Модель автоматической классификации текстов обращений клиентов
Автоматизировать процесс классификации входного потока текстовой информации по тематическим разделам
Задача
Банк получает тысячи обращений от клиентов ежедневно: вопросы по кредитам, картам, операциям, услугам. Все письма и сообщения сначала попадают в общий поток. Оператор должен прочитать и направить каждое в нужный отдел, иначе письмо уходит не туда, ответ задерживается, клиент недоволен. На больших объёмах ручная маршрутизация медленная и ошибается.
Задача: автоматически определять тему обращения и маршрутизировать его без участия человека.
Решение
Мы разработали NLP-систему автоматической рубрикации входящих обращений клиентов банка. Система анализирует текст сообщения, определяет тему и направляет в профильный отдел.
Архитектура системы:
- Модели тематического моделирования (WNTM, WSTM) для автоматического выделения тем из потока обращений
- Синтаксический анализ и распознавание именованных сущностей (NER)
- N-граммовая обработка для выявления паттернов диалогов
- Интеграция в BI-платформу банка для оценки качества операторов
Что умеет система:
- Автоматически выделяет тематики из неразмеченного корпуса диалогов
- Строит граф переходов между темами для успешных и неудачных диалогов
- Размечает реплики диалогов по выделенным темам
- Инструмент тематической сегментации диалогов для сценариев работы
Пример выделенных тем (из банковского проекта): Приветствие → Готовность к разговору → Цель звонка → Кредитный лимит → Беспроцентный период → Бонусная программа → Решение о карте → Оформление заявки
Технологии
WNTM, WSTM, Topic Modeling, Syntax, NER, N-grammer, Text Preprocessing. Интеграция в BI-систему банка для аналитики операторов.
Результат
Метрики по реальному банковскому проекту:
- Выделено тем: 41 тема из корпуса диалогов контактного центра
- Качество выделения тем: 75% точности в среднем по всем темам
- Интеграция в BI банка для оценки качества операторов
- Повышение конверсии и доли успешных диалогов
Система устраняет ручную маршрутизацию входящего потока: письмо сразу попадает к специалистам профильного отдела, сокращается время обработки. BI-интеграция даёт руководителю контакт-центра инструмент объективной оценки каждого оператора на основе данных, а не субъективных проверок.
Похожие кейсы
NLP
Arkeda
Данные в бумажных документах получить сложно и медленно Бумаги требуют много ручного труда и человеческих ресурсов Оцифрованные документы содержат много ошибок Неструктурированные данные приводят к сбоям в принятии решений Многие отрасли тонут в б...
NLP
AI Documents - Платформа kosynka
Договоры компании предусматривают разнообразные условия. При этом существенная часть условий автоматизированно не учитываются и не контролируются
NLP
Разработка чат-ботов
Разработка умного чат-бота для оперативного решения вопроса клиента Покрытие широкого спектра запросов пользователя, перенаправление его на целевые разделы для решения вопроса