в чат-боте по этому функционалу не очень много, мы его все равно забираем и оптимизируем процесс для качественной обработки пусть даже небольшого количества запросов.

Сейчас с помощью навыков бота клиент может самостоятельно назначить дату доставки и сборки, узнать статус своего заказа и обращения, зарегистрировать новое обращение и др.

Пример срабатывания навыка «Статус заказа» можно увидеть на рисунке. Навык выдает клиенту всю самую важную информацию по оформленной покупке: состав заказа, дата доставки, бонусы и т.д.

Настройка бота

Как ранее упоминалось, срабатывать навыки бота могут как по текстовому запросу клиента, так и путем перехода по кнопкам. Логика настройки единая, при которой интентом будет служить либо конкретная фраза клиента, либо нажатие конкретной кнопки в меню. Оба действия в итоге приведут пользователя к нужному навыку. Для получения информации по запросу клиента бот обращается к сервису, который является хранилищем необходимой информации, и далее через API этого сервиса передается запрос с нужными данными (номер заказа, телефона, код из СМС). Если сценарий предполагает многоуровневое распознавание клиента, мы последовательно запрашиваем у клиента все необходимые данные и также последовательно передаем их в сервис.

Для сущностей, о которых говорилось ранее, мы создаем регулярные выражения, чтобы клиент мог писать сообщение в любом удобном для него формате. Например, он может писать номер телефона, начиная с +7 или 8, со скобками или без. Мы все равно сможем его распознать. Это дало возможность не только улучшить клиентский опыт, но и позволило получить естественный фильтр некорректных запросов. Иными словами, регулярные выражения не пропустят некорректный номер телефона, в котором не хватает цифр или, например, не дадут ввести некорректный e-mail.

Далее по отправленным данным сервис присылает ответ, соответствующий статусу заказа, привязанного к этим данным, и позволяет получить информацию по запросу клиента.

Создание дашборда

Для оценки эффективности произведенных доработок и изменений мы создавали дашборд, который функционирует до сих пор и очень помогает в работе. Он показывает все самые важные статистические данные (доля закрытия обращений ботом и оператором, насколько успешно это происходит, целевые показатели для оператора). На основании этих данных мы обучаем бота, создаем тренировочные фразы для лучшего распознавания текстовых запросов, оптимизируем ответы и в целом видим свои точки роста и дальнейшие пути развития.

Адаптация для клиента, определение точки входа

Для оптимизации чат-бота очень важно отслеживать удобство клиентов в разных точках входа. В частности, выбирает покупатель пункт из меню или пишет текстовый запрос. Когда мы анализировали показатели чата, увидели снижение доли использования кнопок и, соответственно, рост числа текстовых запросов. Это происходило по мере масштабирования чата на разные площадки. Мы сделали вывод, что причина в возможной информационной перегруженности меню чат-бота и потенциальном неудобстве его использования. Благодаря полученным данным мы сейчас делаем акцент на пересмотре дерева чата, улучшении распознавания текстовых запросов и в целом на оптимизации навыков бота.

Поскольку доля использования точек входа почти сровнялась, мы решили пойти в сторону комбинирования обоих форматов коммуникаций (текст и кнопки). На 3-4 квартал текущего года мы поставили себе цель начать оптимизацию ответов бота, переходя на формат не просто текстового ответа клиенту или срабатывания навыка, который дает финальную информацию, но на добавление уточняющих кнопок и вопросов, если клиенту было недостаточно информации в ответе бота.

Визуализацию наших планов можно увидеть на рисунке: клиент пишет запрос, бот дает на него исчерпывающий ответ, но при этом ниже есть кнопки, при нажатии на которые клиент может узнать дополнительную информацию по тематике запроса.

Мы понимаем, что переход на такой формат предполагает достаточно большой объем переработки данных. Тем не менее, этим планируется существенно улучшить клиентский опыт. Результаты мы сможем проверить с помощью CSI: чем больше будет удовлетворенных клиентов, которые смогли получить полный ответ на свой вопрос, тем лучше станут оценки.

Показатели эффективности

На данный момент бот закрывает 78% диалогов, из которых 55% считаются успешно обработанными. Оценка успешности закрытия диалога происходит с помощью оценок CSI: 4 и 5 считаются успешно отработанным диалогом. Все оценки ниже говорят о неуспешной обработке запроса, это сигнал к исправлению работы чат-бота. При этом мы ни в коем случае не оставляем клиента наедине с не удовлетворившим его ответом. По всем низким оценкам у нас сразу предлагается перевод на оператора, чтобы в итоге клиент ушел из чата с ответом на свой вопрос.

Вообще, оценку корректных ответов мы начинали с ручной вычитки, т.е. смотрели, что написал клиент, что ответил бот, сходится ли это со сценарием, который мы закладывали, и, если все было корректно, ответ считался успешным. Однако со временем сделали вывод, что CSI напрямую выражает отношение клиента к работе чата и является более объективной оценкой нашей работы.

На данный момент бот отрабатывает 14 навыков, которые закрывают 37% обращений клиентов. Также в чат-боте есть возможность перевода на операторов интернет-магазина. Пока эти переводы составляют буквально 2% от общего числа диалогов, но конверсия продаж очень радует – 69%.

Планы на будущее

Во-первых, у нас в планах интегрироваться с CRM. Поскольку на данный момент бот использует только сервисы личного кабинета, на выходе получаем сильное ограничение функционала. Интеграция с CRM ускорит процесс добавления новых навыков, позволит добавлять больше функций, оперативно привязывать изменения к карточке клиента и в целом пополнять возможности бота давать клиенту высокий уровень самообслуживания.

Во-вторых, мы планируем перейти на площадку с искусственным интеллектом. Текущая версия разработки, к сожалению, предполагает крайне ограниченные возможности для обучения бота. Чем больше тренировочных фраз мы создаем с целью четче распознать клиентский запрос, тем сложнее становится боту связать эти тренировочные фразы с сутью запроса и выдать правильный ответ. Т.е. он начинает путаться в тренировочных фразах. Платформа с искусственным интеллектом позволит повысить точность распознавания текста, в целом поможет гораздо легче и оптимальнее обучать бота и потенциально даст возможность его самообучения.

Марина Кузьмина, руководитель отдела экспертного обслуживания в департаменте информирования клиентов, Hoff

Узнать больше о решениях, которые помогут усовершенствовать взаимодействие с клиентами, вы сможете на Пятой конференции «Управление клиентским сервисом и лояльностью», которая пройдет 8 декабря 2023 года в Москве. 

Комментарии