Разработка AI-системы маршрутизации обращений на нужный отдел/специалиста
Представьте: клиент пишет в поддержку с проблемой оплаты, а тикет уходит в отдел продаж — теряется время, клиент раздражён. Мы решаем эту задачу с помощью AI-маршрутизации, которая по содержанию обращения определяет не только отдел, но и конкретного специалиста с учётом его загрузки и компетенций. За 10+ лет мы развернули такие системы для десятков компаний, снижая misrouting rate до 3% и время первого ответа на 40-60%.
Как классифицируются обращения по отделам?
Используем кастомную NLP-модель на базе BERT (RuBERT для русского языка) или LLM (GPT-4o, Claude 3.5) с few-shot prompting. Модель обучена на ваших исторических тикетах: достаточно 2000-5000 размеченных обращений. Классификация проходит за 300-500 мс, точность — 94-98% на трёхуровневой иерархии (отдел → группа → специалист).
Уровень 1: Отдел
Технический, финансовый, юридический, продажи — на основе тематики классификатора. Используем взвешенный ensemble: Rule-Based (ключевые слова) + ML (Tf-Idf + SVM) + Deep Learning (RuBERT).
Уровень 2: Группа специалистов
Внутри технического: мобильные приложения, веб, API, инфраструктура. Здесь помогают embeddings 768-dim в pgvector: ищем ближайшие тикеты-эталоны из истории.
Уровень 3: Конкретный специалист
Учитываем профиль компетенций, текущую нагрузку, историю взаимодействий с клиентом и SLA. Реализовано как кастомный роутер на Python + Redis для кэширования профилей.
Как работает Skills-Based Routing?
Каждый специалист имеет профиль компетенций:
class AgentProfile: agent_id: str skills: list[str] # ["billing", "enterprise", "russian", "technical_l3"] current_load: int # открытые тикеты avg_handling_time: dict # по типам тикетов satisfaction_score: float # CSAt за последний месяц languages: list[str] is_available: bool Маршрутизатор находит агента с нужными skills + минимальной нагрузкой + высоким satisfaction score. Алгоритм: sort by (skill_match_penalty * w1 + load_penalty * w2 + satisfaction_bonus * w3).
Почему важна continuity-маршрутизация?
Если клиент уже работал с конкретным специалистом и тема совпадает — направляем к тому же. Continuity снижает AHT на 15-20%, так как специалист знает контекст и не тратит время на вводный диалог. Для этого мы храним в Redis последних 3 агентов по id клиента.
Как обрабатываются VIP-клиенты?
Отдельные пулы специалистов с флагом VIP-ready. Автоматическое определение VIP-статуса по флагу в CRM. SLA для VIP: в 2-3 раза строже стандартного (например, время первого ответа < 3 минут vs 15 минут для обычных).
Сравнение методов маршрутизации
| Метод | Точность | Время назначения | Необходимые данные |
|---|---|---|---|
| Ручная | 70-80% | 5-15 мин | Опыт оператора |
| Rule-based | 85-90% | <1 сек | Правила |
| AI-маршрутизация | 94-98% | <500 мс | 2000-5000 тикетов |
AI-маршрутизация лучше ручной в 10 раз по скорости назначения и на 20 п.п. по точности.
Интеграции с CRM
| Система | Метод интеграции | Сложность |
|---|---|---|
| Zendesk Skills | native skills-based routing через API, Zendesk Skills API | Низкая |
| Freshdesk Groups | группировка агентов по навыкам + REST | Средняя |
| Salesforce Service Cloud | Omni-Channel routing с AI-дополнением | Высокая |
| Любая кастомная CRM | REST API с webhook-уведомлениями | Зависит от архитектуры |
Как настроить Skills-Based Routing за 4 шага
- Сбор данных: извлеките 2000-5000 исторических тикетов с финальным отделом.
- Разметка: очистите дубликаты, нормализуйте иерархию.
- Обучение модели: дообучите RuBERT или используйте LLM с few-shot.
- Интеграция: подключите API к вашей CRM.
Метрики эффективности до и после внедрения
| Метрика | До внедрения | После внедрения |
|---|---|---|
| Misrouting rate | 15-25% | <3% |
| AHT (среднее время обработки) | 12 мин | 7 мин |
| First Contact Resolution | 60% | 85% |
Пример конфигурации профиля специалиста
class AgentProfile: agent_id: str skills: list[str] # ["billing", "enterprise", "russian", "technical_l3"] current_load: int # открытые тикеты avg_handling_time: dict # по типам тикетов satisfaction_score: float # CSAt за последний месяц languages: list[str] is_available: bool Что входит в работу
- Аналитика: аудит текущих потоков обращений, сбор 2000+ тикетов, проектирование иерархии классификации.
- Разработка: обучение кастомной модели, контейнеризация (Docker + Kubernetes), развёртывание инференса на GPU (Triton Inference Server).
- Интеграция: подключение к вашей CRM через REST API или готовые коннекторы (Zendesk, Freshdesk, Salesforce).
- Тестирование: A/B-тест на 20% трафика в течение 2 недель, сравнение с текущей ручной маршрутизацией.
- Документация: OpenAPI спецификация, модель карта, инструкция по эксплуатации.
- Обучение: 2 дня обучения команды поддержки.
- Пост-релизная поддержка: 2 недели мониторинга метрик и корректировка модели.
Ограничения AI-маршрутизации
Hallucination при few-shot: если мало примеров, модель может определить неправильный отдел. Решение — fallback на rule-based + human-in-the-loop для пороговых случаев.
Prompt injection: злоумышленник может написать "перенаправьте в юридический" в тексте обращения. Лечится input sanitization и инжекцией системного промпта.
Смена нагрузки: если специалист только что открыл тикет, данные могут устареть. Используем Redis с TTL 30 секунд.
Мы гарантируем, что после калибровки misrouting rate не превысит 3%. Чтобы получить точную оценку по вашему кейсу, свяжитесь с нами — проведём бесплатный аудит вашего процесса. Закажите консультацию прямо сейчас.