Поддержка клиентов — это неисчерпаемый источник ценных данных. В этой статье поговорим о том, как раскрыть его полный потенциал с помощью науки о данных или Data Science.

Большинство материалов по Data Science в интернете фокусируется на том, как её можно применить в продукте или маркетинге — двух самых популярных областях, где специалисты по данным создают наибольшую ценность. Однако работая в компании, мне пришлось взаимодействовать с гораздо большим количеством функций, помимо этих двух. Данные есть в каждой части компании, и на самом деле, каждый отдел может извлечь выгоду из Data Science и аналитики для улучшения эффективности и создания бизнес-ценности. В этой статье я расскажу об одной из тех тем, которые затрагиваются реже — науке о данных для команды поддержки клиентов (Customer Support).

Помню, как в первый раз меня пригласили на встречу с командой поддержки. Я был совершенно не в теме. Я не знал, чего ожидать, и не понимал, как данные вообще могут помочь. Но теперь я работаю с командой уже более трёх лет в роли партнёра по Data Science — с тех самых пор, когда у нас едва были какие-либо отчёты по данным, и до сегодняшнего дня, когда мы стали неотъемлемой частью рабочих процессов команды поддержки клиентов и помогаем принимать решения на основе данных. В следующих разделах я расскажу о распространённых примерах использования Data Science в сфере поддержки клиентов.

1. Отслеживание метрик

Прежде чем что-либо улучшить, нужно это измерить — и клиентская поддержка не исключение. Построение метрик также является хорошим способом установить доверие со стейкхолдерами.

Для поддержки в частности некоторые распространённые метрики включают:

SLA (Service Level Agreement, соглашение об уровне обслуживания)

Это обязательство или цель по тому, как быстро команда поддержки клиентов отвечает на обращения. Например, «отвечать на все запросы в течение 3 минут». Крайне важно отслеживать, всегда ли команда выполняет SLA. Обычно это измеряется как процент поддерживаемых взаимодействий, соответствующих этой цели.

TTR (Time to Resolution, время разрешения запроса)

SLA заботится о том, насколько быстро произошло взаимодействие, в то время как TTR измеряет общее время, которое требуется для решения тикета — включая все переписки. Представьте, что вы, как пользователь, обратились в службу поддержки по электронной почте с вопросом о продукте. Они отвечали быстро каждый раз, но ни один ответ не решил ваш вопрос. В этом случае SLA будет выглядеть хорошо, но TTR будет длинным. Вот почему для полного понимания ситуации нам нужны обе метрики.

FCR (First Contact Resolution, разрешение запроса при первом контакте)

Идеально, если клиент получит всё, что ему нужно, в первое своё обращение. Поэтому FCR измеряет процент тикетов, которые решаются без необходимости дополнительных обращений. Естественно, низкий FCR коррелирует с высоким TTR.

CSAT (Customer Satisfaction Score, показатель удовлетворённости клиента)

Все вышеперечисленные метрики измеряют внутреннюю эффективность — как быстро мы отвечаем клиентам и решаем их проблемы — а CSAT является прямым внешним показателем того, насколько довольны клиенты полученной поддержкой. Обычно он фиксируется через опрос после того, как тикет решён, с вопросом «Насколько вы удовлетворены полученной поддержкой?» (оценка от 1 до 5).

Contact Rate (показатель контактов)

Мы заботимся о качестве обслуживания, но также важно понимать, сколько обращений в службу поддержки возникает. Отличным способом нормализации объёма обращений является расчёт Contact Rate как отношения числа обращений к числу активных клиентов. Он показывает, как часто клиенты сталкиваются с проблемами и нуждаются в помощи, что также является индикатором проблем с продуктом.

Конечно, существует много других метрик, которые мы разработали для команды поддержки, но вышеупомянутые метрики должны дать вам достаточное первое представление о том, какие данные важны для команды поддержки клиентов. Эти данные, разумеется, организованы и представлены на дашбордах, чтобы команда могла отслеживать производительность и углубляться в определённые типы кейсов, команды или сегменты клиентов. В моей компании команда аналитиков также проводит еженедельные совещания по обзору метрик, чтобы выявлять тенденции, выносить инсайты и стимулировать обсуждения.

Теперь, когда у нас есть все эти метрики, как мы можем их использовать для улучшения процессов? Вот где и проявляется настоящая сила науки о данных. Рассмотрим следующие сценарии использования.

2. Управление персоналом

Каждое обращение в службу поддержки приводит к расходам на персонал, а также технологическим затратам, накладным расходам и другим операционным издержкам. Поэтому крайне важно точно отслеживать мощность и прогнозировать будущий спрос на поддержку для планирования и расстановки персонала.

Команда аналитиков данных (или дата-сайентистов) может оказать большую помощь в этом.

Прогнозирование объёма обращений: это сложная, но высокоэффективная задача. Для начала необходима межфункциональная работа, чтобы получить правильные предположения о росте числа клиентов и корректировать ожидания по контактной ставке в зависимости от запусков продуктов и улучшений. Затем дата-сайентисты могут использовать такие инструменты, как модели временных рядов, чтобы учесть все предположения и предсказать объём обращений в службу поддержки.

