Stimuler le ROI du Chatbot : Déviation des demandes des agents humains

À l'ère du numérique, les clients s'attendent à une assistance rapide et efficace, et les agents d'IA conversationnelle peuvent fournir exactement cela tout en réduisant le besoin d'agents d'assistance à la clientèle humains. Les agents d'IA conversationnelle peuvent non seulement améliorer l'expérience client en travaillant beaucoup plus rapidement, mais aussi faire économiser beaucoup d'argent à votre entreprise !

En février 2024, Klarna a indiqué qu'en l'espace d'un mois seulement, son nouvel assistant IA traitait les deux tiers des chats du service client. Cela équivaut à 700 agents humains. L'entreprise estime que cette externalisation générera 40 millions de dollars de bénéfices supplémentaires cette année.

Avec la plateforme no-code/low-code de Vonage appelée AI Studio, même les plus petites entreprises peuvent agir comme les grands et tirer parti des assistants virtuels pour réaliser d'importantes économies. Mais même avec les agents les mieux conçus, certains utilisateurs essaieront de jouer avec le système et de parler directement à un agent humain.

Heureusement pour vous, l'équipe de Vonage a mis en œuvre une stratégie très efficace pour détourner les demandes immédiates d'agents humains. Dans le cas d'agents réels, cette stratégie a permis de réduire les demandes d'agents jusqu'à 30 % ! En outre, les demandes immédiates d'agents étaient inférieures à 2 %, ce qui signifie que les appelants ont pu obtenir des réponses à leurs questions d'abord par l'agent virtuel, puis par un agent humain.

Ce tutoriel vous montrera notre stratégie pour construire des agents qui détournent ces demandes d'agents humains et incitent plutôt vos utilisateurs à interagir avec les assistants virtuels.

TLDR ; Vous pouvez trouver l'agent entièrement construit sur Github et l'importer dans AI Studio en suivant les instructions suivantes ces instructions.

Un grand coup de chapeau à Kayla S qui a été le génie de cette stratégie !

Comment créer un chatbot téléphonique entrant ?

Pour créer votre agent, suivez les instructions figurant dans la documentation d'AI Studio ici. Notre agent doit sélectionner trois options importantes :

• Type : Téléphonie

• Modèle : Partir de zéro

• Événement : Sortie

Dans cet exemple, nous allons créer un agent pour une pizzeria. Les utilisateurs peuvent faire plusieurs choses :

• Passer une commande

• Trouver l'emplacement d'un magasin

• S'informer sur les offres de coupons en cours

• Vérifier leur solde de récompenses

• Demander un agent humain

Un agent normal, sans déviation de l'agent humain, ressemblerait à ceci :

Simple Inbound Virtual Agent with Subflows

Dans ce flux, nous collectons et stockons la demande de l'utilisateur dans un paramètre avec l'option Collecter l'entrée (Collecte de l'entrée). Nous utilisons ensuite un nœud de Classification pour trier la demande parmi les intentions. Pour chaque intention, nous dirigeons l'utilisateur vers le sous-flux où la logique de chaque flux est traitée en conséquence. Par exemple, le flux "Passer une commande", le flux "Trouver un lieu", le flux "Agent humain", etc.

Dans ce tutoriel, nous ne nous soucions pas de ce qui se passe à l'intérieur de ces sous-flux spécifiques à l'entreprise. Nous nous concentrerons plutôt sur l'architecture de déflection des agents qui les entoure.

Il s'agit là d'une première étape importante. Cependant, comment pouvons-nous pousser nos utilisateurs à interagir réellement avec l'agent vocal au lieu de demander immédiatement "Je veux parler à un humain" ?

Comment détourner les demandes des agents humains

Pour inciter les utilisateurs à interagir avec l'assistant virtuel au lieu d'être immédiatement mis en relation avec des agents humains, notre stratégie leur suggérera à deux reprises que nos assistants virtuels peuvent les aider et leur donnera l'occasion de saisir à nouveau leur demande. Si l'utilisateur demande trois fois de suite l'intervention d'un agent, nous le laisserons s'adresser directement à un agent humain.

Tout d'abord, nous devons créer un nouveau paramètre appelé virtual_agent_interactions de l'entité @sys.number et définir la valeur par défaut à 0.

Create a New Custom Parameter to Track Virtual Interactions

Ensuite, nous mettrons à jour notre flux en créant un nœud conditionnel directement après notre classification. Ce nœud s'appellera Virtual_agent_interaction ? et n'aura qu'une seule condition qui vérifiera que nos virtual_agent_interactions sont inférieures à 2.

Create a Conditional to Check User Interactions

Nous connectons maintenant l'intention de l'agent humain dans le nœud Classification à notre conditionnel Virtual_agent_interaction ? Mais qu'en est-il du nouveau flux conditionnel ? Où doit-il se connecter ? Pour cela, nous allons créer un nouveau sous-flux appelé Flux de déviation de l'agent.

