Архив Финансовые услуги и страхование · Банки
Альфа-Банк: ruBERT заполняет отчёт по чату, время обработки меньше на 30 секунд
По данным Лаборатории машинного обучения Альфа-Банка, модель ruBERT автоматически классифицирует обращения физических лиц в чате, и среднее время обработки (AHT) снизилось на 30 секунд. 80% операторов освобождены от обязательного заполнения отчёта.
/01 · ключевые результаты
-
результат
30 с
снижение среднего времени обработки обращения (AHT)
Альфа-Банк (блог на Хабре), блог компании, 18.04.2025
по данным на апрель 2025 года · чат с физическими лицами
данные компании
-
результат
80%
операторов освобождены от обязательного заполнения классификатора
Альфа-Банк (блог на Хабре), блог компании, 18.04.2025
по данным на апрель 2025 года · чат с физическими лицами
данные компании
- 92% точность модели по продукту обращения на тесте · возможность системы Альфа-Банк (блог на Хабре), блог компании, 18.04.2025
- 30 с среднее время заполнения отчёта оператором · исходный уровень Альфа-Банк (блог на Хабре), блог компании, 18.04.2025
оценка strategai
Если бы высвобожденное время сократило найм или оплату часов, эффект на прибыль до налогообложения составил бы
23–76 млн ₽ в год.
Стоимость времени операторов чата, которое занимает обработка обращений.
Масштаб оценён по отраслевой статистике и допущениям: компания его не раскрывает.
Без учёта затрат на систему: источники их не раскрывают.
Как посчитано
Время обработки чатов с физическими лицами, которое уходит после внедрения модели при снижении 30 с на обращение, по среднечасовой зарплате с затратами работодателя.
| Шаг расчёта | Нижняя | Базовая | Верхняя |
|---|---|---|---|
| Стоимость высвобожденного времени операторов с затратами работодателя = Часы операторов в год × Среднечасовая начисленная зарплата в административной и сопутствующей деятельности, где учитываются контакт-центры × Коэффициент затрат работодателя сверх зарплаты | 23,06 млн ₽ в год | ≈40 млн ₽ в год | ≈75,1 млн ₽ в год |
| Часы операторов в год = Время обработки обращений, которое уходит после внедрения модели ÷ Секунд в часе | ≈41 700 ч в год | ≈66 700 ч в год | 125 000 ч в год |
| Время обработки обращений, которое уходит после внедрения модели = Обращения физических лиц в чат, обработанные операторами × Снижение среднего времени обработки обращения в чате | 150 млн с в год | 240 млн с в год | 450 млн с в год |
Входные данные
- данные кейса Снижение среднего времени обработки обращения в чате: 30 с на обращение 30 с, снижение среднего времени обработки обращения (AHT) Альфа-Банк (блог на Хабре), блог компании, 18.04.2025
- статистика Среднечасовая начисленная зарплата в административной и сопутствующей деятельности, где учитываются контакт-центры: 461,2 ₽ за час Труд и занятость в России. 2025, 2024: Деятельность административная и сопутствующие · Среднечасовая начисленная заработная плата, 2024 Федеральная служба государственной статистики (Росстат), 2024
- допущение Обращения физических лиц в чат, обработанные операторами: 5–15 млн обращений в год база 8 млн обращений в год Источник не называет объём чатов, переданных операторам. Границы 5 млн обращений в год и 15 млн обращений в год охватывают годовой поток операторских чатов крупного розничного банка с разбросом не больше тройного.
- допущение Коэффициент затрат работодателя сверх зарплаты: 1,2–1,302 база 1,3 Страховые взносы работодателя сверх начисленной зарплаты: нижняя граница 1,2 отражает пониженный тариф с части фонда оплаты труда, верхняя 1,302 — общий тариф взносов вместе со взносом на страхование от несчастных случаев.
- константа Секунд в часе: 3 600
Допущения
- Часовая ставка взята по административной и сопутствующей деятельности, где учитываются контакт-центры: ставку оператора банка источники не называют.
- Объём операторских чатов банк не называет: 5–15 млн обращений в год задан допущением, и при меньшем потоке эффект ниже.
