Terveystalo: Asiakaspalvelun tekoälyratkaisu tehostaa tiedonhakua ja parantaa työntekijäkokemusta
Terveystalo ja Futurice kehittivät yhdessä Nero-nimisen tekoälyratkaisun, joka kokoaa tiedot eri lähteistä yhteen helppokäyttöiseen paikkaan ja mahdollistaa tehokkaan ja älykkään haun. Asiakaspalvelijat ottivat uuden työkalun heti omakseen, mikä paransi asiakaspalvelun sujuvuutta, tehokkuutta ja nopeutta.
Hyödynnetyt teknologiat
- Luonnollisen kielen käsittely
- Laajat Open AI -kielimallit
- Edistyksellinen promptaus
- Entiteetin tunnistus
- Rakenteellisen tiedon erotus
- Azure AI Search
- Azure Open AI
- Yhtenäinen datamalli
- Python
Haaste
Terveystalon asiakaspalvelijat vastaavat vuosittain noin 2,5 miljoonaan asiakaspuheluun ja joutuvat käyttämään työssään kymmeniä eri järjestelmiä ja työkaluja esimerkiksi sopimustietojen, toimipaikkojen ja oikeiden asiantuntijoiden löytämiseen.
Projektin keskeisimmäksi vaatimukseksi nousi tiedonhaun nopeus asiakaspalvelutilanteissa. Käytettävissä olevan tiedon tulee olla sekä luotettavaa että ajan tasalla. Järjestelmän tulee lisäksi toimia nopeasti suurilla käyttäjämäärillä, sillä tietoa saattaa hakea samanaikaisesti yli 400 asiakaspalvelijaa.
Yksi päivittäisistä haasteista asiakaspalvelutilanteissa on sopimus- ja maksutietojen tarkistaminen. Asiakaspalvelijat joutuvat käyttämään useita eri työkaluja ja tietolähteitä löytääkseen oikean ja ajantasaisen tiedon. Lisäksi asiakaspalvelijat käsittelevät paljon toimipaikkoihin ja asiantuntijoihin liittyvää tietoa: usein kysyttyjä tietoja ovat esimerkiksi lääkäreiden profiilit sekä toimipaikkojen sijainnit, aukioloajat ja esteettömyys. Näihin kysymyksiin on pystyttävä vastaamaan nopeasti ja luotettavasti.
Asiakaspalvelutyö on hyvin riippuvaista kokeneista työntekijöistä, jotka osaavat toimia tehokkaasti monimutkaisessa järjestelmä- ja tiedonhakuympäristössä. Tiedonhakuun tarvitaan paljon kokemuksen kautta opittua hiljaista tietoa, ja uusien työntekijöiden kouluttaminen vie kuukausia ennen kuin he pystyvät työskentelemään täysin itsenäisesti. Tämä vähentää asiakaspalvelun tehokkuutta, aiheuttaa lisäkustannuksia sekä heikentää työ- ja asiakastyytyväisyyttä.
Vaikutus ja tulokset
Asiakaspalvelijat ottivat työkalun nopeasti omakseen
Puheluiden kesto lyhentynyt merkittävästi
Asiakas- ja työntekijätyytyväisyys kasvanut
Mitä teimme
Ensimmäisessä vaiheessa teimme palvelusta neljän viikon mittaisen proof-of-concept -kokeilun, jonka tavoitteena oli varmistaa, että suunniteltu ratkaisu helpottaisi asiakaspalvelijoiden työtä. Toisessa vaiheessa laajensimme palvelua kattamaan useampia tietojärjestelmiä ja rakensimme siitä tuotantokäyttöön sopivan version.
Keräsimme asiakaspalvelijoilta palautetta aktiivisesti projektin jokaisessa vaiheessa ja hyödynsimme sitä sovelluksen kehittämisessä yhdessä Terveystalon asiakaspalvelijoiden kanssa.
Ensimmäisessä vaiheessa keskityimme ymmärtämään ongelman laajuutta ja valitsemaan tärkeimmän käyttötavan. Selvitimme aluksi, mitä työkaluja ja tietolähteitä asiakaspalvelijat käyttivät eniten. Rakensimme kahdessa viikossa ensimmäisen version Nero-palvelusta, jota asiakaspalvelijat pääsivät heti testaamaan. Testivaiheessa aktiivinen joukko asiakaspalvelijoita käytti palvelua oikeissa työtilanteissa ja antoi palautetta kehitystiimille. Samalla laadimme laskelman, jossa arvioimme mahdollisia hyötyjä ja kustannuksia Terveystalon investointipäätöksen tueksi.
