Как вызвать желание у человека общаться с ботом по телефону. Опыт «Тинькофф»

Выступая на онлайн-конференции TAdviser SummIT 24 ноября 2020 года, руководитель продукта голосовых роботов «Тинькофф» Леонид Колыбин поделился опытом, как в банке создавали голосового чат-бота, умеющего так поддержать разговор с человеком, чтобы вызвать у него желание продолжить общение.

Леонид Колыбин

С прагматической точки зрения, «приятный во всех отношениях» чат-бот разрабатывался для того, чтобы максимизировать количество успешных звонков клиентам с просьбой оценить качество оказанной услуги, пояснил Колыбин. «Тинькофф» хорошо знает стоимость исходящих звонков для разговора «по-человечески» оператора с клиентом – в офисе банка работают 2,5 тыс. операторов и еще 10 тыс. в облаке. После внедрения голосовой чат-бот каждый месяц осуществляет 6,7 млн звонков, включая переговоры аналогичных роботов, которые внедрены у корпоративных клиентов банка. Теперь он закрывает разные бизнес-направления: клиентское обслуживание, рекрутинг, служба взысканий и т.д.

По оценкам Леонида Колыбина, чат-бот оказался в три раза дешевле собственного оператора контактного центра: 4 руб./ минута против 12 руб./минута. Однако, чтобы достичь такого соотношения стоимость/качество, команде «Тинькофф» пришлось потрудиться над NLP-системой, интегрировав ее с механизмом машинного обучения.

Обычный чат-бот с главной страницы сайта категорически не устраивал разработчиков.

Вообще клиентский опыт очень сложно измерить в деньгах. Но, представьте, что клиент позвонил в банк, чтобы открыть карту, а его встретил «истукан», плохо понимающий слова и неадекватно реагирующий на них. Что будет с вашей конверсией? - поделился своими соображениями Леонид Колыбин.

В банке разработали собственную систему речевой диагностики Tinkoff.Voicekit, которая, как утверждает специалист, на открытых текстовых наборах данных демонстрирует качество распознавания, практически в два раза выше, чем у готовых продуктов. Он объясняет это тем, что коммерческие движки распознавания речи чаще всего реализуют работу с так называемыми регулярными выражениями, то есть с часто встречающимися в речи сочетаниями слов.

Слайд из презентации Леонида Колыбина

Однако в ситуации входящего звонка, когда клиента застает врасплох предложение поговорить о полученной услуге, анализ на базе регулярных выражений работает плохо: есть междометия, паузы, «мычание» и т.п. Компьютерная система не сможет понять, какие признаки содержатся в речи клиента: согласие или несогласие. Сочетание собственного алгоритма NLP с машинным обучением дало падение доли ошибок при распознавании речи в 5 раз, привел данные представитель банка «Тинькофф»: 6% против 31% при использовании традиционных методов на базе регулярных выражений.

Но высокое качество распознавания само по себе еще не гарантирует желания человека продолжить разговор: ответить на вопросы, выслушать предложение. Команда Леонида Колыбина стала экспериментировать, моделируя различные «характеры» бота. Часть гипотез провалилась, как, например, предположение о том, что клиент–мужчина будет расположен поговорить с томным женским голосом на другом конце провода. Попытка давить на жалость – «Пожалуйста, ответьте, что вам стоит? А мне очень надо!» - дала, в целом, хорошие результаты, но формировала образ «умоляющего» банка и потому была отвергнута.Как DevOps-сервис помогает «разгрузить» высоконагруженные системы BPMSoft 2.2 т

Лучшим был признан образ «вежливо-настойчивого» банка, хотя и он не дотягивал до уровня конверсии (удачно совершенных звонков) человека-оператора в опросе по тематике клиентской лояльности . Озарением стала идея проверить гипотезу влияния на исход разговора степени замотивированности оператора и бота. Анализ переговоров операторов показал, что в ряде случаев они мошенничали, увеличивая количество удачных звонков.

Слайд из презентации Леонида Колыбина

После пересчета конверсии с учетом правильно пройденных NPS-опросов робот обогнал оператора, показав 24% конверсии против 23% у оператора.

Леонид Колыбин раскрыл некоторые приемы, позволившие создать чат-бота, умеющего заинтересованно поддерживать разговор и настойчиво доводить до конца заложенный сценарий. Во-первых, это умение распознавать паузы в словах, отличая их от завершения речи. Технически это непростая задача для NLP-системы. Во-вторых, заполнение пауз заинтересованными поддакиваниями: «ага», «так» и др. В-третьих, поддержка открытых вопросов типа «А почему такая низкая оценка?». Использованные психологические приемы достаточно просты, но нетривиальны в технической реализации.

В результате мы получили робота достаточно человечного и весьма эффективного, и к тому же гораздо более дешевого, чем оператор контакт-центра, - резюмировал Леонид Колыбин. - Эти же технологии используются на входящих звонках контакт-центра: система точно определяет проблему клиента и передает звонок нужному сотруднику, минимизируя количество лишних переключений.

Есть еще одно направление применения собственных NLP-технологий банка – поддержка работы с возражениями. Это сложный участок для оператора, работающего, например, с взысканиями.

Автоматизировать такие переговоры очень сложно, но интеллектуальная система может серьезно помочь оператору, формируя подсказки для перевода разговора в нужное русло, - поясняет Леонид Колыбин.