Chatbot hypen

Det er lite tvil om at chatbot har fått mye oppmerksomhet, men med tanke på at 80% av kundekommunikasjon fortsatt foregår enten på telefon eller epost, så er det kanskje litt for tidlig å begynne med automatisering på en mindre brukt kanal som chat reellt sett oftest er. Og det er derfor de fleste chatbot selges inn basert på hype mer enn på faktiske verdiskapningsmuligheter (Det er vesentlig vanskeligere å beregne hvor mye tid som kan spare på å svare på chat med chatbot når man ikke vet hvor stor pågang det er i chat til å begynne med).

Hvis vi snur litt på problemstillingen, ser man at det faktisk kan være et bedre business case å automatisere prosesseringen av e-poster fra innlesning til sortering, prosessering, og til slutt besvarelse. Dette kan man få til med akkurat den samme teknologien man bruker for å bygge chatboten.

Å lese inn e-post er en triviell programmeringsoppgave og de fleste utviklere kan dette. For å sortere e-poster, så bruker man det samme Natural Language Processing (NPL) motor som henter ut nøkkelord, entiteter, begreper osv, og basert på antall og hvilke nøkkelord, entitet og begrep som kommer opp, kan man sortere e-posten basert på tema og sende den videre i systemet for videre håndtering. Om man vil bruke API koblinger eller RPA prosesser så er det opp til teknisk infrastruktur (Er back office systemene allerede koblet sammen via et tjenestelag så er API et langt bedre alternativ enn RPA). Å svare opp e-posten etter at denne jobben er utført er like trivielt som å lese inn e-posten og kan gjøres med utgangspunkt i standard e-post maler.

Det er veldig viktig å tenke på hva som er viktig for kunden før man hoppe på hypen for å selge inn konsepter og løsninger som virker “kule” men som i praksis vil generere lite verdi for kunden. Digitalisering er en lang reise og vi må håndtere det et steg om gangen.

Advertisements
Kombinere AI og RPA for maksimum effektivitet på kontoret

Kombinere AI og RPA for maksimum effektivitet på kontoret

På 1940 tallet, da datamaskiner begynne å hjelpe mennesker med beregninger, kunne ingen spådd hvordan datamaskiner skulle skape Industry 3.0, hvor datamaskiner styrer hydrauliske armer for å effektivisere produktiviteten i fabrikker. Det maskiner gjør ved å kombinere feilfrie beregninger og finkornet nøyaktighet med store og sterke hydrauliske armer, for å utføre arbeid som tidligere krevde mange arbeidere, har revolusjonert produktiviteten i fabrikker. Det har skjedd en transformasjon hvor arbeiderne har gått fra å produsere varene fra a til å, til nå å kun dekke den delen av samlebåndet hvor det ikke er hensiktsmessig at maskiner overtar. Dette bidrar til lavere priser på mange forbruksvarer og til økt levestandard for mange.

Det som skjedde i industri 3.0 er i ferd til å skje igjen. Istedenfor å koble datamaskiner og hydrauliske armer, er det nå koblingen mellom kognitive systemer og RPA (Robotic Process Automation – automatiseringsløsninger for dataprogrammer) som revolusjonerer arbeidshverdagen på kontoret. Arbeidsprosesser som medarbeidere nå utfører fra a til å, vil også bli til et slags “samlebånd” hvor RPA styrt av kognitive systemer bistår eller overtar deler av oppgavene.

Så hva er Kogntive Systemer og RPA?

Kognitinaove systemer, i motsetning til tradisjonelle data systemer, vil være i stand til å lære seg til å forstå. Logikken trenger med andre ord ikke å defineres i detalj på forhånd og systemet kan lære fra sine feil.

RPA, robotic process automation, kan ses på som en automatisk styring av muspeker og tastatur for å utføre oppgaver som er gjentagende og kjedelige. Data entry er en vanlig type jobb som kan automatiseres via RPA. Det er enkelt å settes opp og fungerer fint i situasjoner der systemene ikke klare å snakke sammen på en god måte eller der det er kostbart å implementere integrasjon mellom systemene.

