Как умный чатбот помог клинике СМЦ снизить нагрузку на операторов контакт-центра до 95%

Мы создали новую систему обработки заявок для клиники СМЦ. Она автоматизирует ответы на часто задаваемые вопросы пациентов и направляет обращения к соответствующим операторам, что позволяет снизить нагрузку на операторов контакт-центра до 95%.

Одна из главных особенностей системы заключается в использовании технологии искусственного интеллекта и обучения на основе машинного обучения, благодаря которой система может самостоятельно отвечать на определенные вопросы пациентов, не требуя участия операторов.

Медцентру требовалось снизить поток обращений на операторов колл-центра. Решением стало внедрение NLU чатбота:

Для настройки функций распознавания текста в свободной форме NLU-ботов, необходимы данные для обучения – диалоги между операторами и клиентами, которые содержат примеры фраз, используемых клиентами при формулировке запросов.

Однако, отсутствие такой обучающей выборки стало ограничением для проекта, так как у заказчика отсутствовала история диалогов с клиентами. Вместо этого заказчик предоставил список сущностей, относящихся к каждому намерению пациента.

Мы также решили объединить два инструмента распознавания – NLU модуль и сервис словарей, работающий с сущностями. Концепция следующая: создается укрупненная выборка для NLU модели, определяется тематика, к которой относится реплика пациента, а затем по нахождению в реплике конкретной сущности определяется точное намерение клиента.

Для уточнения тематики в боте используются кнопки. Кнопки на платформе chatme.ai можно создать напрямую с помощью слота Button Menu в конструкторе, но в данном кейсе кнопки были реализованы с помощью внешних запросов по API edna. В чате выглядят как обычные кнопки.

Кроме того, пациенту предоставляется возможность оставить оценку один раз за диалог. После завершения диалога эта информация обнуляется (с помощью слотов Timer и Memory), и в следующем диалоге с этим же пользователем бот снова предложит оценить его работу.

Также мы разработали для СМЦ второй бот, который размещается уже в WhatsApp. Это бот-маршрутизатор, определяющий тип клиента – VIP или обычный клиент, и в зависимости от этого распределяющий обращения по разным операторам.

С VIP клиентами работает VIP подразделение операторов. Мы получаем параметр VIP из базы клиентов заказчика по API и с помощью слота Transition Rule сценарий разветвляется: для VIP-клиентов перевод на оператора осуществляется по API edna на нужное подразделение, для обычных клиентов – перевод осуществляется, благодаря встроенной в платформу интеграции с edna.

Преимуществ у такого несложного бота множество: уменьшение времени ожидания ответа пациентов, сокращение затрат на обучение новых операторов, увеличение числа успешно обработанных звонков, а также улучшение качества обслуживания пациентов в целом.

Если говорить о цифрах, NLU-бот корректно распознает 73% обращений, уровень селф-сервиса составляет 95% – столько диалогов обрабатываются ботом без перевода на оператора. Бот-маршрутизатор корректно классифицирует входящие обращения в WhatsApp.

Этот кейс отлично иллюстрирует, как новая технология для автоматизации контакт-центра медицинской клиники, значительно может улучшить опыт обслуживания пациентов и снизить нагрузку на операторов.

*В качестве эксперимента статью писали вместе с ChatGPT 😺

Автор оригинальной статьи: Екатерина Пащина