От телекомов до медицины: 10 примеров использования чат-ботов в бизнесе

Вчера мы рассказывали о рынке чат-ботов, голосовых помощников и виртуальных ассистентов на базе больших данных (Big Data) и машинного обучения (Machine Learning) . Напомним, на 2020 год они признаны аналитическим бюро Gartner одной из самых перспективных и наиболее эффективных технологий искусственного интеллекта. Сегодня поговорим о том, где именно они используются и какую пользу приносят реальному бизнесу.

Итак, чат-боты наиболее востребованы в бизнесах с большим количеством клиентов и типовыми коммуникациями с ними. Классический пример – телекоммуникационные компании (сотовые операторы). Например, в Теле2 чат-бот поддерживает несколько тысяч диалогов, обрабатывая 50 тысяч запросов каждый месяц. При этом почти каждый второй вопрос система решает самостоятельно, например, проверка остатка по счету или список платных услуг. Компания даже запустила личного помощника в Алисе, виртуальном ассистенте Яндекса, который уже в начале проекта верно отвечал более чем на 900 вопросов. Пока люди-операторы подключаются, если клиент не может понятно сформулировать запрос, но по мере обучения роботов необходимость в живых ассистентах будет снижаться [1].

Аналогичные успехи использования чат-ботов отмечают и другие сотовые операторы России. В частности, в МТС текущая эффективность чат-бота превышает 80%: 8 из 10 запросов (подключение/отключение услуг, детализация счета, смена тарифа) решаются им самостоятельно, без привлечения оператора. Билайн привлек чат-ботов к обслуживанию клиентов еще в апреле 2017 года. Он успешно решает более 67% текстовых запросов, и в 2019 году востребован на 63% больше, по сравнению с прошлогодним периодом. В Мегафоне активно чат-боты используются в массовых обзвонах для проведения опросов и предложения новых услуг [1].

Помимо телекомов, виртуальные ассистенты широко применяются в финансовой сфере. Например, в июне 2019 года банк «Тинькофф» запустил Олега — голосового помощника, который обучается на открытых данных. С ним случился неприятный инцидент, когда бот нагрубил клиентке [2]. Однако, в целом, специалисты банка отмечают высокую эффективность этой технологии: чат-боты обрабатывают все клиентские запросы клиентов в текстовых каналах, решая проблемы по 35% всех обращений [1]. Кроме того, банк использует чат-ботов при найме сотрудников, выдавая потенциальным кандидатам логические или математические задачи. Прошедшие первый этап отбора соискатели приглашаются на интервью. А уже нанятые работники службы поддержки с помощью подобных роботов управляют расписанием своей работы [3].

В розничном бизнесе банка ВТБ работает целая команда чат-ботов, которые планируется объединить. Пока эти сервисы автоматизируют общение с клиентами по вопросам обмена валюты, помощи малому бизнесу и рефинансированию кредитов. Основная цель создания ботов – это привлечение новых клиентов и повышение продаж, а также ускорение и удешевления коммуникаций [3].

Индийский страховой агрегатор PolicyBazaar использует чат-ботов на основе Dialogflow, онлайн-сервиса от Google, чтобы давать своим пользователям лучшие рекомендации и оптимизировать потребительский опыт. Благодаря Machine Learning методам распознавания речи и обработки естественного языка, Dialogflow понимает намерения пользователя и общается с ним, помогая выбрать оптимальный страховой продукт. По результатам использования данного чат-бота компания отмечает рост выручки: около 13 тысяч сделок в месяц на сумму более 2 млн долларов [4].

Сервис Dialogflow также использует британский ритейлер Marks&Spencer, который с помощью виртуального ассистента автоматизирует обработку типовых запросов, а в сложных случаях переводит разговор на живого оператора. Благодаря такому приложению Big Data и Machine Learning среднее время решения пользовательского запроса снизилось на 10 секунд [4].

Высокую эффективность демонстрирует также робот Алена, который идентифицирует клиента сети «М.Видео» по номеру телефона, определяет тему обращения клиента и соединяет со специалистом. Также чат-бот умеет отвечать на простые вопросы о статусе заказа и балансе бонусного счета. Предполагается расширять степень использования чат-бота на решение таких вопросов, как продление сроков хранения покупок, обмен и возврат товаров. Чат-бот сократил нагрузку на колл-центр и время обслуживания клиентов примерно в два раза: система на базе Big Data и Machine Learning быстрее ищет информацию, а клиенты, зная, что общаются с роботом, чётче формулируют запросы. Кроме того, чат-бот на 10% увеличил спрос на дополнительные аксессуары и услуги благодаря автоматической генерации персональных рекомендаций для каждого клиента [1].

Наконец, отметим еще одно интересное внедрение чат-ботов в медицинской сфере. Российская сеть частных клиник DOC+ использует эту технологию в своем мобильном приложении с целью сократить время, которое пациент и доктор тратят на консультацию, собирая жалобы клиента и формируя анамнез всего за пару минут. Важно, что робот не принимает решений, не ставит диагноз и не назначает лечение, а только задает множество вопросов, агрегируя большой объем информации и снижая риск того, что доктор что-то пропустит. Поэтому данная интеллектуальная система на базе Big Data и Machine Learning не может стать причиной фатальных исходов из-за неверно выданных рекомендаций, как это произошло в США, о чем мы писали здесь. Таким образом, чат-бот обеспечивает структурированный сбор данных о жалобах и симптомах, что также позволяет улучшить качество алгоритмов машинного обучения [5].

В следующей статье мы расскажем, как устроены чат-боты и какие существуют сервисы для их самостоятельного создания. Еще больше примеров практического внедрения чат-ботов и других технологий больших данных и машинного обучения для цифровизации бизнес-процессов рассматриваются на наших образовательных курсах в лицензированном учебном центре обучения и повышения квалификации руководителей и ИТ-специалистов (менеджеров, архитекторов, инженеров, администраторов, Data Scientist’ов и аналитиков Big Data) в Москве:

Источники

Источник: www.bigdataschool.ru

Комментарии: