Lehet-e monoton és időigényes ügyfélszolgálati feladatokat a mesterséges intelligenciára bízni? Megbízónkkal közösen létrehoztunk egy jól működő megoldást a legújabb generatív AI technológiákra támaszkodva.
Ügyfelünk
A booked4.us egy rugalmasan testreszabható online foglalási rendszer, amelyet a magántanároktól a franchise hálózatokig számos szakma képviselői használnak egész Európában. Sokoldalúsága és felhasználóbarát felülete révén nélkülözhetetlen digitális eszközzé vált azok számára, akik egyszerűsíteni szeretnék az időpontfoglalást és javítani az ügyfeleikkel való kommunikációt.
A kihívás
A booked4.us ügyfeleinek száma gyorsan megduplázódott az utóbbi néhány évben. Az ügyfélszolgálat feladatai sokrétűek: számlázási adminisztráció, a bejövő e-mailek megválaszolása, bejövő telefonok fogadása, segítségnyújtás az ügyfeleknek. Emellett kiemelten fontos tevékenységük, hogy az újonnan regisztráló, ingyenes időszakot kipróbálókat felhívják, támogassák a rendszer testreszabott beállításában. Ez fontos ügyfélszerző erő: azok az érdeklődők, akikkel ilyen módon kapcsolatba lépnek, nagyobb arányban válnak előfizetővé. Ugyanakkor ügyfélszám növelésében elért sikerekkel jelentősen megnőtt a feladatok mennyisége a számlázás, előfizetés-kezelés és az ügyféltámogatás terén, ezért az ügyfélszolgálatnak egyre kevesebb ideje maradt erre az ügyfélszerző és -megtartó tevékenységre.
Így a booked4.us olyan megoldást keresett, mely automatizálja a repetitív, időigényes feladatokat. A csapatuk körében végzett felmérés egyértelműen az e-mailben bejövő megkereséseket hozta ki célterületnek, amivel, ha kevesebbet kellene foglalkozniuk, több idő maradna az értékteremtő tevékenységekre. Azaz egy olyan megoldás kezdett körvonalazódni, mely a megfelelő backend hívásokra támaszkodva képes az emberi nyelven íródott levelek valamilyen előfeldolgozására, válaszok keresésére. Kézenfekvő volt, hogy ehhez a generatív AI nyújtotta lehetőségekből kellene építkezni.
A megoldás
A booked4.us ügyfélszolgálatával dolgoztunk együtt, folyamataikat áttekintettük, elkezdtük elemezni a bejövő leveleket – mindezt abból a fő szempontból, hogy egy AI-alapú megoldás hol tudna segíteni, hol lehetne a legkisebb befektetéssel a legtöbb manualitást kiváltani. Ebből azt láttuk, hogy valószínűleg a különböző kategóriájú levelek megválaszolásához szükséges információk és adatok összegyűjtése valamint a válaszok megfogalmazása lehet ez a terület.
A levelek feldolgozásához első lépésben szükség van a kategorizálásra: melyik levél milyen ügycsoportba tartozik, mert ez később a különböző logikáknak lesz az alapja. Megkértük az ügyintéző kollégákat, hogy 2000 levelet soroljanak kategóriákba. Ezt követően képesek voltunk fine-tuning segítségével az OpenAI modelljét megtanítani ugyanerre, és sikerült elérnünk egy 85-90%-os helyes besorolási arányt. A következő, gyors sikert ígérő feladat az egyszerűbb kérdések megválaszolása volt, amihez felhasználtuk a booked4.us felhasználói kézikönyvét, amiből egy vektor DB-alapú tudásbázist építettünk. A pontosság javítására itt a legjobban bevált módszer a kérdés-válasz párok elmentése volt. A keretrendszerünkben található egy tudásbázis-szerkesztő, -létrehozó, -módosító admin felület, ahol a kezdeti feltöltés után chatboton keresztül lehetett tesztelni és folyamatosan finomítani a megoldást.
A projekt ezen pontján adta ki az OpenAI a function calling fukciót, ami megkönnyítette a munkát, hisz beépítve keretrendszerbe képessé váltunk arra, hogy a levél tartalma alapján a booked4.us háttérrendszereiben lekérdezéseket és műveleteket hajtsunk végre. Az AI modellnek meg tudtuk mondani, milyen szolgáltatások vannak a háttérben és egy rövid leírást is adtunk róla emberi nyelven, hogy mit tartalmaznak. Emellett megadtuk a lekérdezések bemenetének formátumát is, azaz, hogy milyen adatokat és milyen formátumban várjon. Így a modell képessé vált arra, hogy egy levélben beérkező kérdés / kérés esetén megmondja azt, hogy melyik szolgáltatást pontosan milyen inputtal kell meghívni és ennek válaszát neki odaadni ahhoz, hogy képes legyen megválaszolni a levelet. Az egyik leggyakoribb kérés az előfizetés valamilyen módosítása (naptárszám, fizetési mód, fizetési gyakoriság).
Ezeket a szolgáltatásokat megismertettük az AI modellel, ami innentől kezdve képessé vált arra, hogy adott módosítási kérés érkezése esetén kitegye egy felületre, hogy melyik szolgáltatást kell meghívni, melyik inputtal. Azt tapasztaltuk, hogy nagyon jól tudja ezeket az eseteket kezelni: akár teljesen strukturálatlan szövegből kiszűrni a módosításra vonatkozó releváns információt. Amikor ez megtörtént, az ügyintéző áttekinti a javaslatot és amennyiben az helye, egy gombnyomással elvégezheti a módosításokat. Ezt követően az AI megoldás a válaszlevelet is képes megírni, pl. visszaigazolni, hogy az ügyfél kérése az alábbi tartalommal teljesült.
A function calling, a tudásbázis és a fine-tuning segítségével sikerült elérnünk azt, hogy a levelek jelentős részére olyan választ képes írni a rendszer, amihez az ügyintézőnek egyáltalán nem vagy csak minimálisan (pl. stilisztikai hiba javítása) kell hozzányúlnia. 70% feletti helyes e-mail válaszadási arányt tudtunk megvalósítani.
Az eredmények
- Az automatizáció által jelentős idő szabadult fel az értékteremtő, humán kapcsolatot igénylő feladatokra, így az ügyfél konverziós és megtartási számok jelentősen javultak.
- A booked4.us egyszeri beruházás révén szert tett egy folyamatosan fejlődő (tanuló) rendszerre, mely a vállalati tudást központilag tárolja és karbantartja.
- A projekt okán sor került a folyamatok és az ÁSZF áttekintésére és javítására is.
- Javult a dolgozói elégedettség, hisz sokkal kevesebbet kell a repetitív feladatokkal foglalkozni, több tér marad a kreativitásra.
- Későbbi továbbfejlesztési lehetőségek: chatbot bevezetése illetve a tudásbázis felhasználása az új kollégák oktató-vizsgáztató platformjaként.
