ПРИМЕНЕНИЕ ТЕХНОЛОГИЙ GEN AI ДЛЯ ОПТИМИЗАЦИИ ОБРАБОТКИ ОБРАЩЕНИЙ ПАССАЖИРОВ В ТРАНСПОРТНОЙ КОМПАНИИ

В условиях стремительного развития транспортных систем, роста трафика и пассажиропотока компании сталкиваются с необходимостью совершенствования качества сервиса. Для сохранения конкурентоспособности необходимо оперативно реагировать на запросы пассажиров. Однако традиционные системы обработки обращений такие как кол-центры, онлайн-формы и электронные письма содержат ряд недостатков. Из-за человеческого фактора часто возникают ошибки при обработке обращений, а высокая рабочая загруженность сотрудников и узкий график работы приводит к длительному времени ожидания ответа и неудовлетворенности пассажиров. Описанные выше проблемы возможно решить с помощью внедрения GenAI.

На сегодняшний день применение технологий генеративного искусственного интеллекта (Generative AI, Gen AI) вызывает большой интерес со стороны бизнеса и набирает все большую популярность в качестве направления исследования [3]. Gen AI — это тип системы, который создаёт новый контент на основе существующих данных и позволяет автоматизировать сложные задачи. Gen AI способен генерировать текстовые материалы, аудио и видео контент, а также программный код и другие виды данных на основе обученных моделей.

Основная идея исследования заключается в том, что внедрение Gen AI позволит оптимизировать процесс обработки обращений пассажиров, повысив его скорость, качество, а также благодаря обработке больших объемов данных поможет выявить скрытые проблемы и провести глубокую аналитику. Данная технология позволит снизить нагрузку на сотрудников и освободит их от рутинных задач, позволит решать творческие вопросы. Внедрение GenAI в конечном итоге приведет к повышению удовлетворенности пассажиров и снижению операционных издержек компании.

 

Анализ текущего процесса обработки обращений пассажиров

На сегодняшний день, существующий процесс обработки обращений пассажиров — это тяжелый рутинный человеческий труд. Обращения имеют выраженный сезонный характер. Например, всплески возникают при изменениях в расписании в праздничные дни, весной из-за начала дачного сезона, осенью наблюдается увеличение обращений по вопросам абонементов для учащихся из-за начала учебного года, летом и зимой рост количества обращений по работе кондиционера в вагоне. 

Действующая система обработки обращений, основанная на ручном труде операторов, не справляется с нагрузкой, что приводит к увеличению времени ожидания ответа и снижению удовлетворенности клиентов.

Значительная часть обращений — это стандартные шаблонные запросы: «Как восстановить проездной документ?», «Как получить компенсацию?», «Уточнение расписания». Подготовка ответов на них требуют от оператора постоянного обращения к базам знаний и регламентам, что снижает процесс обработки и увеличивает вероятность человеческой ошибки. Также для подготовки качественного ответа оператору часто необходимо объединять данные из разных систем: расписания, тарифов, информации о составах, нормативных документов. Отсутствие единого интеллектуального интерфейса доступа к этим данным делает процесс трудоемким и требует дополнительных запросов в смежные подразделения.

Существуют различные каналы коммуникации такие как электронная почта, чаты, социальные сети. Они обеспечивают взаимодействие пассажиров с транспортной компанией. Обращения пассажиров, поступающие по этим каналам, содержат ценную информацию для процессной аналитики. Ручная обработка такого массива данных для выявления корневых причин затруднительна. Ввиду описанных проблем, внедрение технологий Gen AI является необходимым решением для транспортных компаний, в частности для АО «Центральная ППК», способное обеспечить непрерывное улучшение сервиса.

 

Перспективы применения Gen AI в обработке обращений пассажиров

Генеративный ИИ использует машинное обучение. Нейросеть учится на массиве данных, из которых извлекает характеристики и закономерности. На основе этого анализа нейросеть генерирует новый контент. Например, при обработке языка генеративный ИИ разделяет текст на небольшие сегменты, которыми удобно управлять, так называемые токены. В зависимости от устройства модели каждый токен может соответствовать слову, части слова или даже отдельному символу. Благодаря этому модель может эффективнее обрабатывать разнообразные словари и лингвистические варианты. Используя обработку токенов, модель лучше понимает взаимосвязь между словами и создает более точные выходные данные. Улучшается способность модели создавать связные предложения и сохранять контекст в более объемных фрагментах текста. Благодаря этому повышается производительность модели при создании текстов и ведении бесед. Решения на базе Gen AI способны значительно сократить выбросы и повысить эффективность сети за счет быстрого создания динамичных, оптимизированных стратегий [2].

Основная цель внедрения Gen AI заключается в трансформации процесса обработки обращений из ресурсозатратного в эффективный, клиентоцентричный и аналитический инструмент. Для достижения поставленной цели необходима проработка в следующих областях:

1. Интеллектуальный чат-бот 

Внедрение интеллектуального чат-бота на базе Gen AI, который способен обрабатывать до 80% стандартных запросов в режиме 24/7. Такой бот умеет искать ключевые слова, поддерживать контекст диалога и генерировать связные и точные ответы. Например, виртуальный ассистент «Госуслуги» способен быстро отвечать на вопросы, консультировать по видам услуг и помогать заполнять документы. Чат-бот от Сбербанка способен обрабатывать текстовые и медиафайлы, а также обеспечивает круглосуточную поддержку клиентов.

