AI-ассистент для автоматизации ответов покупателям

Производитель автозапчастей реализует широкий ассортимент продукции через маркетплейсы. Покупатели регулярно задают вопросы о характеристиках товаров, совместимости с автомобилями, гарантийных условиях и других особенностях продукции.

По мере роста ассортимента количество подобных обращений увеличивалось. Ответы готовились вручную операторами, что требовало значительных трудозатрат, увеличивало время ожидания покупателей и приводило к различиям в качестве консультаций. Кроме того, ответы должны были опираться исключительно на корпоративные данные о продукции, поскольку ошибки могли повлиять на выбор товара и вызвать дополнительные обращения.

Организации требовался подход, который позволил бы автоматизировать обработку типовых вопросов, сохранить достоверность ответов и при этом не пытаться отвечать на вопросы, для которых недостаточно информации.

Перед командой стояла задача изменить процесс обработки вопросов покупателей таким образом, чтобы значительную часть обращений можно было обрабатывать автоматически без снижения качества информации.

При этом решение должно было учитывать несколько важных требований.

Во-первых, ответы должны были формироваться исключительно на основе корпоративного каталога продукции, а не предположений языковой модели. Это было необходимо для сохранения достоверности технической информации.

Во-вторых, необходимо было различать типы обращений. Простые вопросы требовали стандартных и единообразных ответов, тогда как более сложные случаи нуждались в индивидуальной обработке или участии специалиста.

Отдельной задачей стало корректное определение ситуаций, в которых автоматический ответ невозможен. Например, подбор запчастей по VIN-коду или спорные вопросы совместимости должны были передаваться сотрудникам компании вместо попытки сформировать недостоверный ответ.

В основу проекта был положен принцип, согласно которому система должна не стремиться ответить на любой вопрос, а выбирать наиболее корректный способ обработки каждого обращения.

Для этого вопросы покупателей сначала определялись по типу. В зависимости от содержания система либо использовала заранее подготовленные сценарии ответов, либо обращалась к корпоративному каталогу продукции для получения необходимых сведений. Если нужной информации не существовало или вопрос требовал участия специалиста, обращение автоматически передавалось оператору.

По мере реализации проекта решение последовательно дорабатывалось на основе обратной связи заказчика. Команда анализировала реальные вопросы покупателей, сравнивала результаты работы системы с эталонными ответами, устраняла выявленные недостатки и повторно оценивала качество обработки обращений. Такой цикл позволил постепенно повысить качество ответов и обеспечить предсказуемое поведение системы.

В результате проекта мы реализовали возможность для покупателей быстрее получать ответы на распространённые технические вопросы о продукции без ожидания оператора. При этом ответы формировались на основании корпоративного каталога характеристик, что позволило использовать единый источник данных для консультаций.

Для различных категорий обращений были реализованы разные сценарии обработки. Типовые вопросы, например о гарантии, обрабатывались по единым шаблонам, благодаря чему ответы стали последовательными и одинаковыми независимо от времени обращения. Более сложные запросы анализировались с использованием данных каталога, а вопросы, требующие экспертной оценки или дополнительной информации, автоматически направлялись сотрудникам компании.

Дополнительно в систему были включены технические материалы производителя, которые использовались как источник экспертной информации при подготовке ответов. Это позволило расширить объем доступных сведений без отказа от требования использовать только проверенные данные компании.

По результатам проверки на наборе из 338 реальных вопросов система корректно обработала 337 обращений по теме без ошибок-исключений. В 62 случаях (18%), где данных было недостаточно или требовалось участие специалиста, вопросы были осознанно переданы оператору вместо формирования предположительных ответов. Среднее время формирования ответа составило 11,7 секунды.

Дополнительным результатом проекта стало повышение качества корпоративных данных. Во время анализа реальных вопросов покупателей удалось обнаружить 16 проблем в мастер-данных каталога, включая неверные значения характеристик, отсутствующие сведения и случаи, когда существующие данные не использовались системой при подготовке ответа. Каждый дефект зафиксирован с артикулом, сутью проблемы, нужным исправлением и вопросом-контекстом покупателя. То есть AI-ассистент также стал инструментом контроля качества мастер-данных.

Таким образом, апробация AI-ассистента помогла не только автоматизировать обработку обращений, но и выявить проблемы в исходной информации о продукции.

Свяжитесь с нами по почте getai@codeinside.ru и мы поможем вам реализовать проект. Ознакомьтесь с другими выполненными проектами по ссылке.