Aumentando o ROI do chatbot: desvio de solicitações para agentes humanos

Na era digital atual, os clientes esperam um atendimento rápido e eficiente, e os agentes de IA conversacional podem oferecer exatamente isso, ao mesmo tempo em que reduzem a necessidade de agentes humanos de atendimento ao cliente. Os agentes de IA conversacional não só melhoram a experiência do cliente ao trabalharem com muito mais rapidez, como também podem economizar muito dinheiro para a sua empresa!

Em fevereiro de 2024, a Klarna informou que, em apenas um mês, seu novo assistente de IA já estava lidando com dois terços dos chats de atendimento ao cliente. Isso equivale a 700 atendentes humanos. A empresa estima que essa terceirização gere um lucro adicional de US$ 40 milhões neste ano.

Com a plataforma “no-code/low-code” da Vonage, chamada AI Studio, até mesmo as menores empresas podem agir como as grandes e aproveitar os assistentes virtuais para obter grandes economias. Mas, mesmo nos agentes mais bem projetados, alguns usuários tentarão burlar o sistema e falar diretamente com um atendente humano.

Felizmente para você, a equipe da Vonage implementou uma estratégia altamente eficaz para desviar as solicitações imediatas de atendimento por agentes humanos. Na prática, essa estratégia ajudou a reduzir as solicitações de atendimento por agentes em até 30%! Além disso, as solicitações imediatas de atendimento por agentes ficaram abaixo de 2%, o que significa que os chamadores conseguiram ter algumas dúvidas esclarecidas primeiro pelo agente virtual e, em seguida, passaram para o atendimento com um agente humano.

Este tutorial vai mostrar nossa estratégia para criar agentes que desviem essas solicitações de atendimento por agentes humanos e, em vez disso, incentivem seus usuários a interagir com os assistentes virtuais.

Resumo: Você pode encontrar o agente já pronto no GitHub e importá-lo para o AI Studio seguindo estas instruções.

Um grande agradecimento à Kayla S, que foi a mente brilhante por trás dessa estratégia!

Como criar um chatbot para atendimento telefônico de entrada

Para criar seu agente, siga as instruções disponíveis na documentação do AI Studio aqui. Há três opções importantes para o nosso agente que devem ser selecionadas:

• Tipo: Telefonia

• Modelo: Começar do zero

• Evento: Saída

Neste exemplo, vamos criar um agente para uma pizzaria. Os usuários podem realizar algumas ações:

• Fazer um pedido

• Encontre os endereços das lojas

• Saiba mais sobre as ofertas atuais com cupons

• Verificar o saldo de recompensas deles

• Peça para falar com um atendente

Um agente normal, sem desvio causado por um agente humano, teria a seguinte aparência:

Simple Inbound Virtual Agent with Subflows

Nesse fluxo, coletamos e armazenamos a consulta do usuário em um parâmetro com o nó “Collect Input” . Em seguida, usamos um Classificação para classificar a consulta entre as nossas Intenções. Para cada intenção, direcionamos o usuário para o subfluxo , onde a lógica de cada fluxo é tratada adequadamente. Por exemplo: Fluxo de Realização de Pedido, Fluxo de Localização de Lojas, Fluxo de Atendimento por Agente Humano, etc.

Neste tutorial, não nos importamos com o que acontece dentro desses subfluxos específicos do negócio. Em vez disso, estamos nos concentrando na arquitetura de desvio de agentes que os envolve.

Esse é um ótimo primeiro passo. No entanto, como podemos incentivar nossos usuários a realmente interagirem com o agente de voz, em vez de pedirem imediatamente “Quero falar com uma pessoa”?

Como rejeitar solicitações feitas por agentes humanos

Para incentivar os usuários a interagirem com o assistente virtual, em vez de serem imediatamente transferidos para um atendente humano, nossa estratégia consistirá em sugerir a eles, por duas vezes, que nossos assistentes virtuais podem ajudá-los e dar-lhes a oportunidade de redigitar sua consulta. Se o usuário solicitar um atendente humano três vezes seguidas, permitiremos que ele seja transferido diretamente para um atendente humano.

Primeiro, precisaremos criar um novo parâmetro chamado virtual_agent_interactions da entidade @sys.number e definir o valor padrão como 0.

Create a New Custom Parameter to Track Virtual Interactions

Em seguida, atualizaremos nosso fluxo criando um Nó Condicional logo após nossa classificação. Esse nó se chamará Virtual_agent_interaction? e terá apenas uma única condição que verifica se nossas interações com o agente virtual (virtual_agent_interactions) são menores que 2.

Create a Conditional to Check User Interactions

Agora, conectamos nossa intenção do agente humano no nó “Classificação” à nossa condicional “Virtual_agent_interaction?”. Mas e quanto ao novo fluxo condicional? Aonde ele deve ser conectado? Para isso, vamos criar um novo subfluxo chamado “Fluxo de desvio do agente”.

