Управляем загруженностью службы поддержки с помощью машинного обучения и добрых дел

На примере банка для предпринимателей «Точка».

Если у вас есть бизнес, связанный с обслуживанием и поддержкой большого количества клиентов, то вы знаете, как важно учитывать и уметь правильно администрировать расписания, пиковые нагрузки, время ожидания пользователей на линии.

Если вы неоптимально составили график операторов, не сумели предвидеть пиковый период обращений, не позаботились о том, чтобы пользователи могли получить ответы на свои вопросы заранее, это неминуемо приведёт к тому, что ваши клиенты будут по 10 минут слушать музыку в телефонной трубке в ожидании ответа специалиста. В результате ощущение от сервиса портится, клиенты бесятся, сотрудники поддержки в мыле и переработках, а вы сгораете от стыда.

В «Точке» обслуживают больше 100 тысяч предпринимателей, которым мы обещаем брать трубку с первого гудка и решать любую проблему за один разговор без переключений между специалистами.

Нельзя сказать, что у нас всегда получается выполнять это обещание, но мы постоянно оптимизируем работу поддержки и ищем новые способы улучшить ключевые показатели. В конце 2017 года у нас получилось сократить количество клиентских обращений на 35% в самый пиковый месяц — декабрь, при этом совершив доброе дело.

Опыт подсказывает, что в декабре случается коллапс, и все клиенты начинают звонить в поддержку по самым разнообразным вопросам. Помимо увеличения времени ожидания ответа, страдания пользователей и необходимости выводить больше людей на поддержку, мы несём дополнительные расходы, ведь каждый звонок в «Точку» стоит нам денег.

Банк для предпринимателей решил кое-что предпринять: мы проанализировали, по каким вопросам больше всего обращаются клиенты в декабре. Всё оказалось достаточно предсказуемо — это конец года, предприниматели спешат закрыть сделки, заплатить налоги, зафиксировать прибыль. Мы взяли декабрьскую статистику за прошлые годы и наложили на ситуацию в конце 2017 года, разбили обращения по портретам клиентов. Топ вопросов выглядит так:

Далее нужно было спрогнозировать на основе прошлых данных и с учётом постоянного роста и изменения клиентской базы, сколько обращений и в какие даты нам ждать.

Мы собрали статистику обращений, смоделировали рост клиентской базы и структурировали обращения по месяцам. В итоге мы получили выборку и с помощью методов машинного обучения построили прогнозную модель обращений в службу поддержки.

Для корректного прогнозирования пиковых нагрузок мы перебрали несколько методов машинного обучения, опробовав поочерёдно регрессионную модель, эволюционные алгоритмы и нейронную сеть.

По прогнозному графику стало ясно, что для комфортной работы нужно сократить количество обращений в полтора раза. И мы решили заранее напомнить клиентам о самых важных делах, которые нужно сделать: написали ответы на самые частые вопросы, составили чек-лист, разбили по портретам клиентов и подготовили письма для рассылки по базе.

У нас достаточно хорошие показатели по рассылкам, как правило, открывают письма 50-60% из получивших, отвечают примерно 1-2%, проходят по ссылкам около 7%, отписываются от рассылок меньше 1% читающих.

На этом можно было бы остановиться, но мы все хорошо знаем, что прочитать простыню текста от банка, пусть даже написанную на нормальном языке, и пройти чек-лист для занятого предпринимателя, у которого почта всегда «в огне» — тот ещё подвиг. В лучшем случае письмо прочитают по диагонали с мыслью: «Всё круто, но мне некогда, поэтому, если что, я лучше потом позвоню и всё узнаю».

Мы стали думать, чем бы таким зацепить клиентов и как вовлечь в игру «Не звони мне, не звони», одновременно решив все их проблемы. Так возникла идея объявить этот месяц временем бережливости и предновогодних чудес, воззвать к искренним человеческим чувствам и предложить сделать что-то хорошее вместе.

Изначально мы собирались сократить свои расходы на поддержку, но важнее было обеспечить нормальный режим работы специалистов и сделать так, чтобы клиенты решали свои вопросы в комфортном режиме. Мы решили все сэкономленные деньги отдать в детский Благотворительный Фонд Константина Хабенского, чтобы каждый смог почувствовать причастность.

Мы написали трогательное письмо, в котором предложили свою помощь в подготовке к предновогодней суете, попросили по возможности не звонить в банк в декабре и тем самым вместе помочь тем, кому эта помощь действительно необходима.

Наше письмо открыли 52% получивших. По вопросам, которые мы разъяснили в письме, в банк обратилось на 35% меньше людей, чем мы прогнозировали.

Мы сэкономили 1 млн рублей на поддержке и перевели их в Благотворительный Фонд Константина Хабенского, что позволило шести мальчикам и шести девочкам, победившим опухоль мозга, провести новогодние каникулы в реабилитационном лагере в Подмосковье, а трём семьям с такими ребятами — пройти в январе-феврале интенсивный курс семейной реабилитации в Финляндии.

Реальная картинка обращений по отношению к прогнозной выглядит вот так: на графике видно, что нам удалось довольно точно предсказать пики с помощью мат-статистики и методов машинного обучения. Реальный график получился ниже прогнозного: наши письма получились действительно искренними, а предприниматели — отзывчивыми.

А ещё мы увидели, что применение даже простых методов машинного обучения позволяет нам строить достаточно точные прогнозные модели, например, для расчёта численности сотрудников поддержки и составления графиков работы.