Базовое значение: 40 млн ₽ в год.
Метод afiina-pnl/1, оценка от 27.10.2026, цены 2024 года. Диапазон округлён до двух значащих цифр наружу. Методика
По данным Лаборатории машинного обучения Альфа-Банка, модель ruBERT автоматически классифицирует обращения физических лиц в чате, и среднее время обработки (AHT) снизилось на 30 секунд. 80% операторов освобождены от обязательного заполнения отчёта.
/02 · паспорт кейса
Бизнес
- Компания
- Альфа-Банк
- Отрасль
- Финансовые услуги и страхование · Банки
- Функция
- Клиентский сервис
- Задача
- Подсказки оператору, суммаризация, QA звонков
Технология
- Класс AI
- Классический NLP и речевые технологии
- Тип решения
- Собственная разработка
- Данные
- Диалоги клиентов с чат-ботом и операторами, размеченные бывшими операторами: более 50 000 примеров; данные об активных продуктах клиента.
Внедрение
- Стадия
- Масштабировано, на 18.04.2025
- География
- Россия
/03 · описание кейса
Зачем
Бизнес-задача
Когда клиент банка обращается в чат или на горячую линию, его встречает чат-бот. Если бот не решает проблему, клиента переключают на оператора, и после разговора оператор заполняет отчёт из шести вопросов: продукт, подпродукт, тема, подтема, канал и статус решения. Классов много: 20 продуктов, 140 подпродуктов, 120 тем, 630 подтем и более 1000 сочетаний продукт × тема × подтема. Заполнение отчёта занимало у оператора в среднем 30 секунд, и всё это время он не мог взять новый запрос. Бизнес поставил задачу освободить оператора от заполнения отчёта, снизить AHT и повысить качество классификации.
Что
Решение
Команда Лаборатории машинного обучения Альфа-Банка обучила модель ruBERT на банковском домене и поставила сверху шесть полносвязных слоёв («голов»), по одному на каждый вопрос отчёта. На входе диалог от первого обращения клиента до закрытия оператором, где реплики клиента и оператора разделены символами-разделителями. При инференсе логиты подтем, которых нет у выбранной темы, маскируются, и предсказание соответствует иерархии классов. Для подпродукта дополнительно маскируются продукты, которых нет у клиента: модель выбирает из 2–3 классов вместо 15.
Как
Внедрение
Первые версии на рекуррентных сетях и трансформерах дали точность по подтеме 47%. Причиной названа обучающая выборка: диалоги склеивались по времени, а разметка операторов была неоднородной. Команда собрала диалоги от инициации до закрытия, развернула платформу разметки (сначала Label Studio, затем собственное решение) и привлекла обученных бывших операторов. За 6 месяцев набралось более 50 000 примеров. В промышленной эксплуатации мониторинг показал просадку по подпродукту, и команда добавила витрину активных продуктов клиента. По данным статьи от апреля 2025 года, AHT снизился на 30 секунд, 80% операторов освобождены от заполнения классификатора, позже автор называет 90%. Решение затем применили к чатам юридических лиц и транскриптам звонков.
/04 · источники и проверка
Что подтверждено
- По данным Лаборатории машинного обучения Альфа-Банка, после внедрения модели AHT в чате с физическими лицами снизился на 30 секунд.
- 80% операторов освобождены от обязательного заполнения классификатора; оставшиеся операторы продолжают заполнять отчёт, чтобы банк собирал данные по новым классам.
- Точность модели по продукту обращения составила 94% против 88% у операторов; по теме 87% против 77%.
Ограничения
- Снижение AHT на 30 секунд указано без базового значения AHT и без объёма обращений, поэтому цифра не показывает общую экономию времени операторов.
- Метрики точности приведены на данных банка и не показывают качество классификации на каждом классе и на новых темах.
- Результаты относятся к чату с физическими лицами; данные по юридическим лицам и звонкам в статье не приведены.
-
[1] Альфа-Банк (блог на Хабре)
Как мы освободили операторов от классификации текстов диалогов на 1000+ классов
компания · 18.04.2025
Открыть источник
АрхИИВ /strategai · CB-001509 · Версия 1 · 23.10.2026 · /c/CB-001509/