企业如何成功部署聊天机器人

2020 年 6 月 26 日 AINLP

这是MindTouch发布的聊天机器人部署白皮书,详细阐述了企业部署聊天机器人的必要性,以及如何才能利用聊天机器人成功优化自己的业务。

 

客户自助服务和支持的增长趋势

近年来,很多公司对聊天机器人的应用兴趣大增,在各个行业垂直领域皆是如此。兴趣来源于聊天机器人适用于售前客户活动(如收集产品和优惠信息)和售后需求(如提问和寻求支持)。

 

这很可能只是一个开始。

 

根据《Gartner对话平台市场指南》,到2021年,15%的客户服务互动将由人工智能处理,比2017年增长400%。另一个来自IBM的预测估计,到2020年,85%的客户互动将在没有人工代理的情况下进行处理。

 

这种自动化技术的扩散最终是源于价值,无论是对部署这些技术的公司,还是与它们互动的客户。这是因为自动化技术--特别是聊天机器人--能够以高度可扩展的方式促进低耗费的客户体验。

 

在客户服务领域,聊天机器人已经证明了它们能够以令人印象深刻的效率自动处理不太复杂的重复客户咨询。此外,聊天机器人已经成为营销的主流,它可以提供购买前的信息和建议,帮助引导买家到达他们的购买目的地。

 

然而,公司在聊天机器人技术上投入时间和金钱之前,重要的是要了解聊天机器人到底是什么,它们是如何运作的。聊天机器人如何改善客户体验,同时帮助企业扩大客户服务运营规模?客户在自助服务过程中的哪些地方与聊天机器人互动?公司需要做些什么来确保聊天机器人的部署更加成功?

 

最后,为什么知识管理是聊天机器人ROI的一个基础组成部分?

 

聊天机器人简介

             

聊天机器人是任何通过对话(文本或语音)界面与人互动的软件程序。在当今的数字世界中,聊天机器人通常存在于公司的网站上,以促进售前和售后客户互动。它们被设计成以模仿人类互动的方式回应用户的询问,同时帮助最终用户获得成功。

 

本质上,聊天机器人使用数据自动回答问题。这有助于联络中心降低工作量以提高效率,并在需要打电话或发送电子邮件之前为客户提供另一种更次级的自助服务选择。而且它为潜在和现有客户提供了另一种更次级的自助服务媒介。

 

决定聊天机器人适用性和价值的,是聊天机器人如何解释和使用可用数据。例如,一些聊天机器人依靠自然语言处理(NLP)来理解输入并以某些动作做出回应。这些动作可能包括提供回答特定问题的内容,或将客户交给即时聊天代理。虽然这些聊天机器人可能相当分层和复杂,有时依赖于整个 "剧本 "目录,但它们的核心仍然是基于规则的决策树(if this, then that, ...)。

 

其他更高级的聊天机器人部署是由人工智能(AI)驱动的。由AI驱动的聊天机器人把基于规则的机器人的工作往前推进了一步,通过预测需求,确定意图(用户的意思或想要什么),并从客户互动中主动学习,以便在下一次类似的互动到来时改进性能。

 

推而广之,这种体验能帮助企业提高效率。如今,公司正在使用聊天机器人为客户自动完成许多不同的活动,从检查订单状态和更新账户信息,到寻求产品支持和故障排除。而且,聊天机器人也被部署在许多行业和垂直领域,包括:

  • 电子商务和数字营销:促进销售、追加销售和转换,将客户引向内容,并获取客户信息。

  • 旅行和接待:查询航班供应情况,查询现有预订,或预订新的预订。

  • 医疗保健:个性化的AI驱动的咨询、用药和预约提醒、症状检查器。

  • 银行和金融:解决账户问题,检查账户状态和余额,接收有关产品和服务的个性化信息。

  • 客户支持和自助服务:查找产品信息和支持文档,将客户转到适当的支持渠道(包括与现场代理交接),回答简单的问题。

 

虽然聊天机器人不太可能完全取代客户服务交互过程中对人类接触的需求,但它们具有巨大的潜力,可以通过改善客户体验、代理体验和联络中心运营,使客户和联络中心代理的生活更加轻松。

 

