Help desk

Служба техподдержки в крупной компании обычно обслуживает целый зоопарк сервисов, например: пару виртуальных АТС, онлайн-магазин, умный дом и охранную систему в придачу. У ребят всегда есть работа тысячи звонков с сотнями проблем от подключения новых телефонных номеров, до отвалившихся IP-камер.

Чтобы упростить работу техподдержки, команда из нашего акселератора разработала автоматизированную систему на базе машинного обучения. Она запускается за 2 дня без подготовки и без помощи специалистов по data science.

Меня зовут Екатерина Мелькова, я тимлид группы продуктовых инноваций в КРОК. Сегодня мы с разработчиками расскажем, как AutoFAQ автоматизирует клиентскую и техническую поддержку.

Тысячи проблем и как их решить

Без автоматизации техподдержка крупной компании либо вечно перегружена типовыми обращениями и плохо справляется со сложными вопросами, либо разрастается и рискует развалиться на отдельные подразделения.

Для того чтобы разгрузить техническую поддержку, нужен интеллектуальный промежуточный слой. Он решит стандартные вопросы с помощью чат-бота на нулевой линии поддержки и облегчит работу оператора первой линии при помощи бота-ассистента.

Helpdesk не проблема, на рынке много готовых решений, а вот запустить чат-бота уже сложнее. Чтобы клиенты его не возненавидели, нужно машинное обучение, а это значит: лингвисты, дата-сайентисты и тщательная разметка данных.

Затем нужно интегрировать бота с helpdesk и корпоративными сервисами и надеяться, что все это будет хорошо работать.

Гораздо проще использовать решение типа все в одном, но цена некоторых подобных систем переваливает за десятки миллионов рублей в год. И им тоже требуется предварительное обучение.

Без обучения ты просто бесполезен!

Наша практика показывает, что даже у больших компаний редко есть качественные обучающие выборки. Вместо того чтобы ждать пока их подготовят, можно запустить бота и обучить его на практике.

С этой мыслью мы разработали единую систему обработки обращений для совместной работы людей и алгоритмов. Она получила название AutoFAQ, потому что для запуска не нужны обучающие выборки и долгая подготовка, достаточно FAQ с сайта компании.

UI и почему это не главное

Мы стремились к тому, чтобы нашим решением мог управлять пользователь без специальных знаний. Поэтому для сотрудников службы поддержки все выглядит просто и привычно.

С виду AutoFAQ напоминает стандартный helpdesk со списком тикетов, разделением по тематикам вопросов, очередями и окном чата. Из этого же интерфейса доступна история переписки, дашборды, отчетность.

Как и в других подобных сервисах, в AutoFAQ есть базы знаний. Но наши базы не просто шпаргалки для службы поддержки это инструмент для машинного обучения. В них встроен механизм понимания вопросов.

Принципиальные отличия AutoFAQ от обычных helpdesk заметны после запуска системы. В окне оператора больше не появляются десятки сообщений ежеминутно. Происходит нечто другое.

Возможности чат-бота

Когда клиент связывается со службой техподдержки по email, через мессенджер, форму на сайте или одну из социальных сетей, в дело вступают алгоритмы машинного обучения.

Классификатор намерений определяет, в чем состоит вопрос, к какой базе знаний обратиться, и какая запись в базе содержит подходящий ответ.

Иногда клиенту нужна только информация. Например, он хочет узнать порядок перезаключения сервисного договора или где находится ближайший принтер. Тогда бот просто берет ответ из базы знаний.

У некоторых заказчиков до 30% тикетов покрываются такими простыми ответами. Однако, наш сервис может помочь, даже если для решения проблемы требуются активные действия службы поддержки.

Допустим, клиент пишет: у меня интернет отваливается или камера барахлит, тогда бот вызывает соответствующий сценарий решения проблемы.

Через подключенные интеграции он идентифицирует пользователя и проверяет подключение к камере.

Если камера не отвечает, для начала бот посоветует проверить ее питание. Если отвечает чат-бот предложит перезагрузить камеру, и после подтверждения сам отправит команду на перезагрузку. Если это не помогло, предложит следующее решение.