Планирование ресурсов: когда мы имеем точный прогноз объёма обращений, следующий вопрос — сколько специалистов саппорта потребуется для поддержания хорошего уровня обслуживания. Это требует моделирования различных сценариев производительности агентов и доступности ресурсов, а также оптимизации графиков смен, чтобы гарантировать выполнение SLA без излишнего набора сотрудников.

3. Улучшение процессов

Данные полезны не только для отслеживания производительности команды, они могут способствовать реальному улучшению процессов. Вот несколько примеров, с которыми лично я сталкивался:

Анализ TTR
Без глубокого анализа, TTR — это просто пустое число. Команда аналитиков может проанализировать TTR, чтобы выявить причины длительного времени решения и использовать эти данные для улучшения процессов. Например, если кейсы, связанные с онбордингом, часто занимают больше времени с множеством переписок, это может означать, что команде CX необходимо дополнительное обучение по текущему процессу онбординга, или сам процесс слишком сложен, и клиенты постоянно его путают. Если тикеты из электронной почты часто имеют высокое время решения и низкий CSAT, возможно, нам стоит перераспределить ресурсы, чтобы ускорить ответы, или предоставить более удобные инструменты для помощи агентам при составлении писем.

Многослойная стратегия уровней поддержки
Не все клиенты одинаково ценны для бизнеса. Поэтому распространённой практикой является создание уровней поддержки для клиентов и приоритетное обслуживание клиентов высшего уровня. Команда аналитиков может помочь разработать систему уровней на основе ценности клиента и отслеживать её эффективность с течением времени.

A/B-тестирование различных вариантов поддержки
Где лучше разместить кнопку чата? Как сделать центр поддержки более заметным для клиентов? Какой формат автоответа в электронных письмах лучше — один или другой? Метод A/B-тестирования помогает нам ответить на эти вопросы по дизайну процесса поддержки.

Улучшения самообслуживания
Идеальный мир службы поддержки — это отсутствие необходимости в человеческой поддержке ? Хотя этого почти невозможно достичь, команда аналитиков может помочь приблизиться к этой цели. Например, мы изучили, какие вопросы пользователи не смогли решить через Help Desk. Это позволяет понять, какие новые темы следует добавить в справочные статьи и как улучшить функцию поиска в центре помощи.

Оптимизация чат-ботов для повышения качества обслуживания
Чат-боты — это популярный инструмент для ответа на вопросы клиентов без перенаправления к реальным агентам. Особенно в эпоху ИИ мы видим значительные улучшения в качестве и доступности чат-ботов. Наша команда аналитиков данных сыграла ключевую роль в двух раундах оценки поставщиков чат-ботов с командой CX — настройке данных, A/B-тестировании различных вариантов чат-ботов, оценке производительности чат-ботов, выявлении низкоэффективных категорий контактов и помощи в тонкой настройке ботов для достижения лучшего уровня удержания контактов с помощью чат-ботов.

4. Анализ клиентской обратной связи 

И, наконец, обращения в службу поддержки создают огромный объём текстовых данных, который можно эффективно использовать для выявления их болевых точек и проблем с продуктом.

Категоризация обращений
Обращения в службу поддержки могут быть категоризированы как вручную, так и с помощью заранее установленных правил, но команда аналитиков может помочь автоматизировать этот процесс, особенно с учётом мощностей ИИ. С использованием простых методов обработки запросов, большинство современных LLM могут категоризировать каждый кейс в зависимости от контекста вашего продукта с достаточно высокой точностью.

Анализ текста
Помимо категоризации, ИИ может анализировать полные расшифровки кейсов, чтобы подытожить их и выявить болевые точки клиентов. Моя команда работала с инженерами для создания внутреннего ИИ-продукта под названием «Голос клиентов», который обрабатывает все данные кейсов через LLM и выявляет самые частые жалобы клиентов в каждой области продукта. Это отличная возможность поделиться инсайтами от команды CX со всей компанией и завершить цикл обратной связи с продуктом и маркетингом. Мы видим, как этот продукт активно используется при планировании продуктовых стратегий.

Работа с командой клиентской поддержки стала неожиданным, но полезным этапом на пути моего развития в Data Science. От отслеживания производительности команды и поддержки планирования мощностей до оптимизации внутренних процессов и улучшения клиентского опыта — Data Science действительно может трансформировать работу службы поддержки клиентов.

Если вам приходилось разбираться в жалобах клиентов, вручную читать десятки тикетов или пытаться объяснить, зачем SLA без CSAT — это самообман, вы точно знаете: просто метрик мало. Нужен инструмент, который не только меряет, но и направляет действия. Именно об этом — три практичных и емких занятия, каждое из которых может стать шагом к более осмысленной аналитике и сильной поддержке.

• 24 июля в 18:00. Data Science — это проще, чем кажется
  Первые шаги в ML: как перейти от ручного анализа к моделям, которые действительно помогают.

• 30 июля в 18:00. Решаем задачи текстовой классификации с помощью BERT
  Автоматизируем рутину и извлекаем инсайты из обращений — не вручную, а с помощью трансформеров.

• 5 августа в 20:00. Прожарка кейсов KPI службы поддержки пользователей
  Как не похоронить мотивацию под кипой неработающих метрик и выстроить реально работающую систему KPI.

Чтобы узнать, подойдет ли вам программа курса по NLP, пройдите вступительный тест.

А для будущих руководителей поддержки в IT — свой тест по определению уровня знаний.