【Genesys博客】构建客户喜爱的机器人的5个技巧-巨人网络通讯

【Genesys博客】构建客户喜爱的机器人的5个技巧

老秦夜译

　　CTI论坛(ctiforum.com)（编译/老秦）:随着对话式人工智能的成熟，许多组织都开始热衷于实现能够理解自然语言并随后参与并解决客户最常见问题的机器人，就像人工座席一样。当联络中心面临大量问题并且座席资源有限时，由于机器人程序跨各种渠道处理重复查询，联络中心团队看到了显着的投资回报。然而，这些机器人在真实环境中的表现如何一直是人们关注的问题。

　　你可能已经经历过了。您现在需要航班、最近购买的物品或银行账户的帮助。您可以等待座席，也可以使用机器人。机器人的优点是它总是可用的，随时准备回答你的问题。数据显示，客户愿意使用机器人。然而，尽管人们渴望参与，但仍有犹豫。

　　许多客户已经有了糟糕的机器人体验。机器人总是一遍又一遍地问同样的问题:对不起，我不明白。你能再说一遍吗?或者是不那么有用的:对不起。我不明白你的意思。

　　数据显示，一些客户将机器人视为品牌避免提供服务的玩世不恭的尝试。他们觉得这是一种永久转移人工交互的方式。因此，虽然该品牌可能通过使用机器人转移呼叫来实现成本节约，但该品牌实际上可能会侵蚀客户满意度并制造诽谤者。

　　为了在规模上传递同理心，公司不能为服务设置障碍。高效的机器人让客户想要参与。他们与客户合作，而不是与他们作对。

　　为了创建有效的机器人，机器人构建者必须掌握这五个关键概念。

　　不要猜测客户的意图

　　机器人的核心是意图管理。当客户通过语音或文本与机器人通信时，机器人应用自然语言模型来理解语句的含义。自然语言可能很复杂。我们可以将大量信息打包到一个问题中；我们所说的并不总是传达我们的意思。

　　机器人构建者花费数小时试图想出客户可能会说的话来传达意图，例如订单状态或账单支付。这可能需要很长时间，而且充满了错误。通常，构建者从一小部分话语（可能的语句）开始，然后随着时间的推移添加更多的话语。当然，这意味着最初的机器人用户会面临类似很抱歉，我无法理解你这类机器人可怕的回应。

　　解决方案是采用数据驱动的方法来实现意图。使用过去互动中的数据来理解客户如何表达他们的要求--这会让您了解这些要求是什么。随着世界在线化和客户服务请求量的加快，这一点变得越来越重要。

　　对意图采取数据驱动的方法，并使用实际数据创建和更新机器人所依赖的意图模型，反过来将创建更准确的机器人。他们会第一次理解并正确回答问题，而不会要求无休止的澄清。

　　使其个性化

　　客户不喜欢伪装成人类的机器人。他们知道自己在和一台机器互动；他们不喜欢被欺骗的感觉。这就是说，与机器人交谈可能会感到不舒服和困难。客户有时会重复相同的信息，比如他们的年龄或账号，因为机器人不知道他们是谁，也不记得他们说了什么。

　　使互动个性化意味着使用上下文数据来推动会话。寻找个性化体验的机会。以下是一些例子：

如果客户已经登录系统，不要询问他们的账号。如果他们足够信任你，可以给你他们的数据，就使用它。
如果已经在谈话中向客户索要数据，请不要再索要。记住他们说的话。
理解上下文。如果客户一直在看产品并询问尺码，不要给他们一个关于您可能携带的尺码的一般性回答。使答案相关。
纠正打字错误。如果客户输入了一个不可能的日期或不符合范围的值，不要在最后说我不明白你的回答。识别错误并帮助他们修复。我们都忙于有限的注意力跨度；不要让互动变得更加困难。
了解自己的极限。如果问题太难回答，请告诉客户。不要让他们束手无策。

