Как искусственный интеллект помогает совершать революцию в операциях телекоммуникационных компаний

Решения, обеспечивающие расширенные возможности розничной торговли, более разумное планирование, самовосстановление и лучшее обучение, могут уменьшить сложность, снизить затраты и сделать счастливее как клиентов, так и сотрудников.

Операционная деятельность в телекоммуникационной отрасли часто считается одним из самых сложных аспектов ведения бизнеса, и наиболее успешными телекоммуникационными компаниями, как правило, становятся те, которые превосходят других в выполнении этой задачи. Она требует одновременного, скоординированного и динамичного подхода ко всем подразделениям, каждое из которых в отдельности было бы гигантским предприятием. В последние годы искусственный интеллект способен упростить эту задачу за счет оптимизации различных функций, составляющих операционную деятельность. Телекоммуникационные компании только начинают использовать этот потенциал. Операторы добились успеха с помощью решений ИИ, которые помогают оптимизировать процесс обслуживания, например, работу с клиентами в магазине, использование колл-центра и размещение сотрудников в магазинах, колл-центрах и на местах.

Сложный экономический ландшафт, на который телекоммуникационным компаниям пришлось ориентироваться в последние годы, делает перспективу инвестиций в новые решения пугающей. Однако стоимость, поставленная на карту, потенциально весьма значительна. Ведущие телекоммуникационные компании уже начали внедрять ИИ в свои полевые и сервисные операции. По мере того, как сети становятся все более программно-определяемыми и облачными, появляются и новые цифровые злоумышленники. Чтобы оставаться конкурентоспособными, необходимо идти в ногу как с технологиями, так и с передовиками.

Почему сейчас самое время внедрять искусственный интеллект

На полевые и сервисные операции приходится от 60 до 70 процентов операционных бюджетов большинства телекоммуникационных компаний, поэтому применение ИИ может обеспечить реальные и быстрые преимущества. Отрасль уже более десяти лет сталкивается с растущим давлением на затраты, и отдача от необходимых инвестиций в инфраструктуру едва превышает стоимость капитала. Теперь отрасль должна справиться с вызванными пандемией изменениями в том, как люди работают и делают покупки, в результате чего спрос превзошел все ожидания. В то же время укомплектовать штат операторов телекоммуникационных компаний становится все сложнее, а нехватка рабочей силы и новые разновидности коронавируса еще больше усложняют процесс. Удерживать работников также стало сложнее, чем когда-либо, особенно в США, где 40 процентов работников говорят, что, скорее всего, покинут свои текущие рабочие места в течение ближайших трех-шести месяцев.

Чтобы оставаться впереди, операторам необходимо принимать важнейшие инвестиционные решения, касающиеся обслуживания клиентов и сотрудников. В то же время им необходимо предлагать эффективные и действенные процессы для снижения затрат и повышения уровня удержания как клиентов, так и сотрудников. Именно в этих областях передовые телекоммуникационные компании внедряют решения ИИ и добиваются успеха. Как показывают приведенные ниже примеры использования, эти решения делятся на несколько категорий: интеллектуальное планирование и прогнозирование; опыт магазинов будущего, обеспечиваемый персонализацией на основе машинного обучения и другими базовыми элементами операционной эффективности; самовосстановление, при котором проблемы либо предупреждаются, либо решаются автоматически; и интеллектуальный коучинг.

Повышение качества обслуживания розничных клиентов

Важнейшей областью, в которой инструменты искусственного интеллекта могут помочь улучшить работу, является розничная торговля, где технологии и инструменты для магазинов будущего, а также интеллектуальное планирование и прогнозирование могут помочь преодолеть узкие места, характерные для нынешней розничной торговли. Активация телефонной линии может занять в среднем до часа, что делает розничную торговлю идеальной возможностью для повышения продаж. В США, например, около 40-50 процентов продаж телефонов происходит в розничной торговле, и 70 процентов этих сделок связаны с покупкой аксессуаров, таких как защитная крышка экрана, чехол для телефона или наушники. При этом покупатели вынуждены сидеть сложа руки, пока настраивается их телефонная линия и совершается покупка.

