Клиентский сервис / Self-service rate
Как сделать базу знаний с ИИ: расчёт эффекта
База знаний с ИИ — это система, которая хранит ответы на типовые вопросы и использует искусственный интеллект для автоматического поиска и выдачи релевантных ответов. Эффект измеряется через self-service rate — долю обращений, решённых без участия оператора. Формула: self-service rate = (число успешных обращений к базе / общее число обращений) × 100%.
Проблема
Почему это важно
Без базы знаний с ИИ клиентский сервис перегружен однотипными вопросами: операторы тратят время на повторяющиеся ответы, время ожидания растёт, а качество ответов зависит от опыта конкретного сотрудника. Клиенты не могут найти нужную информацию самостоятельно и вынуждены писать в поддержку.
Почему возникает
- Ответы хранятся в разных местах: почта, документы, головы сотрудников — нет единого источника.
- Поиск по базе без ИИ выдаёт неточные результаты, потому что не понимает смысл запроса.
- Нет автоматического сбора и анализа обращений, чтобы понять, какие вопросы повторяются чаще всего.
Риски и потери
- Рост нагрузки на операторов и увеличение времени ответа.
- Снижение удовлетворённости клиентов из-за долгого ожидания.
- Потеря продаж и репутационные издержки из-за некачественного сервиса.
Что влияет на результат
- Полнота и актуальность базы знаний.
- Качество поиска и релевантность выдаваемых ответов.
- Удобство интерфейса для пользователя.
- Доля клиентов, которые вообще обращаются к базе.
Типичные ошибки ручного подхода
- Не учитывают обращения, которые клиент начал решать через базу, но не завершил (неявные отказы).
- Считают только явные переходы по кнопке «Помогло».
- Путают общее число обращений с числом уникальных клиентов.
Определение
Что важно понимать
Self-service rate
Доля обращений, решённых клиентом самостоятельно через базу знаний без участия оператора.
Показывает, насколько база знаний снижает нагрузку на поддержку и повышает скорость решения вопросов.База знаний с ИИ
Система, которая хранит структурированные ответы и использует ИИ для поиска и выдачи релевантных ответов на естественном языке.
ИИ улучшает точность поиска и позволяет клиенту быстро находить ответ, не дожидаясь оператора.Данные
Какие данные нужны
Общее число обращений в поддержку
Знаменатель в формуле self-service rate.
- дата обращения
- канал (чат, email, телефон)
- текст обращения
Число успешных обращений к базе знаний
Числитель в формуле — обращения, решённые без оператора.
- ID обращения
- факт обращения к базе
- результат (решено/не решено)
- оценка клиента
Логи поиска по базе знаний
Позволяет понять, какие запросы не находят ответа, и улучшить базу.
- запрос
- выданные статьи
- клик по статье
- время на странице
Методология
Методика расчёта self-service rate
Принципы
- Считать только те обращения, которые действительно решены без оператора.
- Учитывать как явные, так и неявные успешные обращения (например, клиент нашёл ответ и не написал в поддержку).
- Регулярно пересматривать формулу и данные, чтобы отражать реальную картину.
Допущения
- Система логирует все обращения к базе знаний.
- Есть способ определить, что обращение решено без оператора (например, клиент не создал тикет после просмотра статьи).
Ошибки
- Считать все просмотры статей как успешные, даже если клиент потом написал в поддержку.
- Игнорировать обращения, которые клиент начал через базу, но не завершил.
- Не учитывать сезонные колебания в количестве обращений.
Роль ИИ
Как ИИ решает задачу
Классификация обращений и определение, решено ли оно через базу знаний
Данные на входе: текст обращения, история действий клиента в базе знаний
Что делает модель: Определяет, было ли обращение решено без оператора, и относит его к успешным или неуспешным.
Результат: Метка «решено/не решено» для каждого обращения.
Как используется: Система использует метки для автоматического расчёта self-service rate.
Поиск релевантных статей по запросу клиента
Данные на входе: текст запроса, база статей
Что делает модель: Семантический поиск: находит статьи, соответствующие смыслу запроса, а не только по ключевым словам.
Результат: Список релевантных статей с оценкой релевантности.
Как используется: Клиент видит подходящие статьи и может решить вопрос без оператора.
Анализ нерелевантных запросов и пробелов в базе знаний
Данные на входе: логи поиска, запросы без результата
Что делает модель: Группирует похожие запросы и определяет темы, по которым нет ответов.
Результат: Список тем для добавления в базу знаний.
Как используется: Редактор базы знаний создаёт новые статьи по этим темам.
Разбор
Как это работает
- 1
Вход: клиент вводит запрос в поиск по базе знаний. Действие: ИИ выполняет семантический поиск по базе. Результат: клиент получает список релевантных статей.
- 2
Вход: клиент открывает статью. Действие: система логирует факт обращения к базе. Результат: фиксируется потенциальное успешное обращение.
- 3
Вход: клиент закрывает вопрос или продолжает общение с оператором. Действие: система определяет, было ли обращение решено без оператора. Результат: обращение помечается как успешное или неуспешное.
- 4
Вход: данные об обращениях и их статусе. Действие: система рассчитывает self-service rate по формуле. Результат: показатель выводится на дашборд.
- 5
Вход: логи поиска и запросы без результата. Действие: ИИ анализирует пробелы в базе. Результат: формируется список тем для новых статей.
Расчет
Формула расчёта self-service rate
Self-service rate показывает, какая доля обращений решена без участия оператора.
Self-service rate
SSR = (N_success / N_total) × 100%- N_success — число обращений, решённых через базу знаний без оператора
- N_total — общее число обращений в поддержку за период
Условный пример: За месяц было 1000 обращений, из них 400 решено через базу знаний. SSR = (400 / 1000) × 100% = 40%.
