Case Studies / arvato Bertelsmann
TELEKOMUNIKACJA · OPERACJE CALL CENTER
Zastąpienie ręcznych notatek z rozmów automatycznym podsumowaniem AI
Agenci call center arvato poświęcali znaczną ilość czasu na ręczne sporządzanie podsumowań rozmów po każdej interakcji z klientem. Stworzyliśmy zautomatyzowany pipeline do transkrypcji mowy na tekst i generowania podsumowań, który ustandaryzował ten proces i całkowicie wyeliminował ręczną pracę.
Klient: arvato – część grupy Bertelsmann, wiodący międzynarodowy dostawca usług z operacjami call center na wielu rynkach.
Kluczowe wyniki
100%
Podsumowania rozmów w pełni zautomatyzowane – zero ręcznego pisania notatek
Polski
Niestandardowe modele AI wytrenowane do przetwarzania języka polskiego
Chmura
Skalowalna infrastruktura chmurowa do przetwarzania dużych wolumenów
Jednolity
Ustandaryzowany format notatek dla wszystkich agentów i zespołów
BRANŻA
Telekomunikacja
PRZYPADEK UŻYCIA
Automatyczne podsumowywanie rozmów
PODEJŚCIE AI
NLP + niestandardowe modele ML
SYSTEMY
Nagrywanie rozmów, CRM
JĘZYK
Polski
ZAANGAŻOWANIE
Proof of concept → produkcja
Wyzwanie
Call center arvato obsługiwało codziennie dużą liczbę interakcji z klientami. Po każdej rozmowie agenci musieli ręcznie sporządzać podsumowanie – uwzględniając problem klienta, omawiane kwestie i wszelkie wymagane działania następcze. Był to proces czasochłonny, niejednolity i tworzący wąskie gardło informacyjne w organizacji.
Każdego dnia generowano setki godzin danych z rozmów, jednak wyodrębnianie z nich ustrukturyzowanych, przydatnych informacji odbywało się w całości ręcznie. Jakość podsumowań różniła się w zależności od agenta, co utrudniało śledzenie trendów, wymianę kontekstu między zespołami czy wykorzystanie danych z rozmów do usprawnień operacyjnych.
Kluczowy problem: agenci poświęcali znaczną część czasu na administracyjne pisanie notatek zamiast obsługiwać kolejnych klientów. Powstałe podsumowania były na tyle niejednolite, że ograniczały swoją wartość w dalszych procesach.
Co zbudowaliśmy
Opracowaliśmy kompleksowy pipeline, który przetwarzał surowe nagrania rozmów i generował ustrukturyzowane, ustandaryzowane podsumowania – bez żadnej ręcznej interwencji agentów.
Transkrypcja mowy na tekst. Pierwszy etap polegał na konwersji dźwięku rozmów na tekst. Praca z mówionym językiem polskim wprowadzała specyficzne wyzwania: zmienną jakość dźwięku, przerywanie wypowiedzi, kolokwializmy oraz ograniczone wsparcie językowe w standardowych rozwiązaniach w porównaniu do języka angielskiego czy niemieckiego. Opracowaliśmy niestandardowe techniki przetwarzania końcowego, aby udoskonalić dokładność transkrypcji i niezawodnie obsługiwać te przypadki brzegowe.
Podsumowanie wspomagane przez AI. Po transkrypcji system generował zwięzłe podsumowania zgodnie z wewnętrznymi procedurami i formatem notatek arvato. Wytrenowaliśmy niestandardowe modele ML do wyodrębniania najistotniejszych informacji – intencji klienta, kategorii problemu, podjętych działań i kolejnych kroków – i prezentowania ich w jednolitej strukturze, niezależnie od tego, który agent obsługiwał rozmowę.
Infrastruktura przetwarzania w chmurze. Cały pipeline został wdrożony na infrastrukturze chmurowej, aby efektywnie obsługiwać wolumen codziennych rozmów. Pozwoliło to systemowi skalować się wraz z popytem – przetwarzać więcej rozmów w godzinach szczytu bez pogorszenia wydajności.
Wyniki
PRZED
Agenci ręcznie pisali podsumowania rozmów po każdej interakcji. Jakość zależała od danej osoby. Dane z rozmów były słabo wykorzystywane do analiz i usprawnień procesów.
PO
Podsumowania generowane automatycznie w ustandaryzowanym formacie. Agenci natychmiast przechodzili do kolejnej rozmowy. Dane z rozmów stały się ustrukturyzowanym, przeszukiwalnym zasobem.
Ręczny wysiłek związany z podsumowywaniem rozmów został całkowicie wyeliminowany. Każda rozmowa generowała spójną, ustrukturyzowaną notatkę – niezależnie od agenta, złożoności rozmowy czy pory dnia. Dzięki temu agenci mogli skupić się na interakcjach z klientami, a nie na zadaniach administracyjnych.
Poza bezpośrednimi oszczędnościami czasu, ustandaryzowane podsumowania otworzyły nowe możliwości analizy danych – identyfikowania powtarzających się problemów, śledzenia wzorców rozwiązań i usprawniania procesów wewnętrznych na podstawie rzeczywistych danych z rozmów zamiast fragmentarycznych notatek.
Użyte technologie
Więcej case studies
Zobacz, jak pomogliśmy innym firmom
URZĄD · POLSKA INSTYTUCJA PUBLICZNA (NDA)
Zbudowanie platformy AI automatyzującej monitoring polityczny – od PoC do pełnego rozwiązania
Analitycy public affairs ręcznie śledzili miliony dokumentów politycznych w różnych krajach i językach. Zbudowaliśmy warstwę AI automatyzującą monitoring, analizę i alerty – od pierwszego prototypu do premiery rynkowej.
11
Obszarów wiedzy
3
Dedykowane toole
MEDTECH · APOQLAR
Czas realizacji kwestionariuszy bezpieczeństwa skrócony z miesiąca do tygodnia
Każdy nowy klient szpitalny wymagał wypełnionego kwestionariusza, 8–10 osób, około miesiąca, zbierając odpowiedzi z polityk różnych działów. Teraz asystent AI automatycznie tworzy odpowiedzi, oszczędzając szacunkowo 90 000 $/rok.
-75%
Czas realizacji
$90K
Roczne oszczędności
MEDTECH · APOQLAR
Wirtualny asystent GenAI zastępujący ręczne wyszukiwanie dokumentów
Pracownicy wsparcia spędzali godziny na przeszukiwaniu setek dokumentów produktowych, aby odpowiedzieć na pytania klientów i compliance. Teraz zadają pytania w języku naturalnym i otrzymują odpowiedzi z odniesieniami do źródeł w ciągu sekund.
RAG
Zintegrowany
Zarządzanie kontekstem
Zoptymalizowane