Масштабы, в которых работает контакт-центр Virgin Media O2, огромны. В прошлом году наши телефоны звонили миллионыраз, и это были только наши существующие клиенты.

Каждый день наши агенты ведут сотни бесед с нашими клиентами. От согласования новой продажи до устранения неполадок и переговоров о повторном заключении контракта.

На самом раннем этапе формирования нашей команды по продвинутой аналитике и науке о данных мы задались вопросом: «Как мы можем убедиться, что наши клиенты разговаривают с наиболее подходящим агентом для достижения наилучшего результата»?

В этом блоге мы углубимся в мир маршрутизации вызовов на основе производительности и поделимся нашими главными советами по внедрению системы на основе машинного обучения для этой цели.

Типы маршрутизации

Стандартных названий подходов к маршрутизации вызовов не существует, но для целей этой статьи мы определим два наиболее распространенных подхода на современном рынке:

· Маршрутизация на основе очередей. Агенты назначаются очередям, соответствующим различным типам вызовов. Поскольку агенты могут обслуживать только одну очередь, этот подход может привести к неоптимальному использованию агентов, когда соотношение распределения агентов и очередей не совпадает с соотношением входящих вызовов.

· Маршрутизация на основе навыков. Агенты оцениваются по уровню навыков в отношении отдельных типов вызовов, которые они могут обработать. Они больше не назначаются очередям, а являются общедоступным ресурсом для системы. Вызовы направляются агентам с помощью наборов правил, которые согласуются с очередями вызывающих абонентов и эффективно фильтруют ресурсы агента в соответствии с различными ограничениями уровня навыков.

В этой статье основное внимание уделяется маршрутизации на основе производительности, которую мы определим как «назначение вызовов агенту или группам агентов для прямой оптимизации ключевого показателя эффективности с возможным контролем других».

Этот тип маршрутизации можно использовать в сочетании с маршрутизацией на основе очередей или как эволюцию маршрутизации на основе навыков. В качестве примера мы будем использовать магазин перекрестных/допродажных продаж.

Маршрутизация на основе производительности — не панацея

Маршрутизация на основе производительности имеет некоторые допущения, и одно из основных заключается в том, что производительность ваших агентов при вызове определенного типа является переменной. В крупном промышленном колл-центре следует использовать подходы, включающие обучение и мониторинг, для создания культуры постоянного улучшения общей производительности группы операторов. Поскольку производительность агентов становится однородной, вполне вероятно, что некоторые преимущества маршрутизации, основанной на производительности, будут устранены.

Помните, что маршрутизация на основе производительности — это операция последней мили. Главный вывод здесь заключается в том, что показатели вашего дохода, наряду с классическими показателями колл-центра, такими как средняя скорость ответа (ASA), среднее время обработки (AHT) и разрешение первого звонка (FCR), важнее для измерения, чем просто влияние производительности. на основе маршрутизации.

А во-вторых, если распределение производительности агентов достаточно широкое, вам следует рассмотреть другие методы, чтобы сузить его, обеспечив лучший сервис для ваших клиентов.

Настройка эксперимента

Как и в случае любой другой возможности в области науки о данных, прежде чем думать о моделях, решениях и оптимизаторах, нам нужно подумать о том, как мы будем измерять влияние наших решений. В этом случае у нас есть совокупность вызовов и совокупность агентов.

Если вы пришли из онлайн-среды веб-сайта с высоким трафиком, вы можете подумать, что лучше всего разделить трафик на некоторый процент. Однако, если вы это сделаете, вам также нужно будет разделить своих агентов, что означает, что вам понадобится довольно большое количество людей, а также придется иметь дело с предубеждениями, которые могут возникнуть, наряду со сложностями смен и графиков, поскольку все ваши агенты все время не работают.

Другой подход состоит в том, чтобы разделить время работы колл-центра на временные блоки. Проводите свои эксперименты в одном наборе блоков времени и сохраняйте контроль в другом наборе блоков времени. При таком подходе предвзятость возникает из-за того, как вы создаете эти блоки времени.

После того, как вы создали свой эксперимент, запустите его в производство и проведите A/A-тестирование до значимости. Убедитесь, что такие метрики, как ASA, AHT, FCR, метрики дохода, одинаковы как для тестов, так и для контроля, чтобы обеспечить уверенность в результатах эксперимента.

Еще одна ключевая метрика, которую вы должны учитывать, — это использование агента. Если вы используете подход «первым поступил — первым обслужен», вы, возможно, не следите за этим, и хотя определение приемлемых пороговых значений является скорее коммерческим решением, для стратегии оптимизации слишком легко просто чрезмерно использовать наиболее эффективные агенты, ведущие к выгоранию агентов и влиянию на повседневную работу колл-центра.

Последние пункты иллюстрируют некоторые особенно важные соображения для любого эксперимента или производственной системы. Крупномасштабный колл-центр подчиняется строгим операционным ограничениям, иногда в регулируемой среде. Мониторинг и соблюдение операционных показателей важны и могут быть довольно сложными.

Технологические ограничения

Любое решение будет интегрировать одного из нескольких основных поставщиков интерактивных голосовых ответов (IVR). Давайте возьмем Cisco в качестве примера одного из популярных IVR на рынке, но это может быть Genesys или Twilio. Возможности вашего IVR наложат ограничения на то, как вы можете подойти к стратегии обработки данных на следующем этапе. Мы наметим несколько ключевых возможностей, которые вам понадобятся:

  1. Маршрутизация на основе навыков и пулы агентов. Для маршрутизации на основе производительности нам потребуется сегментировать наших агентов на группы на основе некоторых показателей производительности. IVR обычно поддерживают определение групп операторов с помощью навыков. Навыки создают пулы агентов для целевой маршрутизации. Простейшим случаем было бы два пула (например, продавцы выше среднего, продавцы ниже среднего), но у нас могло бы быть много действующих пулов, поскольку мы могли бы приблизиться к количеству пулов = количеству агентов, где мы эффективно назначаем агента, которого вы хотите нацелиться. С этого момента для простоты мы будем использовать два пула.