Когда бот не может решить задачу, в дело вступают сценарии регистрации заявок в ServiceDesk. Запрос пользователя классифицируется, для каждого класса бот собирает необходимые данные и регистрирует полностью заполненный и размеченный инцидент.

С помощью бота клиенты службы поддержки могут управлять заявками: просматривать, комментировать, вносить изменения.

Сценарии и интеграции

C помощью AutoFAQ можно автоматизировать многоступенчатые сценарии решения проблем.

Для этого мы предусмотрели упрощенный описательный DSL-язык. Он нужен для описания основных шагов взаимодействия бота с пользователем и различными сервисами.

Сценарии могут взаимодействовать с REST и SOAP сервисами. Через них можно формировать SQL запросы. Из коробки поддерживаются MS SQL Server, PostrgreSQL, MySQL и MariaDB. Чтобы реализовать сложную логику, в сценарии можно встроить произвольный JavaScript-код.

С описательной частью сценария без проблем справится бизнес-аналитик, а для работы с запросами и JS-блоками достаточно позвать джуниора.

Благодаря интеграциям, клиенты службы поддержки через чат-бота делают то, что раньше мог только оператор: сбрасывают пароли, подключают новые услуги, меняют тарифы и даже управляют конечными устройствами. Один из наших заказчиков использовал этот механизм, чтобы выстроить целый сервис для настройки и управления умным домом.

Чат-бот и операторы

Конечно, наш бот не идеален и порой не понимает клиентов. Если он не уверен в ответе, и никакие уточняющие вопросы не помогают, система переводит запрос на оператора.

Пока оператор общается с пользователем, бот анализирует диалог и пытается догадаться, какой ответ или сценарий действий уместен в этом случае. Когда система поймет, что к чему, оператор может снова переключить тикет на бота и перейти к следующей задаче.

Чтобы в дело вступил бот, нужно кликнуть на подсказку

Если вопрос оказался новым, или в базе знаний нет подходящего ответа, оператор разберется с проблемой самостоятельно. Ему доступны все те же системы, к которым подключен бот.

Под капотом

Мы хотели, чтобы AutoFAQ дообучалась на данных, собранных в процессе работы. Задачу осложняло то, что обучение должно было происходить без помощи лингвистов с их ключевыми словами и дата-сайентистов с гиперпараметрами.

Поэтому можно было сразу забыть о классических требованиях к обучающим выборкам. Мы готовились к тому, что перед запуском не будет данных, либо это будет сильно перекошенная выборка. Например, 80% вопросов будет относиться к паре проблем, а для остальных будет только по одному вопросу.

Чтобы система работала из коробки, мы использовали нейронную сеть, предобученную на наших исследовательских проектах. Она отвечает за общение с клиентами службы поддержки, пока AutoFAQ не соберет данные на практике.

Это позволяет запускать AutoFAQ в работу с минимальной подготовкой и сразу получать хорошее понимание вопросов. Благодаря предобученной сетке бот понимает вопросы, сформулированные совершенно иначе, чем в примерах. Поэтому он нетребователен к объему и качеству обучающей выборки.

Конечно, у такого подхода есть проблемы. Система хорошо понимает общую лексику, но специфические выражения поначалу даются ей плохо. Поэтому мы предупреждаем заказчиков, что первое время чат-бот может ошибаться, и нагрузка на операторов будет уменьшаться постепенно.

Сразу после запуска AutoFAQ начинает накапливать обучающую выборку и повышать качество понимания вопросов. Чтобы система быстрее начала понимать специфические термины, мы предусмотрели словарь, который можно заполнить вручную.

Обучение на практике

Бот обучается, когда клиенты и операторы службы поддержки подтверждают связь вопроса с ответом, который хранится в базе знаний: либо клиент в диалоге с ботом дает понять, что ответ верный, либо оператор кликает по подсказкам, как в примере выше.

