Модуль 5.6 · Урок 1
Кейс: автоматизация поддержки
Содержание
- Чему вы научитесь
- Профиль компании
- Фаза 1: Discovery
- Оценка зрелости (модуль 5.1)
- Process Mining (модуль 5.2)
- Типы тикетов и потенциал автоматизации
- Фаза 2: Pilot
- Технология
- 12-недельный план
- Результаты пилота
- Фаза 3: Scale
- Результаты «до и после»
- Фаза 4: Optimize — Финансы
- Инвестиции vs Выгоды
- Что пошло не так (и как решили)
- Качество данных хуже ожиданий
- LLM путал категории
- Два инженера сопротивлялись
- «Простые» тикеты оказались не простыми
- Ключевые выводы
Чему вы научитесь
- Проходить полный цикл AI-трансформации на реальном кейсе
- Видеть, как применяются методики модулей 5.1–5.5
- Считать ROI с реальными цифрами
- Понимать, что может пойти не так и как это решать
Профиль компании
«ТехноСервис» — российская IT-компания, облачные решения для бизнеса. 50 сотрудников, 150 млн ₽ годового дохода. Команда поддержки из 8 инженеров тонет в рутине: 2 000 тикетов в месяц, текучка 35%/год.
Фаза 1: Discovery
Оценка зрелости (модуль 5.1)
| Область | Оценка (1–5) |
|---|---|
| Структурированность данных | 3 |
| Цифровые процессы | 3 |
| Компетенции Data Science | 2 |
| Культура инноваций | 3 |
| Готовность к изменениям | 2 |
| Общая зрелость | 2.7 — средняя |
Сильные стороны: Jira Service Management, база 10 000+ тикетов, бюджет есть.
Слабости: нет ML-экспертизы внутри, команда боится «роботизации», данные не структурированы.
Process Mining (модуль 5.2)
Анализ 500 случайных тикетов за 3 месяца:
| Этап | Среднее время | % тикетов |
|---|---|---|
| Создание и распределение | 10 мин | 100% |
| Категоризация | 25 мин | 100% |
| Анализ и диагностика | 48 мин | 100% |
| Поиск решения в KB | 35 мин | 40% |
| Формирование ответа | 22 мин | 100% |
| Итого | 140 мин | — |
Типы тикетов и потенциал автоматизации
| Тип | Доля | Потенциал AI |
|---|---|---|
| Восстановление пароля | 21% | Полностью автоматизируемо |
| Ошибки авторизации | 18% | 90% |
| Помощь с функцией | 24% | 70% |
| Баги приложения | 21% | 20% |
| Вопросы о биллинге | 10% | 60% |
| Интеграции и API | 6% | 30% |
Фаза 2: Pilot
Технология
RAG + GigaChat — российский контекст:
- GigaChat для генерации ответов на русском
- RAG-поиск по базе знаний (embedding + vector DB)
- Интеграция с Jira Service Management
12-недельный план
- Очистка данных
- Выбор LLM
- Настройка RAG
- Интеграция API
- Тренировка модели
- Тесты
- Canary 10% → 25%
- A/B тест
- Сбор feedback
- 100% тикетов
- Fine-tuning
- Автоответы
- Очистка данных
- Выбор LLM
- Настройка RAG
- Интеграция API
- Тренировка модели
- Тесты
- Canary 10% → 25%
- A/B тест
- Сбор feedback
- 100% тикетов
- Fine-tuning
- Автоответы
Результаты пилота
Технические метрики:
| Метрика | Target | Неделя 6 | Неделя 12 |
|---|---|---|---|
| Точность категоризации | ≥80% | 72% | 86% ✓ |
| Полнота поиска RAG | ≥70% | 63% | 75% ✓ |
| Время ответа API | <2 сек | 1.8 сек | 1.5 сек ✓ |
| Uptime | >99% | 97.5% | 99.2% ✓ |
Фаза 3: Scale
Результаты «до и после»
Фаза 4: Optimize — Финансы
Инвестиции vs Выгоды
Инвестиции Year 1: консалтинг (4.5M) + технология (1.8M) + подготовка (1.1M) + пилот (2.2M) + текущие расходы (8.8M).
Выгоды Year 1: масштабирование без найма (6M) + экономия на retention (2.4M) + улучшение SLA (1.2M).
Year 2: выгоды растут до 11.4M ₽ за счёт улучшения SLA и роста без расширения команды.
Что пошло не так (и как решили)
Качество данных хуже ожиданий
Описания тикетов были неполными, с опечатками. Решение: +2 недели на очистку, +200 000 ₽. Урок: закладывайте 20% бюджета на data prep.
LLM путал категории
«Ошибка авторизации» vs «Восстановление пароля». Решение: fine-tuning на 200 контрастных примерах. Урок: модели нужны примеры «чего НЕ делать».
Два инженера сопротивлялись
Несмотря на коммуникацию, скептицизм остался. Решение: показали, как AI забирает скучную работу. Один стал AI-чемпионом. Урок: найдите чемпионов — они убедят скептиков.
«Простые» тикеты оказались не простыми
10–15% запросов «восстановление пароля» — нестандартные ситуации. Решение: всегда оставлять путь к человеку. Урок: 100% автоматизация — миф.
Используйте этот кейс как шаблон:
- Выберите процесс с высоким объёмом повторяющихся задач
- Проведите process mining: замерьте время на каждом этапе
- Определите % автоматизируемых случаев для каждого типа
- Рассчитайте ROI: затраты Year 1, выгоды Year 1–2
- Спланируйте 12-недельный пилот с canary deployment
Ключевые выводы
- Полный цикл: Discovery → Pilot → Scale → Optimize
- RAG + GigaChat — рабочая связка для российского рынка
- −39% время/тикет, −83% время ответа — реальные результаты
- Точка безубыточности — месяц 22. Year 1 — инвестиция, это нормально
- По формуле BCG 10-20-70: 70% успеха — люди и процессы, 20% — технология, 10% — алгоритмы