好的聊天机器人体验的优势

改善客户体验

今天的客户期望得到快速、24/7的支持,无论他们何时何地提出需求都应该得到快速响应。大约81%的客户喜欢在联系现场客户服务代表之前,自己通过寻找解决方案来自行解决问题。因此,客户的自助服务过程很少在同一渠道开始或结束。

 

相反,客户会通过各种自助服务层,从最简单的自助服务选项开始(通常是谷歌)。随着过程的延长,客户的挫败感会增加,客户完全放弃某个渠道的可能性也会增加。

 

一般来说,自助服务的发展过程顺序如下:

             

 

这是一个高风险的游戏。自己不能轻易解决的客户往往会成为疏远者,或者更糟糕的是,放弃业务。仅在美国,就有32%的顾客在一次糟糕的体验后就会离开——即使他们喜欢这个品牌或产品。大多数消费者期待速度、便利、知识渊博的员工和友好的服务。

 

如果实施得当,聊天机器人可以满足所有这些期望,预测客户的需求,减少感知的工作量,并在一天中的任何时间快速回答问题。它们是现场互动前的最后一个自助服务选项——比起拿起电话呼叫联络中心,它们是一种方便的、始终在线的选择。

 

问题是,并非所有的聊天机器人体验都是好的,这可能会导致不满意的体验。因此,自动聊天机器人交互的质量很重要,而知识管理是确保客户尽快获得所需的组件。

 

改善代理人体验

代理人流失率仍然是联络中心成本和员工不满的核心驱动力。在《2018年联络中心通道调查》中,拥有501-1000座席的联络中心有47%选择了流失率作为他们的首要挑战

 

”联络中心世界“公布的一份流失成本明细表中,一个300座席的呼入中心每位员工的流失成本近似为3万多美元。如果同一个联络中心每年只流失10个座席,那么每年的成本可能超过30万美元。对于20名代理,每年的成本会膨胀到60多万美元。

 

聊天机器人可以通过自动处理不需要人工干预的重复互动,帮助稳定和控制代理的流失率。想想密码重置、账户查询和 "我在哪里可以找到 "类型的问题。呼叫/互动量减少了可以使代理人能够专注于帮助最需要的人。这些效率的提升提高了代理人在组织内的价值,给他们带来更大的工作满意度,并改善了代理人的整体体验。

 

改善联络中心业务

由于客服人员的效率更高,人员流动率有限,成本得到控制,联络中心更适合扩大规模。即使是简单的、基于规则的聊天机器人也可以处理大量低级的、重复的问题,否则这些问题将由联络中心的一级代理人处理--而且聊天机器人可以24小时不间断地处理。IBM估计,聊天机器人有可能回答高达80%的常规问题。这种自动化能力可以带来相当大的效率提升,以及KPI的提升,如首次呼叫解决、客户满意度和案件量。

 

例如,Charter Communications将客户重置密码所需的时间缩短了近50%,同时将总的即时聊天量减少了83%。西南商业公司(SWBC)部署的一个聊天机器人现在回答问题的准确率达到95%,每月服务超过2万名客户。而根据德勤的数据,聊天机器人和其他自动化技术代表了15-90%的成本降低机会(取决于所选自动化功能的特点)。

 

强知识管理的重要性

不难看出,为什么有这么多公司将客户服务聊天机器人引入他们的自助服务旅程。然而,聊天机器人能在多大程度上实现预期的投资回报率,很大程度上取决于公司知识管理(KM)的质量。

 

为什么这么说呢?因为知识本质上就是数据。这些数据组织得越好,越容易获得,聊天机器人就越能向客户提供及时和相关的答案。

 

这就需要一个完善的知识管理策略,包括良好的信息架构,而如今很多组织都忽略了这一点。知识管理(不要与知识库混淆)是 "一门学科,它促进了识别、捕获、评估、检索和共享企业所有信息资产的综合方法。这些资产可能包括数据库、文件、政策、程序,以及以前未被捕捉到的个别工人的专业知识和经验。"

 

这是一门对聊天机器人部署成功尤为关键的学科。Gartner的分析师预测,由于缺乏既定的知识管理实践,IT服务管理中的人工智能计划的失败率为99%。事实上,如果不能获得良好的内容,聊天机器人在客户互动过程中几乎没有工作。