Инструменты искусственного интеллекта могут использовать это время с большей пользой. Помимо персонализированной рекламы и предложений, ориентированных на клиентов, находящихся в магазине в определенное время, интеграция функций онлайн и физической розничной торговли телекоммуникационных компаний на основе аналитики может решить проблему отсутствия устройств и аксессуаров на складе или в конкретном месте. Более эффективное использование аналитики может позволить розничным магазинам доставлять товары на дом покупателям, если чего-то нет в наличии в конкретном месте, подобно тому, как это начали делать розничные магазины модной одежды. В этом случае телекоммуникационные компании смогут предлагать полностью персонализированный ассортимент аксессуаров во всех своих точках и удовлетворять большую долю своих клиентов.

Подробнее о персонализации в магазине будущего читайте в статье "Будущее шопинга: Технологии повсюду"

Однако для того, чтобы это стало реальностью, необходимо, чтобы в розничной торговой точке было достаточно персонала, который помогал бы покупателям принимать решения и совершать покупки. Именно здесь может помочь разумное планирование. Способность клиентов получить то, что им нужно, когда они этого хотят, тесно коррелирует с общим уровнем привлечения и удержания клиентов, поэтому наличие достаточного количества персонала крайне важно. Однако прогнозирование потребностей в персонале в розничной торговле остается сложной задачей. Существующие инструменты не обеспечивают достаточной точности, чтобы предвидеть потребности телекоммуникационной компании в персонале для розничной торговли. Выпуск нового телефона или предстоящие праздничные покупки достаточно предсказуемы, но предугадать время ажиотажа, которое, казалось бы, ни с чем не связано, сложнее. Одной электронной таблицы недостаточно, чтобы понять действующие силы и сделать адекватные прогнозы. Кроме того, такие функции прогнозирования обычно сосредоточены в разрозненных системах, что не позволяет сделать процесс планирования динамичным и работающим в режиме реального времени.

Инструменты искусственного интеллекта, такие как машинное обучение, могут устранить большую часть догадок и ручных процессов, которые большинство операторов в настоящее время используют для прогнозирования потребностей розничной торговли в персонале и составления соответствующего графика. При правильном подходе эти инструменты могут значительно сократить проблему переизбытка и недостатка персонала. Построение прогнозных моделей, которые дополняют исторические внутренние данные информацией, такой как демографические данные, данные о доходах и поисковых тенденциях, позволяет операторам связи прогнозировать потребности в персонале с точностью до 80 процентов на розничном уровне.

Внедрение интеллектуального планирования позволило одной телекоммуникационной компании добиться повышения экономии затрат, уровня обслуживания и продаж. Имея более 10 000 сотрудников розничной торговли в 1500 точках, компания пыталась избежать недоукомплектованности штата, что приводило к сверхурочным расходам, а также переизбытка персонала, из-за которого сотрудники слишком много времени простаивали.

В компании было несколько команд по управлению персоналом, которые использовали комбинацию электронных таблиц и сторонних инструментов для прогнозирования спроса и составления графика работы сотрудников. Помимо того, что процесс был медленным, он был недостаточно точным. Компания объединила внутренние данные с внешней информацией, такой как демографические данные и тенденции онлайн-поиска, чтобы создать приборные панели на основе своих основных моделей ИИ для прогнозирования и оптимизации расписания, причем первоначальный пилотный проект был готов примерно через три месяца. Эти информационные панели обеспечили беспрецедентную прозрачность и наглядность для специалистов по планированию персонала, например, ранее скрытые пики и спады в спросе на рабочую силу и ее наличии, что позволило намного точнее планировать работу персонала розничных магазинов. Со временем компания увидела 10-20-процентную экономию затрат за счет более эффективного найма и составления расписания, а также 10-20-процентное увеличение продаж за счет более точного реагирования на спрос покупателей. Кроме того, за счет перераспределения незанятого времени использование розничного персонала увеличилось на 5-10 процентов.

Совершенствование работы контакт-центра

По мере того как приложения ИИ становятся все более совершенными, ведущие телекоммуникационные компании стремятся не только снизить потребность клиентов в звонках или сообщениях по поводу проблем, которые можно предотвратить или решить другими способами. Они также хотят обеспечить максимальное использование возможностей для повышения продаж, которые могут возникнуть в результате контакта. Такие самовосстанавливающиеся решения включают в себя ряд процессов (см. Рисунок 1).