Благодаря этому механизму накапливается массив из различных формулировок одного и того же вопроса. Это позволяет системе лучше понимать людей.

Второй механизм, при помощи которого чат-бот увеличивает объем знаний, пополнение баз новыми записями и примерами вопросов. Их можно составить и загрузить вручную, но в основном используется полуавтоматическое пополнение.

Всякий раз, когда робот не справляется с обработкой запроса, и на него отвечают операторы, генерируется рекомендация по пополнению баз.

Ответ оператора попадает в реестр рекомендаций. Затем администратор системы просматривает реестр, отбирает и группирует удачные рекомендации и нажатием одной кнопки вносит их в базу знаний.

После нажатия опубликовать AutoFAQ запускает подбор и обучение NLU-модели. Если база большая, этот процесс может занять всю ночь или потребовать для расчетов графический ускоритель

Собранная таким образом выборка все равно получается несбалансированной, но есть и плюс она состоит из вопросов, которые актуальны здесь и сейчас.

Как только AutoFAQ накапливает достаточный объем данных, предобученный алгоритм отключается, пайплайн перестраивается, и в дело вступают модели, использующие обучение с учителем. Мы заранее не знаем, какой метод будет лучше справляться с данными клиента, поэтому встроили в AutoFAQ сразу несколько алгоритмов: от простых TF-IDF, до BERT и LASER.

Система проверяет объем и сбалансированность обучающей выборки. В зависимости от результатов формируется новый программный конвейер, подбираются алгоритмы и гиперпараметры.

Сперва используются простые модели логистическая регрессия и SVM. По мере накопления выборки подключаются и нейронные сети. Выбор алгоритма может происходить на основе подсчета метрик классификации или при помощи предустановленных требований к обучающей выборке.

На практике, в AutoFAQ часто строятся ансамбли из нескольких алгоритмов. Система постоянно сравнивает их результаты по внутренним метрикам и выдает на выход наиболее уверенные ответы.

Интерфейс базы знаний позволяет без специальных знаний создавать новые классы, понимать причины тех или иных ответов и менять их, внося изменения в классификатор. Так что, AutoFAQ легко управлять, даже когда собирается огромная обучающая выборка.

Запуск AutoFAQ

Мы разбили AutoFAQ на микросервисы и упаковали в докер. Система не требует подключения к сторонним сервисам и работает в изолированной среде. Все ее компоненты дублируются. Они либо работают параллельно, либо запускаются по мере надобности.

Мы рассматривали Kubernetes, но оказалось, что для оркестрации нам хватает Docker Compose. Он упрощает процесс развертывания и не требует kubernetes-кластера.

В результате

AutoFAQ разворачивается за пару часов, подключается к практически любым текстовым каналам коммуникации от электронной почты до Slack и Skype for business. После этого система готова к работе понимает письменную речь, начинает обрабатывать запросы в службу поддержки и накапливать базы знаний.

Чем больше обращений поступает в службу поддержки, тем лучше система их понимает и тем больше задач берет на себя. За 12 месяца AutoFAQ наполняет базу знаний, и автоматизация запускается в полную силу. Как правило, AutoFAQ решает порядка 45% обращений без помощи людей.

Система не заменяет операторов, но избавляет их от большинства рутинных запросов. У сотрудников службы поддержки появляется время на тщательный разбор сложных обращений.

Информация, разбросанная по разным документам у разных операторов, постепенно собирается в единую базу знаний. Отвечать на вопросы и искать решения проблем становится заметно проще.

Все это хорошо отражается на качестве поддержки. Уровень удовлетворенности клиентов у наших заказчиков в среднем не падает ниже 4 из 5 баллов. Но это уже заслуга сотрудников поддержки. Они настраивают новые интеграции, пополняют базы ответами на редкие вопросы и редактируют формулировки. Мы лишь разработали для них новый инструмент.

P.S. Если у вас остались вопросы по AutoFAQ, оставляйте их в комментариях или пишите на почту: EMelkova@croc.ru.

