Artikeln skriven av: Greg Bennett är Lead User Researcher på Salesforce - Einstein for Service, med AI och chatbots som hjälper kundtjänt att hantera och utöka sin verksamhet.
Kunder vet när de vill lösa ett snabbt problem på att automatiserat sätt. Men målen, eller kundens “intentioner”, ser mycket olika ut för ett detaljhandelsbolag jämfört med ett försäkringsbolag.
Jag är säker på att vi alla har upplevt hur artificiell intelligens (AI) har funnit sin väg in i våra vardagsliv. Sociala nätverk känner igen ansikten i dina foton och webbsidor föreslår till och med nya produkter baserat på saker du redan äger. Som kunder förväntar vi oss den här typen av omedelbara och regelbundna fördelar från märken vi älskar. Företag kämpar å andra sidan med att leva upp till förväntningarna i stor skala. AI kan förbättra företagets förmåga att hjälpa kunder få snabbare hjälp och svar på sina frågor . Det är här chatbots kommer in i bilden.
Bland alla olika problem som dina kunder kan ha, finns det en del problem som bäst löses genom mänskliga samtal. Men det är inte problem som “återställ mitt lösenord”. Kundtjänstens tid är värdefull, så spendera den på mer komplicerade problem som “Jag behöver boka en specialmåltid för min flygresa!” Låt en AI chatbot ta hand om de enklare jobben.
Kunder vet när de vill lösa ett snabbt problem på ett automatiserat sätt. Företag bör förstå och prioritera huvudmålen som en kund försöker uppnå när de använder någon form av digital kanal. Målen är vad vi kallar för kundens “intention.” Intentionerna kan se väldigt olika ut för ett detaljhandelsbolag jämfört med för ett försäkringsbolag.
Vilka intentioner bör jag prioritera för min chatbot för att hjälpa kunder i just min bransch?
Det har vi har tagit reda på i denna undersökning.
Jag skickade snabbt ut ett frågeformulär och frågade kunder om:
Den senaste gången de använde chatt för kundtjänstfrågor
Vilken bransch företaget som kontaktades tillhör
Vad deras problem/mål var - deras “intention”
Utrymme för att frivilligt lägga till maximalt tre extra intentioner för den branschen
Respondenter kunde antingen fylla i sin egen bransch eller välja mellan: handel, bankverksamhet, konsumentprodukter, försäkringar eller turism- och restaurangbranschen. Jag screenade ut alla deltagare som inte hade använt chatt under det senaste året, eftersom jag ville ha ett nytt perspektiv och strävade efter att balansera ut geografiskt över de fyra största amerikanska regionerna.
Vad jag fick tillbaka var massvis med data som visade de vanligaste intentionerna över flera branscher för ett litet urval av amerikanska konsumenter. Jag samarbetade med praktikanten Long Giang på Year Up för att dela upp datamängden, få bort skräppost och försäkra att vi klassificerade saker på samma sätt. Om du är en researchnörd som mig, så kommer du att uppskatta att jag och Long genomförde ett interrater reliabilitetstest för att garantera att vi förstod varandra. Det är egentligen bara ett snofsigt sätt att säga: vi såg till att klassificera varje svar som en intention som började med ett verb (t.ex. “lära mig om produktinformation” istället för “produktinformation”) eftersom varje intention indikerar en handling som en användare tänker göra, inte bara en viss användningl eller ett visst ämne som de vill veta mer om.
När vi klassificerat alla våra svar som intentioner så hjälpte min researchassistent, Mustafa Nasr, till med att dubbelkolla och förfina analysen, och tilldelade dem följande branscher:
Handel (191 omnämnanden)
Konsumentprodukter (130 omnämnanden)
Kabel-tv och internetleverantörer (110 omnämnanden)
Bankverksamhet(58 omnämnanden)
Försäkringar (20 omnämnanden)
Intressant nog så var inte Kabel-tv och internetleverantörer en bransch som vi uppgav som ett val på frågeformuläret, utan det framkom av sig själv i datan. Det visar att det finns potential för chatbots som en lösning för att påverka och skala upp kundtjänsten i denna bransch. Tyvärr fick vi inte tillräckligt med information om Turism- och restaurangbranschen för att få några insikter.
Innan vi går in på resultaten så måste researchnörden inom mig komma ut igen och förtydliga: resultaten av frågeformuläret och analysen ger riktad vägledning på ledande kundintentioner inom de ovan nämnda branscherna. Urvalet är inte stort nog för att dra allmänna slutsatser om amerikanska konsumenter, men de kvalitativa insikterna ger en mer konkret riktning som företag kan överväga när de prioriterar sina intentioner för AI chatbots inom aktuella industrier. Med det sagt ska vi nu titta närmare på var och en av branscherna.