Например, вопросы о выставлении счетов являются одним из основных источников звонков клиентов. Самовосстанавливающееся решение будет учитывать основную причину возникновения проблемы с выставлением счетов, а также историю выставления счетов, пожизненную ценность клиента и его склонность звонить в связи с изменением счета, а затем предпримет любое количество различных действий. Одному клиенту, возможно, достаточно получить объяснение, приложенное к счету, чтобы быть удовлетворенным, в то время как другому клиенту может понадобиться ретроактивный пакет данных. А другой клиент, возможно, решит сделать апгрейд или предпринять другие действия, повышающие доход, и в этом случае ему лучше позвонить.

Такое самовосстанавливающееся решение будет включать в себя кластеризацию различных профилей клиентов для определения их склонности к звонкам и вероятного влияния их звонков на доход и пожизненную ценность клиента. В то же время оно будет предсказывать, какое влияние окажут различные выявленные действия по самовосстановлению, и определять наилучшее действие для увеличения пожизненной ценности клиента. После внедрения решение по самовосстановлению может быть дополнено системой обратной связи на основе машинного обучения для отражения эффективности предпринятых действий, что позволит решению становиться все более точным в своих решениях.

Самовосстанавливающийся ИИ также может помочь сократить количество обращений в центр обработки вызовов за счет устранения проблем с проводными устройствами (например, замедляющий работу маршрутизатор может быть обнаружен и отремонтирован еще до того, как клиент заметит это). Решение, которое постоянно проверяет скорость и производительность устройства, может сравнить производительность одного устройства с производительностью соседних устройств, чтобы определить оптимальный курс действий. Если проблема заключается в том, что маршрутизатор клиента необходимо перезагрузить или загрузить изменения конфигурации, это может быть сделано удаленно в то время, когда клиент не использует устройство активно и не знает о возникшей проблеме.

Если проблема требует вмешательства клиента, решение прогнозирует склонность клиента к звонкам по поводу проблемы, прежде чем отправить ему предупреждение или подготовить необходимую информацию, чтобы сократить продолжительность возможного звонка. В случае проблемы, требующей решения на месте, грузовик и бригада могут быть отправлены до того, как клиенты заметят снижение скорости сети и позвонят с жалобой.

Такие меры могут помочь телекоммуникационным компаниям резко сократить количество вызовов, что улучшает качество обслуживания клиентов, позволяя агентам уделять время действительно сложным видам деятельности с добавленной стоимостью. Например, если уделять больше времени звонкам, требующим прямого взаимодействия с клиентом для удовлетворения критических потребностей или обучения по продуктам и услугам, это может обеспечить лучший опыт и привести к повышению удовлетворенности клиентов. Это также улучшает работу сотрудников, поскольку их возможности используются более эффективно, а количество недовольных клиентов, с которыми им приходится иметь дело, сокращается. Со временем это может способствовать повышению операционной эффективности и укреплению лояльности к бренду.

Как и в случае с подбором персонала для розничных торговых точек, подбор персонала для колл-центров может значительно выиграть от интеллектуального планирования на основе искусственного интеллекта, чтобы обеспечить работу нужных сотрудников колл-центра в нужное время (см. Рисунок 2). Более точная информация о том, какие типы клиентов звонят и почему, может быть объединена с системами планирования рабочей силы для оптимизации уровней и времени работы персонала. Сочетание прогнозирования на основе ИИ с многоканальным оптимизатором расписания, который может распределять агентов по различным функциям, включая колл-центр, центр сообщений и даже розничные магазины, создает петлю обратной связи, которая позволяет системе становиться все более интеллектуальной.

Одна телекоммуникационная компания с несколькими тысячами агентов центра обработки вызовов создала основные модели ИИ для прогнозирования и оптимизации расписания, а полученные информационные панели позволили на 10-20% сократить расходы на сверхурочные и более эффективно использовать персонал, а также повысить качество обслуживания клиентов. Кроме того, время, необходимое управлению персоналом для управления прогнозированием и составлением расписания, сократилось вдвое, и компания получила на 30 процентов больше гибкости в распределении работников по местам и видам работ благодаря централизованному составлению расписания, охватывающему несколько бизнес-подразделений.