Neste subfluxo, a primeira coisa que faremos é atualizar nosso `virtual_agent_interactions` e aumentar seu valor em um. Podemos fazer isso usando o Nó de Código Personalizado:

Use Custom Code to Increment User Interactions

Em seguida, perguntaremos novamente aos nossos usuários, com outro nó “Collect Input”, o que eles gostariam de fazer e reutilizaremos o mesmo parâmetro de consulta de antes. No entanto, agora vamos dar uma dica a eles com o seguinte prompt:

Use Nudging Language to Collect Inquiries

Agora podemos sair do subfluxo “Desvio de Agente” e conectá-lo novamente ao nó de classificação. Dessa forma, nas duas primeiras vezes em que um usuário chegar à nossa intenção “Agente Humano”, ele será encaminhado para o subfluxo “Desvio de Agente”. Mas, depois de ter chegado lá duas vezes, a condição passará a encaminhá-lo para o subfluxo “Agente Humano”.

Mas temos um pequeno problema. E quando os usuários acessarem os outros fluxos? Eles podem querer fazer mais de uma pergunta, certo? Não devemos obrigá-los a ligar novamente para o nosso assistente virtual a cada consulta.

Podemos atualizar o agente com um subfluxo chamado “Outra consulta”. Esse subfluxo pergunta ao usuário se ele gostaria de fazer outra pergunta, usa uma condição para coletar outra consulta ou encerrar o agente e, por fim, envia a nova consulta ao nó de classificação novamente.

Additional Request Flow

Mas qual é o problema? Quando um usuário faz uma segunda consulta, o parâmetro `virtual_agent_interactions` continuará definido como 0. Não queremos penalizar nossos usuários que talvez tenham pedido uma pizza, mas depois os obriguem a solicitar um atendente humano três vezes.

Podemos simplesmente adicionar um nó “Definir Parâmetro” depois que eles saírem do fluxo “Perguntar outra vez?”. Aqui, definimos nosso virtual_agent_interactions como 2 e, em seguida, redirecionamos o usuário de volta ao nó de classificação.

Agent Deflection with Repeat Inquiry Flow

Como lidar com consultas amplas

Outra fonte de muitas solicitações para agentes humanos vem de usuários que fazem perguntas muito genéricas, que podem corresponder a várias de suas intenções e confundir o agente. Normalmente, um agente responderia com algo como: “Desculpe, não entendi isso.” Isso diminui a confiança do usuário no agente virtual, e, nesse momento, ele pede para ser transferido para um atendente humano.

Em vez disso, podemos criar uma intenção do tipo “Consultas Gerais”. Ela exibirá uma mensagem muito mais gentil e solicitará novamente a consulta do usuário. No entanto, o usuário ganhará confiança, pois acreditará que o agente está realmente entendendo o que ele quer dizer.

No nosso exemplo do agente de pizza, consultas amplas seriam entradas como “pizza”, “ajuda”, “pergunta”, “pergunta sobre pizza”, etc.

Mais uma vez, vamos criar um subfluxo chamado “Consultas Gerais”. Mais uma vez, vamos usar um nó “Coletar Entrada” para coletar nosso parâmetro de consulta. No entanto, aqui vamos dizer algo como: “Que ótima pergunta! Você poderia ser mais específico?” ou “Fico feliz em ajudar. Qual é a sua pergunta?”.

Deflecting Broad Queries with a Nudge

Mas antes de sairmos do nosso subfluxo e nos conectarmos novamente ao nosso nó de Classificação, vamos definir um parâmetro e atualizar o parâmetro `virtual_agent_interactions` para o valor 1. Isso reconhece o esforço do usuário por tentar usar o agente virtual. Se ele solicitar imediatamente um agente humano, só o redirecionaremos uma vez, em vez de duas. Isso é justo, já que será a terceira vez que ele for solicitado a responder ao agente.

Full Agent Deflection Flow

Conclusão

Já vimos como implementar algumas interações muito eficazes na experiência do cliente por meio de agentes virtuais. Nossos chatbots ajudam a aumentar a eficiência dos negócios, incentivando os usuários a resolverem suas solicitações sem a necessidade de recorrer a funcionários humanos, cujos custos são elevados. Fazer isso com a plataforma low-code do AI Studio permite que empresas de todos os tamanhos aproveitem essas medidas lucrativas de redução de custos.

Se você gostou deste artigo, conte para a gente no Vonage Developer no Slack da Comunidade de Desenvolvedores da Vonage. Esta postagem foi inspirada por agentes reais sendo utilizados em grande escala; compartilhe suas estratégias e experiências com o AI Studio para que todos possamos melhorar! Você também pode nos seguir no X, antes conhecido como Twitter, para ficar por dentro das últimas notícias sobre a API da Vonage.

Recursos adicionais

• Como construir uma hierarquia de classificação de intenções

• Criação de um agente de voz resiliente: um guia para sistemas de failover

• Controle de versão para chatbots sem código/com pouco código no AI Studio da Vonage

• Como criar uma maquete de IA conversacional