В рамках создания системы для центра обслуживания клиентов управляющей компании, обеспечивающей работоспособность крупного гостиничного комплекса, перед нами стояла задача не только систематизации поступающих заявок, но и автоматизации процесса их обработки.

На первом этапе автоматизации нашей задачей было классифицировать поступающие заявки по инженерным системам. Часть систем и заявок показаны на рисунке ниже:

К моменту внедрения системы было накоплено порядка 4000 записей запросов, на которых мы и стали обучать систему.

Задачу осложняло то, что обращения были в свободной форме, содержали опечатки, имена собственные, дополнительные данные, не имеющие отношения к сути необходимых работ. Однако в целом данный процесс является типичной задачей машинного обучения без учителя. На первом этапе данные были очищены, переведены в векторный вид, чтобы с ними можно было работать. 

Затем заявки были разбиты моделью на большое количество кластеров. Сначала кластеров было гораздо больше, чем инженерных систем, так как модель, например, относила задачи “не горят лампочки” и “не работают розетки” к разным кластерам, что в целом не является ошибкой и, мы предполагаем,  пригодится в дальнейшем, но на данном этапе такая детализация являлась избыточной. Поэтому мы понизили чувствительность модели, внесли некоторые дополнительные коррективы исходя из специфики бизнеса и особенностей гостиницы. В результате разбиение поступающих по инженерным системам получило точность свыше 97%, что является приемлемым на данном этапе.

В результате внедрения кластеризации за счёт уменьшения количества действий скорость обработки диспетчером заявок увеличилась на 15%. Кроме того пропали заявки, без указания инженерной системы, что крайне важно для корректности отображения данных в модуле аналитики.

В настоящее время идёт автоматизация дальнейшего процесса обработки заявки - выбор исполнителя и назначения наряда на работы.

В целом наша методология работы с запросами в виде естественного языка позволяет сортировать и классифицировать тексты в разных отраслях и применима практически к любой задаче технической или сервисной поддержки. Полноценное внедрение подобных систем увеличивает скорость обработки запросов на 50-200% (в зависимости объёма данных для обучения модели и возможностей дальнейшей автоматизации процесса). В первую очередь применение подобных систем будет актуально в государственных учреждениях и службах клиентской поддержки крупных компаний, с большой клиентской базой.