 

信息架构的力量 (IA)

前端表现上,聊天机器人的用户体验应该是无缝的,它可以将客户引导到正确的资源,或者让客户不必打电话或发邮件到联络中心。在客户发起互动或查询后,聊天机器人通常会先提出一个问题或一系列问题,以缩小用户的意图。为此,聊天机器人通常会使用自然语言处理(NLP)对客户的询问进行解析,然后利用这些信息向可用数据源进行查询,以获得正确的内容、答案或解决方案。

 

理想情况下,所有这些都发生在瞬间。

 

如果没有一个好的知识管理解决方案来检索信息,聊天机器人很快就会变成空洞、无效的外壳,无法有效地帮助客户。良好的知识管理解决方案为聊天机器人提供了可辨别的、高度可发现的数据--也就是知识--它们需要准确地解析客户意图,并得出一个解决方案、解决方案或答案。如果没有这些数据,客户可能会被引导到不相关的信息,或者更糟糕的是,进入一个死胡同,迫使他们切换到另一个联系渠道。他们可能会决定完全放弃互动。

 

聊天机器人需要能够检索正确的内容才能有效。这使得一个组织的知识内容,更广泛地说,它的信息架构,成为客户服务聊天机器人效能的基础。

 

信息架构是脚手架,它是底层框架,它使用户能够找到、导航和消费内容。它还能让其他系统(如搜索引擎和聊天机器人)更容易做到这一点。奠定坚实的IA基础可以通过以下几个关键方式显著改善聊天机器人的体验。

             

IA改善组织的内容主体,有助于减少不准确的回复

当应用于中心化的内容体系时,IA有助于使聊天机器人更容易在客户意图和他们需要自我解决的内容之间建立联系。如果没有强大的IA,聊天机器人将无法检索信息并为客户查询提供相关的、准确的回复。

 

一旦组织努力将其内部知识、孤立的文档和笨重的 PDF 文档集中到一个地方,它就可以应用 IA 将这些信息放到更适合用户和系统的格式中,以优化搜索和导航。最近的一个案例研究表明,仅通过调整其内容分类法,一家公司就能将聊天机器人的响应准确率提高70%。

 

IA有助于克服客户服务规模化的局限性

在扩大客户服务运营规模时,聊天机器人的潜在上升空间是很难被夸大的,特别是在成本和自动化方面。在Next IT的一个案例研究中,一个客服聊天机器人在一年内为Amtrak节省了100万美元的客户服务电子邮件成本,现在每年处理超过500万个问题。Juniper Research的另一份报告估计,到2022年,聊天机器人将帮助实现80亿美元的成本节约。

 

一个强大的知识框架可以释放这种潜力,使聊天机器人不仅更容易将用户意图与用户所需的准确信息相匹配,而且随着客户服务业务的增加,继续扩大其能力。通过将微内容扩展到其品牌网站,企业还将提高搜索可见度。这样做也能帮助转移对聊天体验和其他 "升级 "自助服务层的需求。

 

IA和聊天机器人的投资回报率

如果没有基础的IA,聊天机器人的实施几乎不可能实现公司期望的投资回报率。

 

实施一个聊天机器人的总成本将取决于行业垂直度和所需的能力。尽管如此,一个来自第三方的企业级客户服务聊天机器人通常需要一笔初始设置费用,此外还需要每月支付一定的费用用于持续的运营、维护和支持。

 

一位聊天机器人开发商Azati估计,"一个非常复杂的用于客户支持的AI 聊天机器人"的成本在4万到10万美元之间。聊天机器人供应商Progress估计,计划在公司内部开发和推出聊天机器人的公司的总成本约为35000美元。无论花费多少,如果没有组织好的内容映射到自助服务过程和特定的用户需求,任何聊天机器人的实施都不会有太大的作用。即使是IBM Watson也需要好的内容!

 

提供更好信息架构的三个战略

根据客户路线图创建内容

为了提供更好的聊天机器人体验,企业需要了解客户何时、何地以及为何会与客户服务聊天机器人进行互动。这种感同身受的做法很适合更广泛的客户路径映射工作。

 

路径映射鼓励组织围绕实际的客户体验来构建和组织内容。这个过程鼓励企业提出一些重要问题:

  • 客户在购买前、购买中、购买后都会执行哪些任务?

