BayCX: от архитектуры Big Data до предиктивного анализа клиентского опыта

Сегодня клиентский сервис переживает серьезную трансформацию. Контакт-центры становятся не просто точкой приема обращений, а сложными операционными системами, от которых напрямую зависит конкурентоспособность бизнеса. Рост нагрузки, многоканальность, требования к скорости и персонализации делают традиционные методы управления недостаточными.

В этих условиях компании обращаются к технологиям и начинают применять подходы, характерные для науки и инженерии. Архитектура Big Data, машинное обучение, комбинаторная оптимизация, анализ естественного языка — сегодня все это находит практическое применение в управлении клиентским опытом.

Одним из примеров является разработанная на базе МИКСБС платформа для управления контакт-центрами BayCX. Она изначально проектировалась как комплексное решение с использованием методов анализа больших данных и машинного обучения.

Подробнее о предпосылках создания и разработках в рамках CX-платформы — в  этом интервью.

Нина, почему контакт-центр сегодня рассматривается как более сложная система, нуждающаяся в сложных технологических решениях?

Эффективность работы контакт-центра зависит от множества факторов: точности прогнозирования нагрузки, оптимальности графиков, качества обработки запросов. Когда обращений тысячи, а каналов несколько, ручные методы обработки и сбора данных перестают давать нужную точность. И тогда компании начинают изыскания в области технологических разработок для совершенствования и оптимизации этих процессов. 

Что послужило технологической основой создания BayCX и на основе чего выстраивалась архитектура?

Контакт-центры генерируют данные, соответствующие характеристикам Big Data: большие объемы, высокая скорость поступления, разнообразие форматов. Это аудио, текст, метаданные, CRM-записи. В BayCX используется комбинация SQL-баз для аналитики, MongoDB для операционных данных, OpenSearch для текстового поиска и облачные решения для масштабируемости. Такой подход позволяет работать с полным массивом данных, что критически важно для обучения моделей.

Сейчас многие контакт-центры говорят об управлении персоналом (WFM) как одной из самых затратных областей в рамках функционирования контакт-центров. Как удалось решить эту задачу?

Workforce Management напрямую связан с издержками. Ошибка в прогнозе на 10–15% может привести либо к росту очередей, либо к избыточным затратам. Мы сравнили классические статистические модели временных рядов (например, SARIMA) и современные подходы машинного обучения, такие как рекуррентные сети LSTM. В итоге был реализован гибридный алгоритм, который выбирает оптимальный метод в зависимости от данных конкретного клиента.

А что касается автоматизации составления расписаний — с какими сложностями это связано?

Это NP-трудная задача комбинаторной оптимизации: нужно учитывать трудовое законодательство, навыки операторов, отпуска и перерывы. Для этого используются методы целочисленного линейного программирования и constraint programming. Такой подход позволяет формировать расписания, более точно соответствующие нагрузке и снижать риски перерасхода ресурсов.

Вы также автоматизируете создание резюме звонков. Как это реализовано и насколько это влияет на экономию ресурсов?

Оператор тратит до 20% рабочего времени на написание саммари. Мы проверили экстрактивный (выделение ключевых фраз) и абстрактивный (пересказ своими словами) подходы. Второй оказался более точным и применимым: он строится на архитектурах трансформеров и формирует краткое описание диалога, что экономит время сотрудников и снижает субъективность в записях.

Что представляет собой функционал эмоциональной аналитики?

Это инструмент мультимодального анализа: одновременно обрабатывается текстовая транскрипция (анализ тональности) и акустический поток (тембр, энергия, скорость речи). Система показывает динамику эмоционального состояния клиента и оператора в ходе разговора. Подробнее об этом функционале можно узнать в предыдущей статье. В целом, эмоциональная аналитика помогает выявлять потенциальные конфликтные точки и корректировать работу операторов.

Существуют ли риски и ограничения для внедрения подобных IT- разработок?

Практическую отдачу компании получают только при выполнении ряда условий. Во-первых, требуется зрелость бизнес-процессов для интеграции софта. Во-вторых, персоналу нужно обучение и поддержка. И наконец, настройка и тестирование моделей занимают время, особенно если речь идет не о готовых модулях.

Технологии открывают новые возможности для контакт-центров: они позволяют точнее прогнозировать нагрузку, оптимизировать графики, ускорять работу операторов и анализировать качество обслуживания. Однако эффективность этих решений напрямую зависит от готовности компаний к изменениям в сторону инновационности и повышения качества управления клиентским опытом.