Nero-palvelu laajensi tiedonhakua ja mahdollisti tiedon etsimisen myös sellaisista järjestelmistä, joissa ei ennen ollut hakutoimintoa. Uuden hakukoneen käyttöönotto haluttiin tehdä mahdollisimman helpoksi, joten se rakennettiin aluksi toimimaan tutulla tavalla. Tämän rinnalla kehitimme laajempia tekoälyyn perustuvia työkaluja, joita asiakaspalvelijat pääsivät kokeilemaan perinteisen haun rinnalla. Tekoälyhaku ymmärsi asiayhteyksiä ja mahdollisti luonnollisella kielellä tehtyjen kysymysten esittämisen. Se jäsenteli rakenteetonta lähdedataa, mikä tehosti hakutoimintoja. Kun asiakaspalvelija esimerkiksi hakee 'voimassa oleva sopimus', järjestelmä osaa suoraan erottaa nämä sopimukset ei-voimassaolevista sopimuksista. Aiemmin tällainen erottelu olisi vaatinut useita hakuja tai manuaalista tarkistusta.
Kiinnitimme projektissa erityistä huomiota muutosvaiheeseen, jossa asiakaspalvelijat omaksuvat uuden tiedonhakutavan. Varmistimme siirtymän sujuvuuden ottamalla asiakaspalvelijat mukaan kehitysprosessiin ja tarjoamalla heille kattavaa koulutusta siitä, miten uutta tietoa voidaan hakea.
Projektin toisessa vaiheessa laajensimme palvelun sisältöä tuomalla mukaan uusia tietolähteitä yhteistyössä Terveystalon datatiimin kanssa. Uuden sovelluksen piti pystyä tarjoamaan laajempia ja tarkempia hakuja nopeasti ja virheettömästi ympäristössä, jossa tehdään useita satoja samanaikaisia hakuja. Tämä asetti raamit sille, miten kielimalleja voidaan hyödyntää ratkaisussa, jotta se säilyisi nopeana, tarkkana ja kustannustehokkaana. Näin ollen hakutulosten käsittely kielimallilla ei ole käytännöllistä, sillä se sekä hidastaa hakuprosessia että nostaa operatiivisia käyttökustannuksia hakumäärien ollessa korkeat. Tämän sijaan ratkaisussa hyödynnettiin haun kohteena olevien dokumenttien esikäsittelyä kielimallilla siten, että niiden sisältämää luonnollisella kielellä olevaa informaatio saatiin erotettua rakenteelliseksi, mikä tekee hakemisesta helpompaa.
Projektin aikana suunnittelimme yhdessä Terveystalon arkkitehtien kanssa skaalautuvan tekoälyarkkitehtuurin ja rakensimme tuotantoympäristön Microsoftin Azure-pilveen. Skaalautuva arkkitehtuuri tarjoaa kustannustehokkaan ja keskitetyn tavan hallita tekoälyresursseja Terveystalon pilviympäristössä. Tämä mahdollistaa uusien tietolähteiden lisäämisen ja sovellusten kehittämisen uusiin käyttötarkoituksiin helposti olemassa olevia resursseja hyödyntäen.
Terveystalolla on pitkälle kehitetty pilviympäristö ja yrityksen sisäinen pilviteknologian osaaminen on korkealla tasolla. Tämän ansiosta projekti saatiin toteutettua nopeasti ja tehokkaasti hyödyntämällä asiakkaan olemassa olevia käytäntöjä ja integroimalla uudet tekoälyratkaisut osaksi Terveystalon kokonaisarkkitehtuuria.
Mitä saavutimme
Nero-hakukone otettiin käyttöön syksyllä 2024 ja asiakaspalvelijoiden palaute on ollut erinomaista. Ratkaisu on tehostanut ja sujuvoittanut asiakaspalvelijoiden työtä merkittävästi. Olemme saaneet erityisesti kiitosta siitä, että asiakaspalvelijat otettiin mukaan kehitysprosessiin alusta alkaen.
Alustavien mittausten mukaan nopeutettu tiedonhaku on lyhentänyt puheluiden kestoa selvästi. Seurannan perusteella tiedonhakuun kuluva aika putoaa useissa tapauksissa minuutista vain 20–40 sekuntiin. Ottaen huomioon, että asiakaspalvelijat käsittelevät vuosittain noin 2,5 miljoonaa asiakaspuhelua, tehostunut tiedonhaku säästää huomattavasti työaikaa. Alustavien laskelmien mukaan projektin investointi maksaa itsensä takaisin jo ensimmäisen toimintavuoden aikana.
Tietoja asiakkaasta
Terveystalo on liikevaihdoltaan ja verkostoltaan Suomen suurin yksityinen terveyspalveluyritys ja johtava toimija työterveydessä Pohjoismaissa. Vuonna 2023 Suomen Terveystalossa asioi 1,2 miljoonaa yksittäistä asiakasta ja asiakaskäyntejä tehtiin noin 7,6 miljoonaa. Terveystalossa työskentelee yhteensä yli 15 500 terveyden ja hyvinvoinnin ammattilaista. Vuonna 2023 Terveystalon liikevaihto oli 1 286 miljoonaa euroa.
Haluatko lisätietoja?
Get in touch
Wherever you are on your digital journey, our services and experts can help you along the way. Let's get talking!