539 W. Commerce St # 191, Dallas TX 75208

M-F: 10am – 5pm Sat-Sun: Closed

(817) 752-5539

Chatbots and Artificial Intelligence are all around the Internet now, learn more about it.

Les 7 péchés capitaux pour un projet d’agent virtuel (chatbot)

Pour que vous ne puissiez plus jamais dire : “Je ne savais pas, c’est quelque chose de nouveau pour moi”

Dans son dernier article, Ulysse Bottello (head of design chez The Chatbot Factory), pointait du doigt le décalage qui peut exister entre les requêtes d’un utilisateur et les compétences (ou connaissances) d’un agent virtuel.

L’objectif de cet article est de vous donner les clés pour anticiper ce décalage et garantir le succès de votre projet chatbot, pour itérer avec justesse.

Depuis trois ans, nous concevons et déployons des agents conversationnels pour le compte de grandes entreprises. Ces projets nous ont permis de dessiner les contours de méthodologies propres aux projets conversationnels, loin de celles appliquées pour d’autres types de projets tels que les sites internets et applications mobiles.

Forts de cette expérience, nous vous livrons aujourd’hui les 7 péchés capitaux à éviter dans tous projet chatbot. Vous ne pourrez plus dire que vous ne saviez pas…

#1 La supposition

Problème 1 : Comment imaginer les futures demandes ?

L’usage qui est fait d’un chatbot texte ou voix peut être très éloigné de celui d’un mail ou d’un échange téléphonique. Les sujets abordés et la manière dont ils sont adressés peuvent radicalement changer selon le canal. Un mail fait généralement l’objet d’une demande précise et relue de la part de son expéditeur. À l’inverse, l’usage d’un chatbot est spontané et l’utilisateur peut envoyer plusieurs demandes très différentes au sein d’une même conversation.

Que faire si ces demandes éloignées du périmètre initial se révèlent récurrentes et que l’assistant exprime son incompréhension à chaque fois ?

Par exemple, imaginez un bot d’assurance conçu pour répondre aux questions sur les conditions d’utilisation via un site internet. La majorité des demandes faites par téléphone portent sur le contenu lui même. Mais une fois face au site internet public, et en discussion avec l’assistant, d’autres problématiques peuvent se présenter à l’utilisateur ?

Solution 1 : Ne pas supposer les futures demandes et gérer les demandes hors-périmètre au fur et à mesure

  • Mettez à disposition un périmètre initial réduit avec une base des demandes récurrentes sur les canaux mail, téléphones et réseaux sociaux.
  • Mettez en place avec vos équipes un reporting régulier à forte fréquence, et ciblez les demandes récurrentes pour y apporter une réponse.
  • L’important n’est pas d’apporter la réponse exacte à l’utilisateur, mais de lui montrer que l’assistant a compris sa question pour conserver sa confiance, quitte à le rediriger pour qu’il trouve la réponse exacte.
  • Pour effectuer ses actions, utilisez des outils destinés aux métiers, plutôt que ceux pour les développeurs. Vous gagnez énormément de temps et d’efficacité.

Ne mentalisez pas de trop le travail de set up, et passez plus de temps à itérer et enrichir votre chatbot

#2 L’immobilité

Problème 2 : L’information est évolutive

Le proverbe « La vérité d’aujourd’hui n’est pas celle de demain » n’a jamais autant fait sens que ces dernières années. Dans le secteur automobile, de l’assurance ou encore celui de l’administration publique, les conditions d’utilisation de leurs services ou FAQ sont en constantes mutations.

Quand un assistant souhaite répondre, il va chercher l’information dans des espaces de stockage. Que faire si l’information change et le stockage de l’information reste statique ? Beaucoup d’actions sont à mettre à place pour modifier le contenu des réponses. Le bot va diffuser une information erronée durant cette période de modification.

Solution 2 : Utiliser des API et web-services pour appeler l’information

Il est préférable d’opter pour une base de connaissance qui soit elle-même évolutive.

