• Case Study

Применение технологий машинного обучения позволило повысить качество обслуживания и продуктивность сотрудников KFC и партнёров.

Клиент

KFC, подразделение компании Yum! Brands, Inc. (NYSE: YUM), – международный ресторанный бренд с многолетней историей достижений и инноваций, специализирующийся на блюдах из курицы. История бренда началась с полковника Харланда Сандерса, более 75 лет назад создавшего уникальный рецепт приготовления курицы с применением 11 трав и специй. Этот рецепт был записан на обратной стороне двери в его кухню. Сегодня KFC по-прежнему следует формуле успеха, созданной полковником Сандерсом, – курица панируется и готовится вручную специально обученными поварами более чем в 24 000 ресторанах KFC в 144 странах мира.  Дополнительную информацию вы сможете найти на сайте www.kfc.ru.

В России KFC является лидером в сегменте быстрого обслуживания по количеству ресторанов – на текущий момент открыто более 900 заведений, ежегодно открывается более 100 новых точек (более 160 в 2019 году) (источник: РБК – https://marketing.rbc.ru/articles/11166/).

Задача

В компании c 2014 года  работает единая система обработки запросов пользователей Global Service Desk (GSD), реализованная на базе продукта OMNITRACKER CleverENGINE. Через систему проходят как обращения по вопросам ИТ-поддержки, так и по работе в бизнес-процессах. На текущий момент помимо процессов в ИТ автоматизировано 7 бизнес-процессов (управление претензиями ресторанов, управление жалобами и благодарностями гостей ресторанов, управление инцидентами безопасности в ресторанах, лабораторные исследования в ресторанах, контроль проведения микробиологических исследований сырья, контроль проведения аудитов производственных площадок поставщиков, обслуживание инженерных систем). Проект по автоматизации бизнес-процессов на базе ITSM-системы победил в номинации “ITSM за рамками IT” в 2016 году.

При регистрации обращения сотруднику компании необходимо выбрать из каталога поддержки тип обращения, соответствующий его ситуации. На основании этого выбора определяется порядок обработки обращения – задачи, сроки, ответственные, согласования.

Размер каталога – порядка 800 элементов, относящихся к разным бизнес-процессам и направлениям деятельности, системам и видам оборудования. Для опытного пользователя найти нужный элемент несложно. Но из-за постоянного роста сети ресторанов и текучки персонала, среди сотрудников довольно много новичков. Поиск правильной карточки запроса и ошибки в классификации приводят к потере времени при подаче и обработке запросов, снижают продуктивность пользователей.
При использовании традиционного  подхода (поиск, навигация по структуре папок) к выбору типа обращения сотрудник тратит от 15 до 30 секунд. Поскольку ежегодно через портал подаётся около 100 000 обращений, только на задачу классификации ежегодно тратится от 2 до 4 человеко-месяцев.

Поэтому руководством была поставлена задача упростить регистрацию обращений так, чтобы сотрудники могли быстро и точно классифицировать запросы при их подаче.

Решение

Для решения задачи были использованы технологии машинного обучения. На сервисном портале для пользователей была создана специализированная форма, которая существенно повышает удобство подачи обращений, при этом обеспечивая точность их классификации. Пользователю нужно только описать текущую ситуацию своими словами и выбрать предложенный ему системой элемент каталога запросов.

Image

Помимо классификации, машинное обучение также позволяет подсказать пользователю подходящие статьи базы знаний, используя которые сотрудник может самостоятельно решить свой вопрос – максимально быстро и без обращения в профильные подразделения.

Результат

Текущие результаты работы показали высокую эффективность использования алгоритмов машинного обучения:

Число ошибок первичной классификации при подаче запросов по некоторым услугам сократилось в два раза. 93% обращений подаётся с верной классификацией, и сразу направляется на обработку нужному специалисту, устраняя потери времени на ожидание запроса во входящей очереди, классификацию и сбор первичных данных.
Даже в тех случаях, когда была допущена ошибка классификации, доля просроченных обращений сократилась с 14% до 9%. Это объясняется тем, что ошибки классификации в основном происходят в рамках одной услуги, то есть обращения всё-таки сразу попадают в правильные руки, и классификация уточняется без смены исполнителя.
Проведённый по итогам опытно-промышленной эксплуатации опрос пользователей показал, что нововведение было воспринято позитивно. Пользователи отметили, что сократилось время подачи обращения, процесс подачи обращения упростился.
Image

В настоящий момент новая технология применяется при регистрации всех запросов в ИТ и целого ряда обращений по бизнес-процессам. Дальнейшее развитие направлено на расширение охвата модели машинного обучения на все бизнес-процессы, автоматизированные в Global Service Desk.

Кроме того, в процессе реализации были выявлены возможности по оптимизации каталога запросов, и эти работы должны дать дополнительный рост точности классификации запросов.

Image

Последующее обучение и настройка модели классификации осуществляется через интерфейс администрирования, который позволяет настраивать и выполнять:

извлечение и подготовку данных для обучения;
дообучение модели на новых данных;
проверку модели на тестовых данных.
Image
Image
Изображение на обложке: Pietro Jeng / Unsplash

Связаться с Cleverics

115054 Москва Дубининская улица 57, стр. 2, офис 305

Пн-пт:
10:00 - 18:00 MSK