Dans ce sous-flux, la première chose que nous allons faire est de mettre à jour notre virtual_agent_interactions et d'augmenter sa valeur d'une unité. Nous pouvons le faire en utilisant le nœud de code Nœud de code personnalisé:

Use Custom Code to Increment User Interactions

Ensuite, nous demanderons à nouveau à nos utilisateurs, à l'aide d'un autre nœud Collect Input, ce qu'ils souhaitent faire et nous réutiliserons le même paramètre d'enquête que précédemment. Cependant, nous allons maintenant les pousser avec l'invite suivante :

Use Nudging Language to Collect Inquiries

Nous pouvons maintenant quitter le sous-flux de déviation d'agent et le reconnecter au nœud de classification. Ainsi, les deux premières fois qu'un utilisateur atteint notre intention d'agent humain, il sera envoyé au sous-flux de déflexion d'agent. Mais une fois qu'il l'aura atteint deux fois, le conditionnel l'enverra désormais au sous-flux d'agent humain.

Mais nous avons un petit problème. Qu'en est-il lorsque les utilisateurs entrent dans les autres flux ? Il se peut qu'ils veuillent poser plusieurs questions, n'est-ce pas ? Nous ne devrions pas les obliger à recomposer le numéro de notre assistant virtuel pour chaque question.

Nous pouvons mettre à jour l'agent à l'aide d'un sous-flux appelé " Autre demande ". Ce sous-flux demande à l'utilisateur s'il souhaite poser une autre question, utilise une condition pour collecter une autre demande ou quitter l'agent, et enfin envoie la nouvelle demande au nœud de classification en recommençant.

Additional Request Flow

Mais quel est le problème ? Nous ne voulons pas pénaliser nos utilisateurs qui ont peut-être commandé une pizza, mais les obliger à demander trois fois l'intervention d'un agent humain.

Nous pouvons simplement ajouter un Définir un paramètre après avoir quitté le flux Ask Another ? Flow. Ici, nous fixons notre agent virtuel à 2, puis nous renvoyons l'utilisateur au nœud de classification.

Agent Deflection with Repeat Inquiry Flow

Comment traiter les requêtes larges

Une autre source de nombreuses demandes d'agents humains provient des utilisateurs qui posent des questions très générales qui peuvent correspondre à plusieurs de vos intentions et embrouiller l'agent. Normalement, l'agent devrait alors répondre quelque chose comme "Je suis désolé, je n'ai pas compris". Cela diminue la confiance de l'appelant dans l'agent virtuel et il demande alors à être transféré vers un agent humain.

Au lieu de cela, nous pouvons créer une intention "Requêtes générales". Le message sera beaucoup plus doux et l'agent demandera à nouveau l'avis de l'utilisateur. Cependant, l'utilisateur gagnera en confiance car il pensera que l'agent le comprend réellement.

Dans notre exemple d'agent spécialisé dans les pizzas, les requêtes générales seraient des entrées telles que "pizza", "aide", "question", "question sur les pizzas", etc.

Une fois de plus, nous allons créer un sous-flux intitulé Broad Queries (requêtes larges). Une fois de plus, nous utiliserons un nœud Collect Input pour collecter notre paramètre d'enquête. Cependant, nous dirons ici quelque chose comme "C'est une excellente question ! Pouvez-vous être plus précis ?" ou "Je suis heureux de vous aider. Quelle est votre question ?

Deflecting Broad Queries with a Nudge

Mais avant de quitter notre sous-flux et de nous reconnecter à notre nœud de classification, nous devons utiliser un paramètre set et mettre à jour notre paramètre virtual_agent_interactions pour qu'il soit égal à 1. Cela permet à l'utilisateur d'essayer d'utiliser l'agent virtuel. S'il demande immédiatement un agent humain, nous ne le repousserons qu'une fois au lieu de deux. C'est équitable puisque c'est la troisième fois qu'on lui demande de répondre à l'agent.

Full Agent Deflection Flow

Conclusion

Nous avons maintenant vu comment mettre en œuvre quelques interactions très puissantes en matière d'expérience client via des agents virtuels. Nos chatbots contribuent à accroître l'efficacité de l'entreprise en poussant les utilisateurs à résoudre les demandes sans faire appel à des employés humains coûteux. Le faire avec la plateforme low-code d'AI Studio donne aux entreprises de toutes tailles le pouvoir d'exploiter ces mesures lucratives de réduction des coûts.

Si vous avez apprécié cet article, faites-le nous savoir sur Vonage Developer Communauté Slack. Ce billet a été inspiré par des agents du monde réel utilisés à l'échelle, partagez vos stratégies et expériences en utilisant AI Studio afin que nous puissions tous nous améliorer ! Vous pouvez également nous suivre sur X, anciennement connu sous le nom de Twitterpour connaître les dernières nouvelles concernant l'API de Vonage.

Ressources complémentaires

• Comment construire une hiérarchie de classification des intentions

• Construire un agent Voice résilient : Un guide pour les systèmes de basculement

• Contrôle de version pour les Chatbots No-Code/Low-Code dans AI Studio de Vonage

• Comment créer une maquette d'IA conversationnelle