Как превратить чат поддержки в источник идей для развития

В Drivee департамент заботы о клиентах, а именно так у нас называется служба поддержки, это хаб идей для развития продукта и маркетинговых стратегий. Руководитель департамента заботы о клиентах Drivee Олеся Борейко рассказывает, как это устроено и как работает.

Насколько долог путь от жалобы пользователя до бизнеса?

Это зависит от многих факторов. Чем острее проблема, тем быстрее информация о ней дойдет до адресатов. К счастью, совсем уж острых и сложных ситуаций практически не возникает, тем не менее обращения пользователей помогают выяснить, где и что работает не так, как хотелось бы.

Частота похожих жалоб является сигналом для бизнеса, что надо что-то поменять или улучшить. Задача службы поддержки в данном случае — отследить такие запросы, сформулировать общую проблему и донести ее до людей, отвечающих за продукт. Если по каким-то причинам проблему сразу решить нельзя, нужно уметь объяснить пользователю, почему сейчас так, а не иначе, и как это будет исправлено. Или предложить альтернативный способ решения его запроса.

Так, например, некоторое время назад пользователи сталкивались с задержками в обновлении данных в приложении. Это приводило к росту обращений в поддержку. Ведь сотрудникам приходилось вручную сбрасывать кэш и пересчитывать приоритеты. Мы систематизировали проблему, вынесли ее на обсуждение с разработкой, и в результате в продукте появилась функция самостоятельного обновления данных для водителей. Это позволило снизить нагрузку на поддержку по данному типу обращений более чем на 80% и сократить время решения для пользователя с нескольких минут до нескольких секунд. Согласно опросу, это улучшило пользовательский опыт у 83% респондентов, которые воспользовались новой возможностью.

Существует ли у вас системная аналитика через тегирование?

Конечно, это ключевой инструмент для извлечения идей. Сегодня более 95% входящих запросов категоризируются, что позволяет в режиме реального времени видеть структуру пользовательских проблем.

На основе этих данных выделяются топ-10 причин обращений (обычно они формируют до 60–70% всего потока), создаются продуктовые гипотезы, после чего предложения по возможным решениям выносятся на обсуждение с продуктовой и бизнес-командами. Такой подход позволяет не просто реагировать на инциденты, а системно работать с причинами их возникновения, влияя на качество продукта и удовлетворенность пользователей.

Своей аналитикой вы делитесь только с бизнесом?

Бывает так, что объявляется какая-то акция для пользователей, но им не все понятно, скажем, из пуш-уведомления или посадочной страницы. Естественно, они идут с вопросами к нам. Тут работает тот же принцип, что и с продуктом: получаем много однотипных вопросов, идем с ними в маркетинг и просим либо дополнить информацию, либо сделать коммуникацию более понятной.

Иногда то, что очевидно нам изнутри, неочевидно пользователям, и аналитика как раз помогает устранить это недопонимание. На основе этих данных маркетинговая команда может упростить формулировки, адаптировать обучающие материалы и повысить прозрачность бизнес-процессов.

Это особенно важно при запуске новых функций. Корректная коммуникация напрямую влияет на скорость их принятия. В результате по отдельным инициативам нам удается снизить количество разъясняющих обращений в среднем на 30–50%.

Используете ли вы инструменты искусственного интеллекта в работе?

Я думаю, уже мало кто не использует ИИ. Технологии позволяют автоматизировать рутинные процессы, освобождая время для более важных задач.

Для обработки технических жалоб мы недавно внедрили Summary Bot. Он выявляет массовые инциденты, формирует их описание, определяет приоритет и предлагает меры по предотвращению. Дополнительно система сегментирует менее критичные случаи по типам, регионам и количеству обращений, дополняя их примерами.

Это дает прямую связь с продуктовой командой, которая может взять в работу те или иные проблемы практически сразу. 

Еще одно направление — автоматизация через машинное обучение (ML). Раньше модерация пользовательского контента (имена, аватары, комментарии) выполнялась вручную. Совместно с ML-командой мы разработали решение на основе накопленных данных и разметки более миллиона примеров.

В результате:

• 97% проверок выполняются автоматически;
• только 3% случаев требуют вмешательства человека;
• точность системы находится на уровне статистической погрешности.

Это позволило существенно повысить операционную эффективность без потери качества.

Как вы измеряете эффективность и что для вас качественная работа службы поддержки?

Мы все работаем на один результат. И чтобы все получалось нам нужно хорошо отлаженное командное взаимодействие. Команда заботы активно участвует в работе с продуктом, маркетингом и бизнес-подразделениями. Я, как руководитель департамента, вовлечена и в продуктовое, и в бизнес-планирование, а также в обсуждение стратегических инициатив. Это позволяет учитывать голос пользователя на всех этапах принятия решений.

Важно понимать, что служба поддержки может активно способствовать росту бизнеса.  Компании, которые умеют превращать обратную связь в системные изменения, быстрее адаптируются к рынку и лучше отвечают ожиданиям пользователей