Предлагаем вашему вниманию проектную работу Виктории Султановой, выпускницы курса «Agile Project Manager. Basic«.
- Email: [email protected]
- Telegram: @Coffecola
Основные цели
Были поставлены следующие цели:
- Улучшение SLA отдела.
- Повышение доли и качества ответов бота.
- Снижение нагрузки клиентского отдела (КС).
Предпосылки проекта
Среди основных предпосылок — дальнейшая автоматизация процессов внутри КС.
В компании уже несколько лет работает бот, основанный на работе ML-модели, которая осуществляет разметку (определение тематики) обращений пользователей, а также микросервис (МКС), который после этого направляет заготовленный ответ-макрос пользователю.
В 3-м квартале 2023 года была проведена аналитика, которая показала, что все типовые обращения уже покрыты ответами бота и необходимо развивать процесс. Была поставлена амбициозная цель: увеличить долю покрытия ответов бота до 50 %.
В 4-м квартале 2023 года началась подготовка к проекту:
- Были выделены тематики, которые имеют типовые сценарии работы с обращением.
- Описаны шаги проверки данных, которые осуществляет сотрудник в админке.
- Создан МКС, который по API получает данные о состоянии пользователя на момент получения обращения.
- Полученные данные направлялись внутренним комментарием в тикет в хелпдеск.
- Проведена проверка качества подсказок, которая показала возможность передачи ответов боту.
Начиная с 1 квартала 2024 года, началась реализация проекта «Автоответы» с проверкой данных в админке.
Команда проекта:
- Data Scientist.
- Python-разработчик.
- Project-менеджер/aka-эксперт.
- Тимлид.
Этапы
Реализация проекта осуществлялась в несколько этапов:
- Сбор кейсов для автоматизации — Project-менеджер/aka-эксперт.
- Подготовка ТЗ по каждому кейсу — Project-менеджер/aka-эксперт.
- Выверка качества разметки обращений ML-моделью — Data Scientist, Project-менеджер/aka-эксперт.
- Декомпозиция ТЗ — Python-разработчик, Тимлид.
- Сбор необходимых API у различных команд внутри компании, которые необходимы для получения данных о пользователе в зависимости от реализуемого кейса — Project-менеджер, Python-разработчик.
- Создание МКС под реализуемые кейсы — Python-разработчик.
- Написание макросов-ответов, которые будет направлять МКС — Project-менеджер/aka-эксперт.
- Запуск в тестовой среде — Python-разработчик.
- Проверка качества отработки запросов — Project-менеджер/aka-эксперт.
- Доработка при необходимости — Python-разработчик.
- Раскатка — Python-разработчик.
Логика работы на примере одного реализованного кейса
«Действия с объявлением» — темы:
- «Не завершил публикацию»;
- «Не мог разместить (уже активно)»;
- «Объявление уже публикуется»;
- «Задержка публикации (уже активно)».
По всем этим темам мы получаем похожие обращения: не смог опубликовать; где мое объявление; я опубликовал объявление, но не вижу его.
- В тикет пришла ML-модель и проставила одну из этих тем, основываясь на текстовом содержании обращения.
- После разметки в тикет приходит МКС, который проверяет данные о пользователе. А именно: было ли пользователем размещено объявление за последние сутки? Есть ли у пользователя черновик, который был создан за последние сутки?
- На основании проверки из БД МКС выбирает необходимый ответ и отправляет пользователю.
Результаты
На конец 2-го квартала 2024 года запущено 9 сценариев.
Мы видим рост метрик:
| Q1 2024 | Q2 2024 | |
| Доля сложных автоответов | 1,78% | ⬆️3,51% |
| Количество ответов | 1 679 | ⬆️3 565 |
Выводы
Результаты проекта считаем успешными. Планируется дальнейшее развитие автоответов с проверкой данных клиента.
Планы на дальнейшее развитие:
- Создание UI, с помощью которого будет возможна простая настройка автоответов.
- На текущий момент уже осуществляется сбор всех необходимых API, из которых мы будем получать данные и собирать их в отдельную базу данных.
- Дальнейшее масштабирование автоответов.