En typisk eksempel er en saksbehandler som daglig mottar mange support henvendelser via epost. Han må først lese inn eposten, deretter sortere eposten basert på tema og prioritet, alternativt andre kriterier, i tillegg til å registere saken i saksbehandlingssystemet. Dette er en oppgave som Cognitive System og RPA kan håndtere utmerket. Et veltrent kognitivt system kan gjenkjenne epost titler og innhold og utfra det definere hva som skal til for å løse saken. Systemet kan til å med kjøre noe grunnleggende diagnostisering for så å delegere oppgaver til de riktige RPA prosessene, eksempelvis for å registrere saken i saksbehandlingssystem.

Arbeidsplasser vil gjennomgå store endringer i den “kognitive æra”; la maskiner gjør de kjedelige og gjentakende oppgavene mens vi mennesker kan fokusere på mer verdiskapende og interessante oppgaver.

 

Vi du vite mer? Ta kontakt med oss sales@simplifai.ai

Bruk gjerne kommentarfeltet for spørsmål eller kommentar

Simplifai – Simplifai life through artificial intelligence

Chat kontekst handler ikke om språk, men om kunden

Mange har blogget eller snakket om hvordan chatbot vil endre kundekommunikasjon og samtidig påpekt at teknologien er umoden og det er mange aspekter hvor en chatbot ikke kan fungere som en menneskelige kundebehandler. Begge argumenter er riktig, men få har tatt for seg hvordan det skal forbedres.

En av de bedre artiklene svakheter ved chatbots, “Why chatbots fail”, har pekt ut at chatbots forstår ikke kontektsen i samtalen. Av alle svakheter er dette det vanskeligste (dog ikke umulig) å løse.

Dette var utgangspunktet for en diskusjon mellom meg og en kollega om hvor problemet ligger. Min kollega synes dette skyldes en mangel på språksforståelse, mens jeg mener at dette er en mangel på forståelse av personen den chatter med. Jeg har nå undersøkt en del og konklusjonen er at vi har rett begge to. For å få en chatbot til å forstå kontekst må den klare å utvide konteksten til å inkludere den underforståtte betydningen av det som er blitt sagt, og hvem chatbot chatter med.

Ironisk nok fant diskusjonen sted på telefon rundt kl. 2 på ettermiddagen, jeg tok i mot telefonen og sa “god morgen”. Min kollega ble forvirret og jeg måtte forklare at det er min standard hilsen og at det egentlig betyr “hallo”. Selv om han forstår hva god morgen betyr, så må han kjenne meg for å forstå hva god morgen egentlig betyr i denne sammenhengen. Det er forskjellen på språksforståelse og kundeforståelse, på samme måte som at man ikke kan tolke sarkasme på samme måte for alle.

På den andre siden, så har artikkelen helt rett i at en chatbot må klare å forstå at når man snakker om middag, så er det sannsynligvis ettermiddag eller kveld og når man snakker om paraply, så betyr det regn. Dette vil gjøre chat flyten smidigere og øke kundetilfredshet.

Så hvordan kan man få det til? Svaret er todelt og vi behøver en eller flere kunnskapsbaser som støttespiller til en chatbot motor som kun forstår intensjoner. For å forstå kontekst, man må ihvertfall koble chatbot til en kundebase og en språksbase, eller en ordbok.

Alle bedrift har en kundebase, men de er mest brukt for å lagre kundedata, dette krever en utvidelse for å håndtere spesiell uttrykk, sarkasme, eller noe spesiell måte å si ting på, som kun gjelder denne kunden. Når bedriften har dette på plass, så kan disse spesiell uttrykk eller sarkasme være et utgangspunkt når chatbot møter en ukjent person i framtiden (Når 50 kunder mener essen betyr å spise så kan det faktisk være det).