  • 这些任务发生的顺序是什么?

  • 每项任务对客户的成功有多关键?

  • 客户通常在哪些方面需要支持?

  • 客户通常在哪里发起支持互动,以及如何发起?

  • 客户会提出什么样的问题?

  • 客户通常会遇到什么样的问题?

 

创建结构化的、内容丰富的内容

全面的、对聊天机器人友好的IA的重要组成部分是创建结构丰富的内容。例如,组织可以将这些文档分解成离散的、小块的信息,而不是将整个用户手册锁在静态的、长篇的 PDF 文件中。这些小块的信息或 "块"迎合了人类处理信息的方式。有时被称为微内容,这些比特大小的信息--或者说 "块"--迎合了人类处理信息的方式,而聊天机器人正是为了模仿、使用和响应这一过程而设计的。

 

结构化内容包括:

  • 允许信息发现过程自动化。

  • 可以更容易地将特定的内容片段映射到各种客户渠道和平台(聊天机器人、手机等)。

  • 通过预定义的模板、类别和标签,简化编写工作。

  • 支持个性化的内容体验。

  • 启用内容再利用。

 

微内容通常是将基于文件的、互联网前的内容转换成比特大小、语义丰富、结构化的内容,并将其公开。

 

充分利用标准的知识管理解决方案

关注信息架构的核心领域,并保持各部门、网站和服务渠道的一致性,可能会遇到资源限制和可扩展性问题。因此,公司正在转向独立的知识管理解决方案,以自动处理网站结构、导航、搜索和信息架构的其他方面。

 

独立的解决方案将把知识管理活动统一到一个中央库中,能够将各种内容类型发布到一个自助服务体验中。它还将建立和维护稳固的信息架构,以便聊天机器人和其他客户服务渠道能够提供更好的体验。

 

例如,MindTouch的功能是一个引导式内容框架,它可以帮助内容作者将各种内容和微内容组织成高级别的类别、指南和文章,创建一个丰富的架构。这使得导航体验模仿了我们大脑存储信息的方式。目标是让内部和外部终端用户更容易进行知识管理和导航,保护网站结构并确保直观的内容体验。

 

优先考虑客户的聊天机器人体验

             

了解了知识管理,计划推出聊天界面的企业就有独特的机会来获得正确的知识管理。仅有 4% 的企业已经部署了某种对话界面,38% 的企业正在积极计划,因此,了解知识管理在这些部署成功中的作用比以往任何时候都更加迫切。

 

这或许可以解释为什么 "改善知识库 "是44%企业的高优先事项,以及为什么48%的企业认为知识管理是2019年的 "紧急投资重点"。

 

对健全的知识管理战略的需求满足了一个更广泛的组织目标,它超越了聊天机器人技术的工作范围。Forrester首席研究官Carrie Johnson说:"变革的步伐并没有放缓,市场也没有变得更加宽容:客户挑战公司为他们的生活提供价值。" 无论是在谷歌搜索,向自动聊天机器人输入查询,还是与现场客户支持代表交谈,都是人类发起的互动。

 

因此,在整个自助服务过程中提升客户体验,就不再是工具的问题,而是客户本身的问题。独立的知识管理解决方案奠定了公司所需的基础,以帮助客户最大限度地利用他们选择的自助服务渠道,聊天机器人。

 



MindTouch成立于2005年,总部位于加州圣地亚哥。MindTouch提供企业级的、由人工智能驱动的知识管理平台,包括客户自助服务、代理协助和部门知识的功能,适用于各种规模和行业的组织。专注于客户体验,MindTouch受到全球340多家公司的信赖,可以在需要的时候、需要的地方和需要的方式提供知识。MindTouch可以为企业带来更快、更一致、更个性化的客户服务,与此同时提高运营效率。

 

推荐阅读

超赞!百度词法分析工具 LAC 全面升级,2.0 版在线极速体验

这个NLP工具,玩得根本停不下来

征稿启示| 200元稿费+5000DBC(价值20个小时GPU算力)

文本自动摘要任务的“不完全”心得总结番外篇——submodular函数优化

Node2Vec 论文+代码笔记

模型压缩实践收尾篇——模型蒸馏以及其他一些技巧实践小结

中文命名实体识别工具(NER)哪家强?

