AI do telefonicznej obsługi klienta: Jak wykorzystać AI do przewidywania zapotrzebowania na agentów


OPUBLIKOWANO: 24 czerwca 2024

AI i automatyzacja mogą zrewolucjonizować obsługę klienta przez telefon, przewidując zapotrzebowanie na agentów. Dzięki zaawansowanym modelom uczenia maszynowego, firmy mogą analizować historyczne dane i wzorce, aby precyzyjnie prognozować obciążenie linii i efektywnie alokować zasoby. To prowadzi do skrócenia czasów oczekiwania, poprawy satysfakcji klientów i optymalizacji kosztów.



Jak użyć AI oraz automatyzację do przewidywania zapotrzebowania na agentów

Wyobraź sobie, że jesteś menedżerem w firmie obsługującej klientów przez telefon. Codziennie borykasz się z problemem odpowiedniego zaplanowania liczby agentów. W niektórych godzinach jest ich za mało i klienci długo czekają, a w innych - agenci nie mają co robić. Frustrujące, prawda?

Tutaj z pomocą przychodzą AI i automatyzacja! Dzięki uczeniu maszynowemu można analizować historyczne dane o połączeniach i przewidywać, ile agentów będzie potrzebnych w danym momencie. Ale jak to konkretnie działa?

Po pierwsze, zbiera się dane z różnych źródeł - systemów call center, historii połączeń, statystyk. Następnie, te dane są „karmione" do modelu AI, który uczy się rozpoznawać wzorce i zależności. Model może brać pod uwagę takie czynniki jak dzień tygodnia, godzina, sezonowość czy promocje.

Co ciekawe, AI potrafi wykryć trendy, których człowiek by nie zauważył. Przykładowo, może się okazać, że w każdą pierwszą środę miesiąca jest więcej telefonów dotyczących reklamacji. Takie ukryte zależności są kluczowe dla trafnych prognoz.

Automatyzacja natomiast pozwala na sprawne wdrożenie przewidywań AI. Wyniki analizy mogą być automatycznie przesyłane do systemów planowania grafików. Dzięki temu, liczba agentów jest dynamicznie dostosowywana do prognozowanego obciążenia.

Brzmi skomplikowanie? Może trochę, ale korzyści są ogromne. Firmy, które stosują AI do przewidywania zapotrzebowania na agentów, notują znaczący spadek czasów oczekiwania klientów i wzrost ich satysfakcji. Jednocześnie, optymalizują koszty, bo nie muszą utrzymywać nadmiernej liczby pracowników „na wszelki wypadek".


Case - zastosowanie AI do przewidywania zapotrzebowania na agentów


Opis problemu

Przyjrzyjmy się bliżej, jak AI pomogła hipotetycznej firmie TeleCare w rozwiązaniu problemu planowania obsady. TeleCare to średniej wielkości firma świadcząca usługi telefonicznej obsługi klienta dla branży medycznej. Jej głównym wyzwaniem było zapewnienie odpowiedniej liczby agentów do obsługi połączeń.

Ze względu na specyfikę branży, obciążenie linii było bardzo zmienne i trudne do przewidzenia. Zdarzały się nagłe skoki liczby telefonów, np. w okresie grypowym lub podczas promocji w przychodniach partnerskich. TeleCare często borykała się z niedostateczną obsadą i długimi czasami oczekiwania klientów, co przekładało się na niezadowolenie i utratę kontraktów.

Napisz do nas jeżeli chcesz wdrożyć AI w swojej firmie

Przewidywanie zapotrzebowania na agentów za pomocą TensorFlow

Rozwiązaniem problemu TeleCare okazało się zastosowanie głębokiego uczenia z użyciem TensorFlow do przewidywania zapotrzebowania na agentów. Ten potężny framework AI pozwolił na zbudowanie modelu, który na podstawie historycznych danych i wielu zmiennych prognozował oczekiwaną liczbę połączeń z dużą dokładnością.

Model brał pod uwagę takie czynniki jak:

  • Dzień tygodnia i godzina
  • Sezonowość (np. okres grypowy)
  • Promocje i kampanie partnerów
  • Dane pogodowe (przy złej pogodzie więcej osób dzwoni do przychodni)
  • Trendy długoterminowe

Dzięki potężnym algorytmom głębokiego uczenia, TensorFlow potrafił znaleźć skomplikowane zależności w danych i generować bardzo trafne prognozy. Co ważne, model ciągle się uczył - im więcej danych napływało, tym lepsze stawały się jego przewidywania.


Algorytm rozwiązania przy użyciu TensorFlow

A jak wyglądało wdrożenie tego rozwiązania w praktyce? Oto kluczowe kroki:

1. Dane historyczne o połączeniach oraz dodatkowe zmienne (pogoda, promocje itp.) były eksportowane z systemu call center i Excela do Google Sheets.

2. Za pomocą Zapier, dane były automatycznie pobierane z Google Sheets i przesyłane do modelu TensorFlow.

3. Model przetwarzał dane i generował prognozy zapotrzebowania na agentów dla różnych przedziałów czasowych.

4. Wyniki były zapisywane w Google Sheets i wizualizowane na dashboardzie w DataStudio.

5. Na podstawie prognoz, system automatycznie sugerował optymalny grafik dla agentów, który był wysyłany do akceptacji menedżera przez Slacka.

6. Po zatwierdzeniu, grafik trafiał do systemu planowania pracy i powiadomienia do agentów były wysyłane przez Gmail.


Cały proces był w pełni zautomatyzowany, dzięki czemu TeleCare mogła korzystać z potęgi AI bez konieczności zatrudniania ekspertów data science.

Oczywiście, na początku wymagało to trochę pracy - skonfigurowania połączeń między aplikacjami, „nauczenia" modelu itp. Ale gdy system zaczął działać, efekty były imponujące. TeleCare zanotowała znaczący spadek czasów oczekiwania klientów i wzrost wskaźnika FCR (First Call Resolution). Jednocześnie, koszty obsługi spadły, bo firma nie musiała już utrzymywać nadmiernej liczby agentów „na wszelki wypadek".


Potencjalne korzyści z wykorzystania AI do przewidywania zapotrzebowania na agentów

Historia TeleCare pokazuje, jak wielki potencjał drzemie w zastosowaniu AI i automatyzacji w obszarze obsługi klienta. Przewidywanie zapotrzebowania na agentów to tylko jedna z wielu możliwości. Wyobraź sobie, co jeszcze można osiągnąć:

Inne obszary, w których AI może zrewolucjonizować obsługę klienta:

  • Chatboty i voiceboty do obsługi prostych zapytań
  • Automatyczna analiza sentymentu rozmów
  • Predykcyjne modele rotacji klientów
  • Personalizowane rekomendacje dla klientów
  • Optymalizacja routingu połączeń w oparciu o profil klienta i kompetencje agentów

Możliwości są niemal nieograniczone. Firmy, które już dziś zainwestują w AI, zyskają przewagę konkurencyjną i będą liderami obsługi klienta przyszłości. A Ty, od czego planujesz zacząć?

Wypróbuj różne modele AI