1. AI-ассистент для операторов

Этот инструмент позволит в реальном времени анализировать входящий запрос и выдавать релевантные варианты ответов на основе внутренней базы знаний. AI-ассистент может генерировать ответы на обращения. А также позволит автоматически извлекать необходимые данные из смежных систем. Например, данные о билете по его номеру.

1. Аналитическая платформа

Создание системы на базе Gen AI для автоматической категоризации, суммаризации и анализа всего потока обращений. Это позволит выявлять частотные проблемы, оценивать эмоциональный фон пассажиров и в режиме реального времени получать срез основных претензий. Также платформа поможет оценивать уровень удовлетворенности пассажиров. Все вышеперечисленные возможности платформы являются необходимыми факторами для процессной аналитики и управления качеством. 

 

Ожидаемые результаты и пути реализации

Внедрение Gen AI, как и любого другого ИТ продукта, — это сложный, многоэтапный процесс, требующий детальной планировки, соответствующей технологической подготовки и активного участия всех заинтересованных сторон [1]. Рассмотрим этапы внедрения:

1.  Подготовка: Первым этапом должна стать систематизация всех внутренних регламентов, инструкций и баз знаний. Эти данные будут использоваться для обучения и настройки языковой модели.

2. Планирование: Необходимо протестировать доступные модели на предмет понимания специфической транспортной терминологии и контекста. 

3. Запуск и интеграция: Внедрение AI-ассистента для операторов кол-центра как первого пилотного проекта. 

4. Сопровождение: Запуск чат-бота следует начинать с ограниченного круга, постепенно расширяя его функционал по мере обучения модели на реальных диалогах.

Внедрение системы на базе Gen AI обеспечит значительное влияние на финансовые и операционные показатели компании. Gen AI позволит достичь сокращения времени обработки обращения за счет автоматизации рутинных операций и обеспечит круглосуточную доступность сервиса без увеличения штата.

Быстрое и точное решение проблем пассажира напрямую влияет на его лояльность и повышает индекс потребительской лояльности. Также внедрение новой технологии Gen AI поможет снизить риск репутационных потерь и уменьшения пассажиропотока.

Рассчитаем экономический эффект при внедрении в подразделение из 10 сотрудников системы на базе Gen AI. Средняя зарплата оператора кол-центра 100 000 рублей в месяц. Работа с рутинными операциями занимает примерно 50% рабочего времени оператора. Если делегировать эту часть Gen AI, то месячная экономия на одного сотрудника составит: 0,5×100 000 = 50 000 руб./мес. и 50 000 × 12 = 600 000 руб./год

Далее рассмотрим экономический эффект. Для этого необходимо выбрать период расчета, в нашем случае, экономическая отдача будет проявляться постепенно, поэтому возьмем период в 3 года, где первый год – это освоение системы (50%), второй (60%) и третий (80%) годы – основные результаты от оптимизации (Таблица 1).

Таблица 1. 

Динамика экономии

Год	Уровень освоения	Экономия на 1 оператора (руб./год)	Экономия на 10 операторов (руб./год)
1	50%	600 000 × 0,5 = 300 000	300 000 × 10 = 3 000 000
2	60%	600 000 × 0,6 = 360 000	360 000 × 10 = 3 600 000
3	80%	600 000 × 0,8 = 480 000	480 000 × 10 = 4 800 000

           Совокупная экономия за три года составит 11 400 000 руб.

Для разработки и внедрения системы необходимо нанять кросс-функциональную команду и придерживаться этапов работы, приведенных в таблице 2.

Таблица 2.

Затраты на внедрение системы

Этап	Сроки	Затраты (руб.)	Основные работы
Подготовка	1-2 месяца	800 000	Анализ, проектирование, ТЗ
Разработка	3-6 месяцев	4 500 000	Разработка и интеграция
Внедрение	7-8 месяцев	1 700 000	Тестирование и обучение модели
Обучение	1 месяц	500 000	Обучение сотрудников
Запуск	на 9 месяц	300 000	Техническая поддержка
Итого	9 месяцев	7 800 000

Примечание: 1 000 000 руб. зарезервирован на непредвиденные расходы

 

Внедрение предложенных решений позволит достичь следующих результатов: срок окупаемости проекта 2,5 года, совокупная экономия в размере 11,4 млн руб. за три года (Таблица 1), совокупные затраты составят 8,8 млн руб. (Таблица 2), сокращение нагрузки на операторов и времени обработки обращения на 40-50% за счет автоматизации рутинных операций.

Таким образом, полученные расчеты демонстрируют рост финансовой эффективности по годам и позволяют увидеть постепенную окупаемость инвестиций.

 

Заключение

Внедрение технологий Generative AI в транспортной компании является не просто трендом, а необходимым шагом для оптимизации ключевого клиентского процесса. Оно преобразует рутинную обработку запросов в стратегический инструмент развития, превращая обращения в источник ценной аналитической информации.

Реализация рассмотренных направлений позволяет достичь значимых результатов: сокращение времени ожидания и обработки, существенное снижение операционных затрат за счет автоматизации рутинных задач, повышение лояльности пассажиров за счет оперативного и персонализированного сервиса.

Внедрение GenAI требует продуманной стратегии и процессного подхода, обучение персонала и интеграции с существующей ИТ-инфраструктурой. Как специалисты транспортной отрасли, мы должны активно изучать и внедрять инновационные решения для улучшения клиентоориентированности и построения интеллектуальности транспортных систем.