Handel
Topp tre intentioner:
Lära sig om specifikationer för produkt/tjänst (34)
Se orderstatus (25)
Returnera en produkt (23)
För arbetslag som bygger chatbots för handel föreslår vi att produktinformationen bryts upp i flera meddelanden för att göra det mer likt en konversation. Tänk på utbytet i en konversation om en tjänst eller produkt. Ibland är det mycket som måste förklaras. Man frestas att skicka all information i ett meddelande, men det är överväldigande för kunden. Bryt upp innehållet i flera svar, eftersom en vägg med text inte är så användbar för en användare i chatten.
Konsumentprodukter
Topp tre intentioner:
Diagnostisera ett problem (28)
Lära sig om specifikationer för produkt/tjänst (15)
Kolla orderstatus
Vid tillverkning av chatbots för konsumentprodukter, bör du fokusera på att designa konversationer i ett mönster med frågor och svar. För att diagnostisera problemet med en kund, måste chatbotten ställa massvis med frågor och få många svar för att ta reda på vad som är fel.
Kabel-tv och internetleverantörer
Topp tre intentioner:
Tvist om räkning/debitering (18)
Problemsöka nätverksproblem (16)
Diagnostisera ett problem (15)
Konversationen om en tvist för betalningar eller debiteringar ser nästan likadan ut som den man har när man diagnostiserar ett problem - massvis med frågor och svar. Men för att problemsöka ett nätverksproblem måste chatbotten veta om återställningen av nätverket lyckades. Skapa en trigger som berättar för din AI chatbot hur återställningen gick, så att den vet hur den ska fortsätta konversationen med kunden. I Salesforce kallar vi det för en “plattformshändelse.”
Bankverksamhet
Topp tre intentioner:
Tvist om räkning/debitering (12)
Få tag i kontoinformation (7)
Eskalera (6); Rapportera misstänksam debitering (6)
En tvist om en räkning i bankväsendet ser dock lite annorlunda ut, eftersom det inkluderar känslig kunddata såsom kreditkortsnummer. Vissa finansiella institutioner hanterar det med ett säkert betalningsfönster utanför webbsidan, eller en chatbot i detta fall. Du kommer också behöva en trigger eller plattformshändelse som berättar för chatbotten när kunden har fyllt i sin information i betalningsfönstret, så att den vet när den ska fortsätta konversationen.
Försäkringar
Topp två intentioner:
Få försäkringspriser (5); Göra ändringar på abonnemang/kontrakt/konto/beställning (5)
Eskalera (3); Lära om specifikationer för produkt/tjänst (3)
Vi rekommenderar att arbetslag som bygger en chatbot för försäkringsbranschen investerar i att designa konversationer som specifikt hjälper kunder att eskalera problemet till en mänsklig agent. En AI chatbot är fantastisk för att samla in och kvalificera information innan kunden når en agent. Men det är viktigt att vara transparent och berätta för kunden när de pratar med en chatbot istället för en människa och vice versa. De bör alltid veta att chatbotten är redo att skicka dem vidare till en människa.
Vägen till att bygga din första chatbot kan verka överväldigande, men det finns research som hjälper dig kickstarta processen och behålla dina kunder i centrum.
För att lära dig mer hur du kan komma igång med Einstein Bots: Ladda ner vårt “Kom igång”-kit.
Vill du dela din feedback om design/produkt med vårt UX-team? Gå med i vårt Einstein Bots-team för användarresearch.
----
Uppnådde 70% interrater reliabilitet med hjälp av en innehålls- och diskursbaserad analysmetod för kodning av ostrukturerad data
Arbetslag som bygger chatbots bör också notera skillnaden mellan “Diagnostisera ett problem” och “Rapportera ett produktproblem” eftersom de kräver olika konversationer för att hantera. Användare som vill diagnostisera ett problem visste inte vad deras problem var (t.ex. “Min laptop startar inte, snälla hjälp”), medan användare som ville rapportera ett produktproblem visste vad som var fel och ville lösa problemet (t.ex. “Jag spillde vatten på min dator, snälla hjälp”). Att diagnostisera ett problem är mer öppet och kräver att chatbotten ber användaren att förklara mer om vad de ser med produkten. Det kommer sannolikt att kräva mer AI för att förstå de skrivna svaren, där “Rapportera produktproblem” kan hanteras med knappar baserat på din förståelse för en specifik produkt.
3. Liknande nyanseringar som “Diagnostisera ett problem”.