На российском рынке представлен большой выбор help desk систем, которые позволяют автоматизировать процессы постпродажного обслуживания. С одной стороны, это хорошо, так как у каждой компании есть возможность подобрать решение для своего бизнеса и под свои задачи. С другой стороны, возникает путаница в том, для чего предназначен тот или иной helpdesk. Какой выбрать? В попытке протестировать все системы, который выдал поисковик, уходит много времени и сил, а на выходе результат не всегда получается даже удовлетворительным.

Чтобы облегчить этот выбор, я сгруппировал типы поддержки и help desk системы, предназначенные для автоматизации каждого вида обслуживания.Надеюсь, это поможет каждому из вас, как минимум, не потратить время "впустую".

Зачем вообще нужны Help Desk системы? Есть ли результат?

Прежде чем обсуждать типы поддержки и автоматизацию задач внутри "каждого" из них, стоит задуматься, а стоит ли вообще заниматься саппортом и как-то его автоматизировать?

По данным Teleperformance Customer Experience Lab, клиенты на 13% будут лояльнее к компании, если у них будет позитивный опыт взаимодействия с ее техподдержкой. Если негативный опыт, есть вероятность, что лояльность клиентов снизится на 27%.

Согласно всероссийскому отраслевому исследованию, проведенного Okdesk в этом году, почти 60% компаний утверждают, что их клиенты отказываются от продолжения сотрудничества из-за некачественного сервиса. При этом у 69,7% компаний доля выручки от сервисного обслуживания составляет от 10% до 25%.

То есть техподдержка и удовлетворенность клиентов сервисом не только важна для сохранения клиентской базы, она напрямую влияет на выручку. И каждой компании необходимо постоянно улучшать процессы постпродажного обслуживания. Автоматизация важный этап этого улучшения.

Типы поддержки и разница в задачах, подходах и автоматизации

В чем различие между типами поддержки? Какие задачи возникают при их автоматизации? Какие для этого есть системы на рынке? Давайте разбираться.

На верхнем уровне можно выделить два вида поддержки:

1. Внутренняя.

2. Внешняя.

При этом внешнюю поддержку можно условно разделить на:

• работу в сегменте B2С (с "анонимусами");

• взаимодействие с B2B-клиентами.

Специфика "внутренних" пользователей или ИТ-поддержка

В эту категорию относятся все вопросы, связанные с технологическими проблемами внутри компании. Клиентами или заявителями в данном случае выступают сами сотрудники предприятия.

Нужно переустановить 1С или другую корпоративную систему, решить проблемы с интернетом и телефонией, организовать новое рабочее место это только малая часть того, за что отвечает внутренняя техподдержка.

Внутренняя поддержка зародилась в ИТ-департаментах. Именно по этой причине в организации процессов сервисного управления во всем мире используют подход ITSM(Information Technology Service Management). Он основан на базе передового опыта сервисного обслуживания внутри предприятия (Information Technology Infrastructure Library, ITIL).

Системы автоматизации внутренней техподдержки соответствуют процессам и практикам, которые описаны в ITIL. По крайней мере, так заявляют их разработчики. Существуют даже сертификации систем на соответствие ITIL.

Однако автоматизация внутренней поддержки по канонам (с CMDB, ресурсно-сервисной моделью и т.д.) актуальна и, главное, даёт результат на больших масштабах, то есть, только для крупных компаний (более 1000 сотрудников). Системы, которые соответствуют процессам ITIL, для среднего и малого бизнеса не подойдут: излишне функциональны, дорогие и требуют серьезных организационных изменений.При этом ничего не мешает использовать Help Desk системы для внутренней автоматизации более гуманные по ценнику и решающие бОльший пласт задач небольших организаций.

Если вы представляете крупную компанию, тогда советую вам ограничить выбор среди таких решений, как Omnitracker, HP Service Manager, BMC Remedy ITSM, Naumen Service Desk. Более дешевые варианты: OTRS, ITSM 365 и 1С:ITIL.