Når det gjelder en generell språksbase, så er det enklere å få til, den eneste ulempen er kostnaden. Hvis ikke det finnes en god språksbase som er organisert i en form av knowledge graph hvor man kan søke på forskjellige underforståtte betydninger, så må mange bygge og hoste det selv, noe som vil øke kostnaden til en slik bot.

For å oppsummere, kontekstforståelse er et viktig element for en god chatbot opplevelse, og det kan løses via en kombinasjon av en kundebase og språkbase. Simplifai jobber hardt for å bygge en slik plattform for å skape gode chatbot opplevelser for våre kunder.

 

Vi du vite mer? Ta kontakt med oss sales@simplifai.ai

Bruk gjerne kommentarfeltet for spørsmål eller kommentar

Simplifai – Simplifai life through artificial intelligence

Case study: Frilanser som kan fokusere på jobben sin

Tenk om du er en grafisk design frilanser som må balansere det å jobbe for klienter og samtidig skaffe nye kunder. Det er tidskrevende da mange vil ha mange spørsmål om prosjekter og om deg før de bestemmer seg. Det er mange frilanser å velge blant og ofte må du svare raskt eller for å unngå å miste utålmodige kunder til de som er mer responsive.

Mange spørsmål gjentar seg, det kan være om hvordan man går fram med en bestemt problemstilling, status på pågående prosjekter, eller justeringer på leverte arbeider. Som frilanser har man ofte få muligheter til å delegere kundebehandling og kommunikasjon til noen andre, så hjelp må komme fra et smart system – en virtuell assistent.

En frilanser bruker opp til 20% av tiden sin til å drive med kommunikasjon, ved å automatisere 90% av kommunikasjon og spørsmål besvarelse, så er det en potensiell produktivitet økning på over 20-30 timer i løpet av en måned i tillegg til å gi mer fornøyde kunder igjennom umiddelbar respons.

For å være nyttig for en frilanser, må en virtuell assistent klare å gjøre mer enn å besvare spørsmål, som vår forrige case study for borettslag.  Assistenten må kunne koble opp mot systemer hvor freelanceren har oversikt over kundene og prosjektene sine. Systemet skal også klare å sende ut meldinger når det er framgang i prosjektet eller at man trenger litt innspill fra kundene sine. Her kan en virtuell assistent håndtere kommunikasjon mens frilanser kan fokusere på jobben sin.

 

Vi du vite mer? Ta kontakt med oss sales@simplifai.ai

Bruk gjerne kommentarfeltet for spørsmål eller kommentar

Simplifai – Simplifai life through artificial intelligence

Case study: Styremedlem i borettslag får hjelp av chatbot og virtuell assistent

Case study: Styremedlem i borettslag får hjelp av chatbot og virtuell assistent

Her om dagen pratet jeg med en venn av meg som sitter som styremedlem i et borettslag. Han har ansvaret for å besvare henvendelser for beboere og er svært frustrert over mengden henvendelser han får. Spørsmålene er ikke vanskelig å besvare og de omhandler stort sett trivielle ting som kontakt info til vaktmesteren eller hvordan man bestiller nøkler. Likevel må han bruke mye tid på å svare på dette og blir han forsinket så kommer det purringer fra irriterte beboere. Han var så frustrert at han vurderte å trekke seg fra vervet.

borettslagDette er en vanlig situasjon hos mange organisasjoner som betjener kunder eller medlemmer. Man kan skriver så mye man vil på FAQ siden, men få gidder å lese gjennom hele teksten for å finne spørsmålet som treffer akkurat det man er ute etter. I tillegg så mangler det muligheter for å utføre oppgaver. Ta bestille nøkler for eksempel, etter å ha lest gjennom instruksjoner på hvordan man bestille nøkler så må beboeren gjøre det selv. Dette kunne ha vært automatisert hvis de har en virtuell assistent.