学自然语言处理,其实更应该学好英语

斯坦福大学NLP组Python深度学习自然语言处理工具Stanza试用

太赞了!Springer面向公众开放电子书籍,附65本数学、编程、机器学习、深度学习、数据挖掘、数据科学等书籍链接及打包下载

数学之美中盛赞的 Michael Collins 教授,他的NLP课程要不要收藏?

自动作诗机&藏头诗生成器:五言、七言、绝句、律诗全了

这门斯坦福大学自然语言处理经典入门课,我放到B站了

关于AINLP

AINLP 是一个有趣有AI的自然语言处理社区,专注于 AI、NLP、机器学习、深度学习、推荐算法等相关技术的分享,主题包括文本摘要、智能问答、聊天机器人、机器翻译、自动生成、知识图谱、预训练模型、推荐系统、计算广告、招聘信息、求职经验分享等,欢迎关注!加技术交流群请添加AINLPer(id:ainlper),备注工作/研究方向+加群目的。


阅读至此了,点个在看吧👇

登录查看更多
5

相关内容

Chatbot,聊天机器人。 chatbot是场交互革命,也是一个多技术融合的平台。上图给出了构建一个chatbot需要具备的组件,简单地说chatbot = NLU(Natural Language Understanding) + NLG(Natural Language Generation)。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
【2020新书】软件和人工智能项目中的设计思维,157页pdf
专知会员服务
115+阅读 · 2020年8月30日
【2020新书】社交媒体挖掘,212pdf,Mining Social Media
专知会员服务
59+阅读 · 2020年7月30日
【ACL2020-Google】逆向工程配置的神经文本生成模型
专知会员服务
16+阅读 · 2020年4月20日
德勤:2020技术趋势报告,120页pdf
专知会员服务
186+阅读 · 2020年3月31日
【LinkedIn报告】深度自然语言处理的搜索系统,211页pdf
专知会员服务
105+阅读 · 2019年6月21日
基于20万条消息,客服聊天机器人养成记
大数据文摘
6+阅读 · 2019年1月31日
从零开始用Python写一个聊天机器人(使用NLTK)
AI研习社
10+阅读 · 2018年12月27日
历经一个炒作周期,聊天机器人为什么还没成功?
网易智能菌
5+阅读 · 2018年6月13日
软件工程师如何转型人工智能?
机器学习算法与Python学习
6+阅读 · 2018年4月26日
如何运用Python建一个聊天机器人?
七月在线实验室
17+阅读 · 2018年1月23日
如何做个小冰那样成功的聊天机器人
七月在线实验室
5+阅读 · 2017年12月4日
如何在Chatbot中应用深度学习? | 赠书
人工智能头条
5+阅读 · 2017年9月12日
Advances and Open Problems in Federated Learning
Arxiv
17+阅读 · 2019年12月10日
Deep Learning for Deepfakes Creation and Detection
Arxiv
6+阅读 · 2019年9月25日
Paraphrase Generation with Deep Reinforcement Learning
Arxiv
3+阅读 · 2018年6月14日
Arxiv
3+阅读 · 2018年5月21日
VIP会员
相关VIP内容
相关资讯
基于20万条消息,客服聊天机器人养成记
大数据文摘
6+阅读 · 2019年1月31日
从零开始用Python写一个聊天机器人(使用NLTK)
AI研习社
10+阅读 · 2018年12月27日
历经一个炒作周期,聊天机器人为什么还没成功?
网易智能菌
5+阅读 · 2018年6月13日
软件工程师如何转型人工智能?
机器学习算法与Python学习
6+阅读 · 2018年4月26日
如何运用Python建一个聊天机器人?
七月在线实验室
17+阅读 · 2018年1月23日
如何做个小冰那样成功的聊天机器人
七月在线实验室
5+阅读 · 2017年12月4日
如何在Chatbot中应用深度学习? | 赠书
人工智能头条
5+阅读 · 2017年9月12日
Top
微信扫码咨询专知VIP会员