  • Favorisez les espaces de stockage dynamique : API & web-services.
  • Personnalisez l’expérience de vos utilisateurs grâce à l’exploitation de données clients gérées par vos outils CRM (via API).

#3 L’inconscience

Problème 3 : Comment déterminer le succès d’un assistant conversationnel ?

L’effet tunnel est encore plus répandu dans les projets chatbots au vu de son caractère évolutif. Il est assez facile de rester la tête dans le guidon et se focaliser sur l’évolution de son assistant. Si l’on ne souhaite pas commettre le premier péché de la #supposition et faire sans cesse évoluer son bot, il est également indispensable de ne pas oublier d’où l’on part, et les raisons qui nous ont poussé à vous lancer dans ce projet.

Comment déterminer si son assistant est un succès ou pas ? Et à quel moment ?

https://medium.com/media/d8d518a99226452e5958e57f50fb011d/href

Solution 3 : Déterminer des KPI et des étapes

Il est primordial de se fixer des objectifs en début de projet et suivre peu de KPI simples.

  • En début de projet, challengez la bonne compréhension de l’assistant (bonnes réponses, mauvaises réponses, questions hors-périmètre).
  • Séquencez le projet : POC, V1 feat.1, V1 feat.2, V2, …
  • Fixez 3 objectifs métiers maximum et suivez-les sur les étapes qui leurs sont attribués. Par exemples les taux de complétions de parcours, améliorer la réactivité de votre service client, améliorer la satisfaction d’utilisateurs cibles, réduire le volume des appels entrants ou des emails, …

#4 La malvoyance

Problème 4 : Comment trouver le bon outil de monitoring pour bot ?

Grâce au 3 premières parties vous savez désormais comment déterminer le scope de connaissances du chatbot et comment l’enrichir. Vous savez comment stocker votre base de connaissances et la garder à jour. Vient désormais la question : Comment comprendre l’usage qui est fait de mon bot ?

C’est l’analyse des usages qui vous permet d’enrichir les connaissances de l’agent virtuel.

Solution 4 : Adapter l’outil à votre usage

Pour palier au péché #1 de la supposition, vous devez pouvoir lire de manière exhaustive l’usage qui est fait de votre chatbot. Utilisez des outils de monitoring pouvant intégrer les analyses sémantique et du langage. C’est notamment grâce au clustering des demandes hors périmètre, que vous allez gagner en efficacité. Vous pourrez automatiquement cibler par thématiques les nouvelles questions/réponses à ajouter dans le scope de l’agent virtuel.

Choisissez la plateforme qui permet d’analyser les demandes hors périmètre.

En partie #3 nous conseillons de fixer vos facteurs de succès durant le cadrage. L’outil de monitoring en est le prolongement. Si la KPI importante est la conversion d’achat après un abandon de panier, optez pour une solution qui vous permet de remonter cette information. Optez également pour la solution qui permet de tracker vos indicateurs de performance décidés en amont du projet et analyser.

#5 La dissemblance

Problème 5 : Comment se plier à l’exigence de la conformité

Il n’est pas rare de devoir reporter la mise en ligne d’un projet chatbot pour des raisons de sécurité alors que tout est prêt depuis plus de 6 mois.

La mise en place de la RGPD ainsi que le problématiques de sécurité informatique nécessitent de prendre en compte les aspects de conformités et de compliance très tôt dans votre projet.

https://medium.com/media/79fb9bc0d6cc71e92cb5f7c5f3703e45/href

Solution 5 : Lancer les processus dès le cadrage projet

Il est impératif de faire appel aux départements conformités le plus en amont possible. Anticipez d’éventuels blocages juridiques, produisez les livrables nécessaires à la validation de vos flux de données.

#6 L’incompréhension

Problème 6 : Comment effectuer un training efficace de son assistant conversationnel ?