Допущение: Важно корректно определять N_success: только те обращения, где клиент не обращался к оператору после просмотра базы.
Пример расчета
Как это выглядит в цифрах
Условный пример: расчёт self-service rate для интернет-магазина
- Допущение: Интернет-магазин за месяц получил 2000 обращений в поддержку.
- Допущение: Из них 800 обращений были решены клиентами самостоятельно через базу знаний с ИИ.
- Допущение: Остальные 1200 потребовали участия оператора.
SSR = (800 / 2000) × 100% = 40%. Это означает, что 40% обращений не потребовали участия оператора.Self-service rate 40% — это хороший показатель для старта, но есть потенциал роста. Если увеличить полноту базы и улучшить поиск, можно поднять SSR до 60%.
Логика решения
Почему дана такая рекомендация
Что повлияло на решение
- Self-service rate по разделам базы знаний.
- Доля запросов без результата в поиске.
- Время, которое клиент проводит в базе перед обращением к оператору.
Какие риски учтены
- Рост SSR может быть связан с тем, что клиенты не находят ответ и уходят, а не решают вопрос.
- Низкий SSR может указывать на плохой поиск или неполную базу.
Какие варианты рассматривались
- Улучшить поиск с помощью ИИ.
- Добавить новые статьи по частым запросам.
- Изменить структуру базы знаний.
Выбрано дополнение статей, потому что анализ показал пробелы в конкретном разделе, а не проблемы с поиском.
Если бы запросы без результата были распределены равномерно, а не концентрировались в одном разделе, рекомендация была бы по улучшению поиска.
Результат
Что видит пользователь
Дашборд с self-service rate
График SSR по месяцам, разбивка по разделам базы, список запросов без результата.
Руководитель видит динамику и может приоритизировать улучшения базы знаний.Отчёт о пробелах в базе знаний
Список тем, по которым нет ответов, сгруппированных по частоте запросов.
Редактор базы знаний создаёт недостающие статьи.Автоматизация
Что автоматизируется, а что нет
Выполняется автоматически
- Сбор данных об обращениях и действиях клиента в базе.
- Расчёт self-service rate по формуле.
- Выявление запросов без результата и группировка их по темам.
Требует настройки
- Настройка интеграции с CRM и системой поддержки.
- Определение правил, что считать успешным обращением.
- Настройка пороговых значений для уведомлений о снижении SSR.
Остаётся за человеком
- Решение о добавлении новых статей в базу.
- Оценка качества ответов ИИ.
- Интерпретация причин изменения SSR.
Внедрение
Как внедрить решение
Быстрый запуск
- Собрать данные об обращениях в Excel: дата, канал, текст, результат.
- Вручную разметить 100 обращений: решено/не решено через базу.
- Рассчитать SSR по формуле в Excel.
Рабочая система
- Настроить автоматический сбор логов из чата и CRM.
- Развернуть базу знаний с ИИ-поиском.
- Настроить дашборд с SSR и списком пробелов.
Расширенный вариант
- Подключить прогнозную модель для предсказания SSR при добавлении новых статей.
- Интегрировать с системой аналитики для сегментации по типам клиентов.
- Внедрить A/B-тестирование изменений в базе.
Подготовка
Чек-лист перед запуском
- 1
Определить, что считать успешным обращением к базе.
- 2
Настроить сбор данных об обращениях и действиях клиента.
- 3
Развернуть базу знаний с ИИ-поиском.
- 4
Настроить расчёт SSR по формуле.
- 5
Создать дашборд для мониторинга SSR.
- 6
Провести анализ запросов без результата.
- 7
Добавить недостающие статьи в базу.
- 8
Повторно измерить SSR через месяц.
Вывод
Главное
Главный принцип — измерять не просто факт наличия базы знаний, а её реальный вклад в снижение нагрузки на поддержку через self-service rate.
Основные данные — общее число обращений и число успешных обращений к базе. Расчёт — SSR = (N_success / N_total) × 100%.
ИИ автоматически классифицирует обращения, улучшает поиск и выявляет пробелы в базе знаний.
Начните с ручного расчёта SSR в Excel на основе данных за последний месяц, чтобы понять текущий уровень.
Метод ReMetod
На чем основан вывод
Метод ReMetod показывает, как строить обучение вокруг пути: бизнес-проблема -> модель решения -> данные -> автоматизация -> интерфейс -> работающее решение. Внедрение базы знаний с ИИ следует этому же пути: сначала определить проблему (перегрузка поддержки), затем спроектировать модель (self-service rate), собрать данные, автоматизировать расчёт и вывести интерфейс для мониторинга.
В программе практикума этот подход разбирается пошагово: от формулировки бизнес-задачи до модели решения, данных, автоматизации, интерфейса и проверки результата.
Посмотреть программу практикумаВопросы
Что обычно уточняют
Не будет ли ИИ в базе знаний слишком дорогим для малого бизнеса?
Начать можно с простого поиска по ключевым словам и ручного расчёта SSR в Excel. ИИ-поиск можно подключить позже, когда накопится достаточно данных и станет понятен эффект.
Как понять, что обращение решено через базу знаний, если клиент не оставил оценку?
Можно считать успешным обращение, если после просмотра статьи клиент не создал тикет в поддержку в течение определённого времени (например, 24 часа). Это требует настройки, но даёт более точную картину.
Следующий шаг
Выберите, как продолжить с ReMetod
Хотите научиться строить такие решения? Приходите на практикум ReMetod — за 4 недели вы создадите работающую базу знаний с ИИ и расчётом эффекта.