Как ИИ анализирует работу операторов в контакт-центре «Открытая линия»

С увеличением числа операторов и объема разговоров, возникает необходимость в проверке диалогов операторов на соответствие скриптам и эмпатии, а также в контроле отсутствия негатива со стороны абонентов и операторов. 

Ранее в контакт-центре «Открытая линия» применялся метод прослушивания записанных разговоров с последующей работой с операторами, что приводило к росту числа проверяющих и увеличению расходов, снижая маржу, а также повышало нагрузку на административный отдел. 

Чтобы сократить количество проверяющих, наша команда начала анализировать основные параметры разговора: 

• продолжительность;
• количество вызовов у оператора;
• стаж работы; 
• прошлые ошибки. 

Это позволило распределить сотрудников по трем условным группам с разной степенью доверия, что соответствует «социальному рейтингу»: в первую очередь проверялись те, кто совершал ошибки, затем — те, кто работал хорошо, и в конце — лучшие операторы. 

Такой подход помог оптимизировать усилия по анализу разговоров: если раньше контролер качества слушал всех подряд, то теперь он мог сосредоточиться на тех, кому действительно нужен тщательный контроль.

Первые шаги в распознавании речи

Мы начали искать решение для распознавания и анализа звонков при помощи сторонних сервисов, но, со временем, отказались от этой идеи из соображений безопасности данных и их дороговизны.

Первым этапом стало введение триггеров — слов, которые звучат или же не звучат в диалоге. 

Когда срабатывает триггер, звонок отмечается для дальнейшего изучения. 

Например, если наш менеджер по продажам предлагает новому клиенту ТВ-приставку, при установке триггера «ТВ-приставка» мы увидим звонки, где менеджер не сделал этого. 

Есть также триггерные слова в каждом разговоре — это ругательства и слова-паразиты. Если они произносятся, триггеры активируются. 

Интересно, что при внедрении этого инструмента мы обнаружили, что на разговорах с качеством распознавания менее 50% и большим количеством звонков триггеры эффективно выявляют проблемных операторов.

Внедрение ИИ новой волны

Чтобы улучшить качество распознавания телефонных разговоров, мы постоянно искали новые решения в этой области. 

Одним из таких решений стал искусственный интеллект Whisper, который поднял качество распознавания разговоров до 95%, учитывая записи с плохим качеством звука.

Однако, без проблем не обошлось. 

Whisper часто дублировал слова при расшифровке, что делало анализ неэффективным. Кроме того, пришлось столкнуться с проблемой десинхронизации файла с расшифровкой и аудиодорожки при перемещении ползунка на плеере. Все эти проблемы были решены с помощью дописывания скриптов и дополнительной нейронной сети для определения пауз в разговоре.

Таким образом, мы получили систему, которая переводит все входящие и исходящие звонки через нашу АТС в текстовый формат, и к ним можно применить различные триггеры для анализа. 

Основываясь на этих данных, непосредственные руководители групп операторов могут отслеживать текущее качество работы на проектах и принимать меры для его улучшения. 

Распознавание эмоций

Получив такой результат, было принято решение продолжить и была добавлена еще одна нейронная сеть, которая может отслеживать эмоции оператора и клиента. 

На данном этапе мы поняли, что можем полностью исключить человеческий контроль и заменить его ИИ, который оценит работу оператора и поставит оценку вежливости, вовлеченности, решенной или нерешенной проблемы. 

В текущий момент команда программистов «Открытой линии»  уже занимается тестированием подходящего решения, которое позволит не передавать данные на сторонние сервера и проводить анализ с помощью наших локальных мощностей.

Автоматический анализ на соответствие диалога операторскому скрипту

Промежуточным результатом нашей работы стала нейронная сеть, которая анализирует текстовое содержимое диалога оператора и вычисляет процент соответствия заданному сценарию звонка, который был согласован с нашим клиентом. 

Это довольно простое решение, которое требует минимальных ресурсов. Мы просто предоставили ей текстовые сценарии звонков, удалив из них все ссылки, теги и другие ненужные элементы. 

Хотели бы отметить, что на этом примере итого получаем значительную экономию средств, так как нейросеть работает на оборудовании стоимостью 2-3 средние зарплаты менеджера по контролю качества и обрабатывает тысячи звонков в день, предоставляя результаты в виде таблицы с подробной информацией по всем операторам и проектам.

Прочие о методы контроля

При проведении тестирования новых версий ИИ важно не упускать из виду традиционные методы контроля. Например, наша команда  усовершенствовала контроль рабочего времени оператора. 

Мы отслеживаем время, затраченное оператором на работу: 

• обеды, 
• перекуры, 
• пропущенные вызовы, 
• исходящие и входящие звонки, 
• постобработку вызовов, 
• омниканальный режим (чаты, электронная почта) 

и объединяем эти данные в подробный отчет. 

Ограничения предназначены для контроля рабочего времени операторов по таким параметрам, как длительность обеденных перерывов и перекуров, их количество, продолжительность задержек и постобработки вызовов. Если оператор превышает лимит, ему отправляется уведомление, а руководителю поступает задача для анализа этой ситуации.

Итог

Не стоит недооценивать технологии, которые могут поначалу показаться просто забавными, например, для создания смешных картинок или для общения с искусственным интеллектом, когда мы пытаемся поставить его в тупик сложными вопросами ради развлечения. 

Иногда может показаться, что эти решения не подходят для вашего бизнеса, или вы боитесь, что они будут слишком дорогими.

Получив опыт внедрения различных нейросетей в единую систему, мы стремимся к поиску новых, нестандартных решений. Уже сегодня у нас есть идеи, как полностью исключить оператора из процесса приема обращений от клиентов, заменив его еще одной нейросетью.