En partie #1, nous avons détaillé à quel point il est difficile d’imaginer les futures demandes de vos clients. Au delà d’imaginer les futures demandes hors périmètre, il est indispensable que l’assistant garantisse un bon taux de compréhension des demandes du périmètre initial.

La performance de vos modèles de langue (NLU) est un sujet fondamental. Le training fait en amont de la mise en ligne est une étape clé pour une bonne compréhension. La typologie des technologies utilisées aussi. Le défi est d’entrainer le plus efficacement possible votre brique de compréhension du langage naturel (brique NLU).

“Rapprochez-vous des end-users avant la mise en ligne”

Solution 6 : Faire participer de futurs utilisateurs dans le training

L’objectif est de mettre en conditions réelles le chatbot avant la mise en ligne. Pour cela il doit être confronté aux plus grand nombre d’utilisateurs, qui doivent avoir comme seul objectif de mettre le chatbot en difficulté. Engager cette étape le plus tôt possible permet de prendre compte les éléments de langage propre à votre use-case ou contexte métier.

  • Ouvrez le cercle des beta-testeurs à des profils éloignés du projet,
  • Mesurez et analysez les résultats de vos tests à l’aide d’un validation set et déterminez-en l’impact.

#7 L’isolement

Problème 7 : Où trouver les utilisateurs ?

Votre projet est terminé. Vous le lancez. Et personne ne l’utilise. Encore plus grande est la déception quand on connait tous les efforts fournis pour mettre en production ces assistants.

Il ne sert à rien de proposer le meilleur agent virtuel au monde s’il n’est pas visible des utilisateurs, ou mal intégré dans le customer journey.

Solution 7 : Penser à l’acquisition en amont du projet

  • Pour un bot collaboratif à destination des employés, communiquez en amont, faites tester, organisez une démo qui fait office de lancement officiel.
  • Pour des projets de chatbot Messenger ou Webchat (site internet), reposez-vous sur une communauté ou faites des campagnes d’acquisition payantes.
  • Estimez en amont le trafic potentiel sur votre chatbot ou assistant vocal. Si vous pensez devoir faire face à beaucoup d’utilisateur d’un coup, ouvrez progressivement votre service et suivez vos performances. Cela vous permet de mieux comprendre les lacunes de votre projet et de les combler rapidement.

#Synthèse

Vous connaissez désormais les 7 péchés à ne pas commettre pour un projet chatbot. En voici le résumé ?

#1 La supposition : Ne supposez pas les futures demandes. Déterminez un périmètre réduit et adaptez le chatbot aux demandes entrantes au fur et à mesure.

#2 L’immobilité : Ne stockez pas en statique. Optez pour une information dynamique.

#3 L’inconscience : Ne vous enfermez pas dans le projet. Déterminez les facteurs de succès à chaque étape de votre projet.

#4 La malvoyance : N’oubliez pas de définir vos objectifs. Mettez en place un plan pour tracker vos indicateurs de performance et fixez vous des objectifs clairs.

#5 La dissemblance : Ne fuyez pas l’étape de validation de la conformité. Mettez votre projet face au board de conformité du projet dès le cadrage.

#6 L’incompréhension : Ne vous éloignez pas de la manière d’expression de vos futurs utilisateurs. Faites utiliser le bot par vos end-users avant la mise en ligne

#7 L’isolement : N’isolez pas votre projet des questions de trafic et d’acquisitions. Utilisez vos communautés et des moyens payants si nécéssaire pour faire utiliser votre chatbot. C’est ce flux qui va vous permettre d’itérer et d’appliquer les 6 autres conseils.

Qui sommes-nous ?

The Chatbot Factory aide les entreprises à améliorer leur relation client en proposant des solutions conversationnelles intelligentes et automatiques.
Contactez-nous ? [email protected]


Les 7 péchés capitaux pour un projet d’assistant conversationnel was originally published in The Chatbot Factory on Medium, where people are continuing the conversation by highlighting and responding to this story.