Внешняя B2С поддержка или Customer Service

Не могу осуществить перевод по реквизитам, Скорость интернета упала, Не получается сделать заказ, Товар не добавляется в корзину и т. д. Для компаний такие проблемы клиентов это сотни одинаковых и, преимущественно, консультационных вопросов в день. В рамках обработки таких вопросов нет необходимости даже идентифицировать клиента, не нужно вести учет какого-то клиентского оборудования, договоров, отслеживать обязательства по техническому и плановому обслуживанию.

Основные задачи поддержки B2С-клиентов можно сформулировать так:

• фиксировать заявки по всем возможным каналам, включая соцсети и мессенджеры;

• иметь инструменты, которые позволят автоматизировать решение типовых и простых вопросов;

• отслеживать клиентскую лояльность.

Именно по этой причине Help Desk системы автоматизации Customer Service созданы для регистрации заявок из всех возможных каналов обращений (соцсети, мессенджеры и т. д.) и быстрой выдачи шаблонных ответов. Для последнего используют чат-ботов с типовыми сценариями вопросов-ответов и/или базу знаний.

Предлагаю обратить внимание на лидеров этого сегмента: Zendesk, Freshdesk, Kayako, Help Scout и Omnidesk.

Внешняя B2B поддержка и обслуживание клиентской инфраструктуры

В поддержке B2B-клиентов всё сложнее: нужно вести базу заказчиков, привязывать к ним все их заявки. Также необходимо учитывать договоры с клиентами, обслуживаемые объекты (в зависимости от бизнеса это может быть точка продаж, сайт, офис или даже транспортное средство), оборудование и ПО.

Почти каждая клиентская заявка не типовая и потому её выполнение имеет более сложный цикл. Бывает, что для решения проблемы компания привлекает подрядчика по сервисному обслуживанию. Тот в свою очередь может привлечь субподрядчика или самого производителя или разработчика. К тому же возникают ситуации, когда какие-то работы нужно оказывать за рамками договора и это биллингуется отдельно. А еще нужно планировать загрузку специалистов. При этом в случае выездного обслуживания (field service management) распределять заявки на ближайшего.

Именно поэтому в системах автоматизации B2B-поддержки критическое значение имеют:

• встроенные и готовые отчеты по множеству метрик работы бизнеса;

• блок учета платных работ, выходящих за рамки абонентского или договорного обслуживания;

• более проработанный блок отслеживания обязательств и договоренностей по контрактам (SLA) в привязке к клиенту, объекту или с более сложной логикой;

• календарное планирование и распределение заявок, включающее возможность автоматизации регулярных и плановых активностей;

• настраиваемые чек-листы по сложным, но повторяющимся заявкам;

• развитое API для реализации специализированных интеграций.

Поддержку B2B-клиентов можно разделить на удаленную и выездную. Удаленную поддержку оказывают вендоры своим клиентам и партнерам, сервисные компании, которые обслуживают ПО (например, франчайзи 1С).

Выездное обслуживание преимущественно связано с поддержкой и обеспечением работоспособности самой разной инфраструктуры: от светофоров, датчиков уровня топлива и телематического оборудования до кассовых аппаратов, охранно-пожарных систем.

В выездном обслуживании важно наличие функционального мобильного приложения. С помощью него можно контролировать загруженность сотрудников и отслеживать их местоположение для распределения заявок, планировать маршрут к адресу объекта, по итогам указывать выполненные работы, прикладывать к обращению фотоотчеты и подписывать документы в электронном виде

Для удаленной и выездной B2B-поддержки обратите внимание на Jobber, Mhelpdesk и Service Fusion. Из отечественных на лидирующее решение Okdesk.

Вместо заключения

Конечно, я упростил взгляд на типы поддержки, но, одновременно постарался сделать категоризацию понятной и узнаваемой. Уверен, это позволить сузить выборку систем, чтобы каждый, кто собирается автоматизировать постпродажное обслуживание клиентов или перейти на специализированную программу для этого, потратил меньше времени на поиск подходящего решения. Но главное, чтобы каждый нашёл подходящий для своих задач вариант Help Desk системы.