　　要构建允许个性化的机器人，它们必须能够利用客户提供的数据。机器人应该内置在旅程中，而不是作为一个独立的小部件存在于旅程之外。

　　避免死胡同

　　机器人只能做这么多；当他们的能力达到极限时，客户最糟糕的体验就是死胡同。这感觉像是移情的反面。

　　避免将客户引入死胡同的一种方法是确保他们可以从机器人过渡到实时座席。笨拙的方法是让机器人说：我帮不了你。打电话给XXX-XXX-XXXX。虽然这消除了死胡同，但也给客户带来了负担。客户必须自己完成工作，并且经常在没有解决方案的情况下离开交互。另一方面，对于这些场景，机器人通常是断开连接的。如果客户确实联系到座席，座席将不知道以前的交互。类似地，机器人将不知道已经发生的任何座席交互。

　　移情转移是平滑、无缝的，感觉上是互动的延续，而不是中断。当交互客户时，机器人应自动将其放入座席队列。通过预测路由，人工智能（AI）被用于将客户路由到最佳座席以获得期望的结果。交互更加成功，因为客户自动连接到具有正确技能的座席，而不是手动从一个座席传递到另一个座席。

　　语境为王

　　对于机器人来说，上下文就是一切。根据《牛津英语词典》，语境是构成事件、陈述或想法背景的环境，并且可以完全理解和评估它。请注意，理解和评估是定义的一部分。无效的机器人失败是因为他们不理解；他们无法评估客户的要求。上下文为驱动机器人程序理解客户请求背后含义的语言模型提供了能力。

　　机器人的环境是多维的。它是理解口头或书面句子的能力。这种能力就是技术，而机器人制造者训练这种技术。这项技术本身就是一块空白。用于培训的数据以及纠正和重新培训的能力都提供了上下文。

　　上下文不仅仅是训练数据。上下文是交互历史和机器人看到客户在旅途中的位置的能力。预测性参与技术使用数据预测下一个最佳行动，包括参与机器人或转移到座席的需要。

　　当机器人将交互传输给座席中时，它将获取该交互的上下文并将其传递给座席。这意味着客户不必重复这些事情。通过提供这些平滑、数据驱动的过渡，机器人并不是取代人类的战略。相反，机器人将座席从日常任务中解脱出来，这样他们就可以解决更复杂的问题。它减少了座席的压力，并将他们在重复回答相同问题时的挫折降至最低。

　　机器人不是孤岛

　　一个对客户旅程视而不见的独立、断开连接的机器人不如一个能识别客户去过哪里并能感知客户要去哪里的机器人有效。如果一个机器人把你送到你刚去过的同一个地方，即使是最狂热的机器人爱好者也会感到沮丧。持续这样做的机器人将被用作客户服务出错的示例。

　　许多DIY解决方案可以构建机器人。这些DIY机器人可以被训练做很多事情，但是没有能力在整个旅程中工作，它们仍然处于孤立状态--不知道客户的旅程。这些机器人似乎经常随机弹出，提供客户没有的问题的答案。他们有时觉得该品牌有一个机器人，想要使用它，而不是建立一个机器人来提供更好的服务。

　　在选择机器人构建工具之前，开发人员必须确保他们能够实时访问交互数据、客户的历史数据以及确保此机器人紧密集成并了解旅程所需的所有上下文。当开发人员想要集成数据时，看似简单的解决方案很快就会变成非常复杂的实现。这在规模上变得更加棘手。

　　在考虑生产时间的时候，考虑一下你需要花费多少精力将交互数据转换成你的机器人能理解的格式。确保数据可以读取；性能不会降低，您的数据也不会受损。

　　底线

　　联络中心团队努力构建适应联络中心需求的机器人。他们依靠DIY和开源机器人平台来创建通用机器人。这些机器人不容易构建--而且它们是脚本化的。因此，他们不了解客户旅程的背景。

　　Genesys Dialog Engine BOT Flows使组织更容易构建对话机器人，为没有内部数据科学或机器人开发团队的公司提供大规模的同理心。它为联络中心提供了一个界面，可以直观地构建机器人程序，同时处理其他对话流（入站呼叫、聊天或短信）。