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

  1. Автоматизация общих ответов. Сведение к минимуму зависимости от агентов поддержки при обработке рутинных запросов уровня 1 за счет автоматических общих ответов.
  2. Создание развивающейся базы знаний. Создание динамической базы данных знаний для обработки часто повторяющихся запросов, что позволяет экономить время и повышать точность ответов.
  3. Распределение и эскалация заявок: разработка автоматизированной системы распределения и эскалации заявок на основе навыков агентов и очередей, оптимизация процесса управления заявками.
  4. 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:

  1. Проверка закрытия проблемы: включение ограничений в существующую систему управления инцидентами, чтобы обеспечить действительность закрытия проблемы перед закрытием заявки на инцидент.
  2. Снижение затрат на устранение инцидентов. Сокращение средней стоимости устранения инцидента за счет повышения автоматизации и эффективности.
  3. 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.
  4. Автоматическая категоризация и назначение: разработка помощника по созданию инцидентов с автоматической категоризацией и назначением инцидентов с использованием прогнозных моделей.
  5. Более быстрое индексирование данных: индексирование данных клиента из системы записей для быстрого доступа моделей.
  6. 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:

  1. Повторное использование модели: обеспечение возможности повторного использования моделей машинного обучения в зависимости от типа данных и контекста.
  2. Версии модели: управление версиями модели во время развертывания для обеспечения согласованности и стабильности.
  3. Переобучение модели: обновление и переобучение моделей с использованием новых данных для обеспечения точности и релевантности.
  4. Распознавание намерений NLP/NLU: разработка надежных моделей NLP и NLU для точного распознавания и понимания намерений.
  5. Семантический анализ: реализация моделей NLU для семантического анализа и эффективного управления многоходовыми диалогами.

Решение доставлено

Команда предоставила комплексное решение, отвечающее задачам и требованиям клиента:

  1. 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.
  2. 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.
  3. 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:

  1. Обработчик семантических правил. Разработан интеллектуальный механизм семантических правил, позволяющий фиксировать высказывания пользователей, идентифицировать объекты и действия и инициировать соответствующие действия.
  2. Модели рекомендаций. Созданы механизмы рекомендаций для клиентов, предоставляющие советы на основе ранее решенных инцидентов.
  3. Модели прогнозирования. Разработаны прогнозные модели для оптимизации времени обработки инцидентов и соблюдения соглашений об уровне обслуживания.
  4. Модули NLP для виртуального агента: реализованы модули NLP для обеспечения виртуального агента возможностью взаимодействия на естественном языке.
  5. Классификатор домена. Создан статистический классификатор домена на основе NLP для определения контекстного домена пользовательских запросов.
  6. Механизм понимания естественного языка. Прототип механизма NLU, способный обрабатывать многоэтапные взаимодействия с пользователем для сложных запросов.
  7. Обработчик семантических объектов. Разработан механизм семантических объектов для анализа высказываний пользователей на основе контекста предложения.
  8. 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:

  1. Повышение эффективности. Автоматизация сократила участие агентов службы поддержки в рутинных задачах, освободив им возможность сосредоточиться на более сложных проблемах.
  2. Улучшение качества обслуживания клиентов. Более быстрое разрешение инцидентов и персонализированные рекомендации улучшили качество обслуживания клиентов.
  3. Сокращение затрат. Сокращение затрат на устранение инцидентов за счет оптимизации процессов и повышения эффективности.
  4. Аналитика на основе данных. Панели прогнозной аналитики позволяют менеджерам принимать обоснованные решения и отслеживать эффективность.
  5. 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.