Повышение потенциала полевых сил

На пути полевого персонала телекоммуникационным компаниям приходится балансировать между клиентами, сотрудниками и внешними силами, над которыми они практически не имеют контроля. Интеллектуальные коучинговые решения на базе ИИ могут помочь повысить производительность и уровень обслуживания работников передовых подразделений и их руководителей, а также улучшить впечатления клиентов и сотрудников. Эти сложные инструменты используют алгоритмы машинного обучения для получения информации о производительности и ресурсов коучинга, которые опираются на нормализованные показатели производительности сотрудников в качестве исходных данных. В результате получаются своевременные и ситуативно значимые цифровые инструкции, а также поощрительные подталкивания, которые помогают стимулировать желаемое поведение (см. Рисунок 3).

Одна телекоммуникационная компания, которая в экспериментальном порядке применила интеллектуальный коучинг на основе ИИ в распределенном штате из более чем нескольких тысяч сотрудников, обнаружила, что смогла решить проблему отсутствия эффективного способа дифференцировать коучинг в зависимости от потребностей отдельных сотрудников. Компания знала, что ей необходимо улучшить ключевые показатели производительности, качества, эффективности обучения и уровня вовлеченности, и создала программу коучинга на основе ИИ, которая будет направлена на все четыре области.

Программа смогла определить персонализированные возможности коучинга на основе прошлых результатов работы и предоставить целевые подсказки и лучшие практики непосредственно на портативные устройства сотрудников. Такой подход не только помог повысить эффективность работы сотрудников, но и в конечном итоге повысил удовлетворенность работой.

Полевые операции также могут выиграть от умного планирования, особенно когда речь идет о своевременном прибытии технических специалистов. Погода, дорожное движение и другие внешние факторы могут оказывать значительное влияние на составление расписания, что, в свою очередь, влияет на качество обслуживания клиентов и сотрудников, особенно когда и техник, и клиент звонят в ответ на несвоевременное прибытие.

Как и в случае с планированием работы колл-центров и розничной торговли, ИИ на основе ML может использовать исторические данные для выявления причин задержек, которые в противном случае неясны, а затем объединить эти данные с данными о погоде и трафике для динамического изменения графика работы технических специалистов на местах. Решение может даже оценить вероятность возникновения технических неполадок на основе исторических данных и данных о клиентах и предупредить техников о том, какие запчасти могут понадобиться для выездов в этот день.

Одна телекоммуникационная компания, создавшая решение, использующее исторические данные о сезонности, маршрутизации технического персонала и других внешних факторах, таких как трафик и погода, повысила точность прогнозирования и управления персоналом на 80-90%.

Начало работы

Телекоммуникационным компаниям, которые только начинают использовать ИИ для поддержки своих сервисных операций или думают об этом, будет полезно рассмотреть некоторые передовые методы, уже проверенные в бою лидерами, включая следующие действия:

• Определите основные варианты использования ИИ для каждого подразделения и соответствующих этапов сервисных операций - например, для колл-центров, розничной торговли, использования в магазинах или полевых операций - на основе наиболее важных пробелов или болевых точек. Затем проведите процедуру определения приоритетов для ранжирования возможностей и примеров использования в соответствии с целесообразностью, влиянием и простотой реализации.
• Определите доступность данных для каждого рассматриваемого варианта использования и создайте дорожную карту для создания активов данных, которые потребуются для их использования.
• Начните с описательной аналитики и используйте гибкий подход на ранних этапах пути развития сервисного управления на основе ИИ, добавляя предиктивную и предписывающую аналитику для создания прочного фундамента. Создание минимально жизнеспособных продуктов в ходе специальных спринтов и расширение масштаба на основе подхода непрерывного обучения поможет обеспечить высокие результаты.
• Создайте команды в ИИ-подразделениях, в которые входят как технические специалисты, так и бизнес-лидеры и профильные эксперты, в зависимости от конкретного случая использования. Работая совместно, эти межфункциональные эксперты разрабатывают и тестируют примеры использования ИИ и решения.

Хотя операторы связи продолжают сталкиваться с серьезными препятствиями, искусственный интеллект может помочь смягчить их, а операторы услуг - это особенно благоприятная возможность. Повсеместное распространение технологий и, в частности, растущее применение искусственного интеллекта и ОД способствуют новой волне роста и разрушений. Те операторы связи, которые воспользуются этой возможностью и продолжат внедрять инновации на этом пути, скорее всего, станут бесспорными лидерами в долгосрочной перспективе.

В статье использованы материалы исследований отчётов McKinsey & Company