2. Сегментация клиентов. Определив пулы агентов, мы должны иметь возможность определить определенные сегменты клиентов, которые мы хотим связать с нашими пулами агентов. То, как обслуживать сегменты клиентов в IVR, будет сильно зависеть от архитектуры используемого решения.

3. Приоритеты очереди и время ожидания очереди: для выполнения маршрутизации на основе производительности нам необходимо соединить пулы агентов с клиентскими сегментами. Для этого нам нужно определить целевую очередь. Большинство IVR допускают это с помощью очередей с приоритетами (например, очередь 1, пул 1 — высокий приоритет, пул 2 — низкий приоритет, очередь 2: наоборот) или должны поддерживать возможность установки тайм-аутов для пулов и установления иерархии пулов агентов. Тайм-ауты могут быть либо фиксированными, либо динамическими, однако динамические настоятельно предпочтительнее, поскольку количество вызовов резко меняется в разное время суток. В качестве примера ниже мы сказали, что если вызов ждал одну минуту для агента в пуле 1, то мы расширим их пул агентов, включив в него пул 2. Поскольку очередь для пула 2 будет содержать вызовы с меньшим потенциалом дохода. , мы установили тайм-аут на две минуты, чтобы повысить вероятность того, что агенты из пула 1 ответят на вызовы из очереди 1.

4. Настраиваемая очередь. Маршрутизация на основе производительности может быть очень целенаправленной, если мы сможем перераспределять вызовы в очереди ожидания. Фактически, на приведенной ниже диаграмме после перенаправления вызова в Очередь 1 или Очередь 2 вы сможете переназначить его, эффективно динамически настраивая очереди. Это расширенная функциональность, которая не предлагается большинством IVR.

Поняв эти три технологических возможности, давайте перейдем к подходам к науке о данных.

Подходы к науке о данных

Есть два подхода, которые вы можете использовать на этом этапе, при условии, что вы удовлетворяете первым трем технологическим ограничениям.

  1. Две отдельные модели + эвристика. Используя офлайн-оценку, вы можете найти эвристику, такую ​​как звонок с высокой вероятностью, когда он предоставляется агентам с более высоким средним объемом продаж за звонок, что приводит к более высокому общему доходу.
  2. Подход к моделированию повышения: вы можете прогнозировать на уровне вызова ожидаемый результат вызова с учетом особенностей вызова и функций пула. На этом этапе вы можете использовать эвристику, чтобы определить, в какой пул отправить вызов, исходя из изменения ожидаемого дохода.

Однако, если у вас есть доступ к «Настраиваемой очереди», вы можете пойти еще дальше. Если вы думаете о подходе к моделированию подъема, вы фактически рассчитали ожидаемый доход от назначения для каждой комбинации очереди/вызова. У вас осталась таблица, подобная приведенной ниже, а то, что у вас есть сейчас, — это классическая проблема оптимизации. Если вы можете динамически обновлять очередь, вы можете запускать алгоритмы оптимизации, чтобы поддерживать наилучшее сопряжение с течением времени.

Ключевая трудность при выполнении классической оптимизации заключается в том, что оптимизатор должен учитывать текущее состояние системы — фактически ключевые показатели операционной стабильности сами по себе являются частью решения по оптимизации. Это само по себе может быть довольно сложной задачей с инженерной точки зрения.

Другие соображения

· Показатели, которые, скорее всего, будут затронуты негативно, — это средняя скорость ответа (ASA) и использование. Выберите способ мониторинга использования и внимательно следите за ASA, на который может повлиять сокращение времени ожидания в очередях.

· Если вы решите создать очередь за пределами вашего IVR, имейте в виду, что с этого момента ваша услуга переместилась из дополнительной услуги оптимизации (колл-центр будет работать без нее) в услугу уровня 1, необходимую для работы колл-центра. . Есть способы решить эту проблему в некоторых системах IVR, но действуйте осторожно.

Заключение

Мы обсудили преимущества и недостатки маршрутизации на основе производительности, а также то, что, хотя она и не является панацеей для производительности колл-центра, это оптимизация, которая может помочь получить дополнительную ценность. Мы рассмотрели некоторые рекомендации и подводные камни для правильной настройки эксперимента, чтобы вы могли понять ценность, которую вы создаете, и вносить изменения на основе данных. Мы рассмотрели основные технологические возможности системы IVR, необходимые для маршрутизации на основе производительности, и то, как их доступность повлияет на тип подхода к науке о данных, который вы сможете использовать. Наконец, мы рассмотрели два подхода к науке о данных, а также слой оптимизации, который можно развернуть поверх них, если он поддерживается вашим выбором IVR.

Не стесняйтесь обращаться к нам, если вы пытаетесь решить эту проблему в своей организации. Мы будем рады узнать о вашем опыте и поделиться знаниями.

Предоставлено Жилем Комо, Джеймсом Шофилдом и Петросом Синтелисом при участии группы VMO2 Operations Data Science, Product Engineering и Product Team

Мы нанимаем! Хотите работать на нас? Ознакомьтесь с нашими открытыми вакансиями здесь.