Обзор клиента
Наш клиент, компания-разработчик программного обеспечения, сотрудничает с ведущими поставщиками ИТ-программного обеспечения, такими как ServiceNow, Atlassian и Salesforce, предлагая бесшовную интеграцию с управлением ИТ-услугами (ITSM), управлением знаниями, управлением обслуживанием клиентов (CSM) и решениями для социального сотрудничества. Их миссия — предоставить предприятиям эффективные и действенные системы ИТ-поддержки. Этот практический пример проливает свет на то, как Fission Labs использовала передовые технологии, чтобы революционизировать операции по поддержке и оказать долгосрочное воздействие.
Постановка задачи
Задачи клиента заключались в уменьшении зависимости от агентов поддержки при обработке заявок уровня 1, создании динамической базы данных знаний, автоматизации распределения и эскалации заявок на основе навыков агентов и очередей, а также получении практической информации об эффективности системы.
Основные цели
- Автоматизация общих ответов. Сведение к минимуму зависимости от агентов поддержки при обработке рутинных запросов уровня 1 за счет автоматических общих ответов.
- Создание развивающейся базы знаний. Создание динамической базы данных знаний для обработки часто повторяющихся запросов, что позволяет экономить время и повышать точность ответов.
- Распределение и эскалация заявок: разработка автоматизированной системы распределения и эскалации заявок на основе навыков агентов и очередей, оптимизация процесса управления заявками.
- Визуальная аналитика: создание панели визуальной аналитики для получения информации об эффективности системы, позволяющей менеджерам отслеживать ключевые показатели эффективности (KPI).
Требования
Проект имел несколько конкретных требований для решения проблем и целей:
- Проверка закрытия проблемы: включение ограничений в существующую систему управления инцидентами, чтобы обеспечить действительность закрытия проблемы перед закрытием заявки на инцидент.
- Снижение затрат на устранение инцидентов. Сокращение средней стоимости устранения инцидента за счет повышения автоматизации и эффективности.
- Модели рекомендаций по инцидентам на основе искусственного интеллекта: внедрение моделей рекомендаций на основе искусственного интеллекта для уменьшения количества новых инцидентов за счет предоставления соответствующих рекомендаций.
- Автоматическая категоризация и назначение: разработка помощника по созданию инцидентов с автоматической категоризацией и назначением инцидентов с использованием прогнозных моделей.
- Более быстрое индексирование данных: индексирование данных клиента из системы записей для быстрого доступа моделей.
- Виртуальный агент NLP и NLU: реализация решений обработки естественного языка (NLP) и распознавания естественного языка (NLU) для виртуального агента.
Проблемы
В ходе реализации проект столкнулся с рядом проблем:
- Повторное использование модели: обеспечение возможности повторного использования моделей машинного обучения в зависимости от типа данных и контекста.
- Версии модели: управление версиями модели во время развертывания для обеспечения согласованности и стабильности.
- Переобучение модели: обновление и переобучение моделей с использованием новых данных для обеспечения точности и релевантности.
- Распознавание намерений NLP/NLU: разработка надежных моделей NLP и NLU для точного распознавания и понимания намерений.
- Семантический анализ: реализация моделей NLU для семантического анализа и эффективного управления многоходовыми диалогами.
Решение доставлено
Команда предоставила комплексное решение, отвечающее задачам и требованиям клиента:
- Автоматическая категоризация инцидентов. Специально обученные модели машинного обучения были развернуты для автоматической классификации и распределения инцидентов, что снижает необходимость участия агентов службы поддержки в выполнении рутинных задач.
- Корреляция данных для увеличения количества билетов. Модели машинного обучения классификации использовались для извлечения, анализа и корреляции данных из различных систем учета. Это обогатило заявки соответствующим содержанием и автоматизировало общие запросы.
- Панели прогнозной аналитики. Команда разработала панели прогнозной аналитики, которые предлагали менеджерам ценную информацию о состоянии услуг на основе тенденций исторических данных. Интуитивно понятная визуализация позволила отслеживать критические ключевые показатели эффективности бизнеса.
Основные моменты реализации
Процесс внедрения включал в себя создание различных компонентов:
- Обработчик семантических правил. Разработан интеллектуальный механизм семантических правил, позволяющий фиксировать высказывания пользователей, идентифицировать объекты и действия и инициировать соответствующие действия.
- Модели рекомендаций. Созданы механизмы рекомендаций для клиентов, предоставляющие советы на основе ранее решенных инцидентов.
- Модели прогнозирования. Разработаны прогнозные модели для оптимизации времени обработки инцидентов и соблюдения соглашений об уровне обслуживания.
- Модули NLP для виртуального агента: реализованы модули NLP для обеспечения виртуального агента возможностью взаимодействия на естественном языке.
- Классификатор домена. Создан статистический классификатор домена на основе NLP для определения контекстного домена пользовательских запросов.
- Механизм понимания естественного языка. Прототип механизма NLU, способный обрабатывать многоэтапные взаимодействия с пользователем для сложных запросов.
- Обработчик семантических объектов. Разработан механизм семантических объектов для анализа высказываний пользователей на основе контекста предложения.
- Механизм разъяснений. Продолжается разработка механизма разъяснений для понимания и разрешения запросов пользователей в среде виртуального агента.
Результаты и преимущества
Внедренное решение привело к значительным результатам для клиента:
- Повышение эффективности. Автоматизация сократила участие агентов службы поддержки в рутинных задачах, освободив им возможность сосредоточиться на более сложных проблемах.
- Улучшение качества обслуживания клиентов. Более быстрое разрешение инцидентов и персонализированные рекомендации улучшили качество обслуживания клиентов.
- Сокращение затрат. Сокращение затрат на устранение инцидентов за счет оптимизации процессов и повышения эффективности.
- Аналитика на основе данных. Панели прогнозной аналитики позволяют менеджерам принимать обоснованные решения и отслеживать эффективность.
- Расширенные возможности NLP/NLU. Интеграция решений NLP и NLU улучшила взаимодействие виртуального агента и взаимодействия с клиентами.
Заключение
Сотрудничество между Fission Labs и нашим уважаемым клиентом служит свидетельством преобразующего потенциала инновационных технологий в революционном преобразовании операций по поддержке клиентов. Используя возможности специально обученных моделей машинного обучения, механизмов семантического анализа и интуитивной визуализации, мы успешно автоматизировали управление заявками, расширили базы данных знаний и предоставили бесценную информацию.
Если ваше предприятие сталкивается с аналогичными проблемами в сфере поддержки клиентов или ищет инновационные решения для оптимизации операционной эффективности, Fission Labs всегда готова вам помочь. Наша команда опытных профессионалов специализируется на создании индивидуальных решений, использующих возможности ИИ, НЛП и прогнозной аналитики. Давайте вместе отправимся в путь, чтобы улучшить вашу работу по поддержке, расширить возможности ваших агентов и повысить удовлетворенность клиентов.
Свяжитесь с нами сегодня по адресу [email protected] или посетите наш веб-сайт www.fissionlabs.com, чтобы узнать, как мы можем сотрудничать для улучшения ваших систем поддержки и оптимизации вашей Опыт клиентов. Ваш успех является нашим приоритетом, и мы рады быть вашим партнером в достижении операционного совершенства.