En virtuell assistent kan motta henvendelser og komme opp med relevant svar til beboere umiddelbart, hele døgnet, og kan til og med utføre bestemte oppgaver (som å bestille nøkler eller sende vaktmesteren beskjed om en gåen lyspære). Dette kunne ha avlastet en stor andel av ansvar fra min venn og han kunne ha brukt tiden til noe som skaper mer for beboer i borettslaget.

En slik virtuell assistent er ikke vanskelig å sette opp. Simplifai har en løsning som takler akkurat dette og vi er på jakt etter pilotkunder som vil være med å skape den perfekte virtuell assistent til borettslaget ditt.

Vi du vite mer? Ta kontakt med oss sales@simplifai.ai

Bruk gjerne kommentarfeltet for spørsmål eller kommentar

Simplifai – Simplifai life through artificial intelligence

How to make a good chatbot

How to make a good chatbot

Hi folks, the wave of chatbot is here, the phrase: “I am going to make an app that does …” is more often being replaced by: “I am going to make a chatbot that does …”

chatbot

Though it is logical and much better to provide services with chatbots instead of apps, it is not as simple as one thinks and if the chatbot is created poorly, it may actually be worse than an app that shows nothing but the homepage of the business.

The poorly made chatbots usually have the following characteristics:

  • Sounds like google: “What can I help you with today: “, as soon as you provide the answer, the reply pops up with what you are looking for, with limited possibility of carrying a conversation.
  • Sounds like a webform in chat format: “OK, so you want to do this, can you tell me A?”, the user provides the answer to A and then: “Thanks, can you tell me B?”, and the answer to B is provided, and so on, until the user has punched in all the answers from A to Z. (Imagine the frustration when the user finds out that the chatbot can’t help them after all the answer is provided and then refer you to a human colleague.)
  • Sounds like a receptionist: “Thanks for your inquiry, but unfortunate am I not able to help with your request, please contact one of our colleague at …”

There are two key elements in a chatbot that is often ignored:

  • The human touch: How to package the service into a conversation that is human like.
  • The knowledge base: Without a good knowledge base, there will be no service to provide.

The human touch

A lot of chatbots were made with an app mentality which is to provide the service using chat format. Note that once you are on the chatbot game, the purpose is no longer just to provide the service, but actually to build customer relationship (there are many who try also to build customer relationship with apps, good luck with that). Imagine how you feel going into a service desk trying to get something done and then was met with many questions that makes you feel more interrogated than serviced. The experience could be much better if instead a nice conversation carryed through the service process and the questions were embedded into the conversation.

Some quick suggestions:

  • Spend some time designing on the conversation flow, to make it as human like as possible. Research shows that even though customers was being serviced by a chatbot they still expect the same level of service as if it was by a human CSR. This investment has an unlimited ROI as a good service is what keeps customers on the chatbot which will provide the upside of the ROI.
  • Try to have a dynamic way of gathering information based on the incoming message, tone, and customer. It may be more complex technically, but it is actually what separates a good chatbot and a bad chatbot.

Don’t worry that customer think is is timewasting to have a conversation with the chatbot, should the customer be in a hurry and knows exactly what he / she wants, they would have used the app. Besides, when the chat session is connected to some sort of sentiment analysis, it would be easier to pick up an impatient customer and kick off the alternative chat flow.

The knowledge base

Do you know anyone who can carry a good conversation without a good (or any) knowledge base? I do, his name is Donald Trump (Ok, bad joke). But seriously, a good conversation flow alone doesn’t cut it for anyone who are looking for help.

To build a knowledge base, you need data, you need training and lots of training, then you need to test run it internally before it creates enough confidence to roll out to the public. The testing of a knowledge base is something new and only exists in machine learning og cognitive systems. To those who were not aware of the time it requires, and struggle with a deadline to launch, the risk of rolling out a chatbot which is not properly trained is high. Unfortunately, to roll out a chatbot that is not ready is worse than not rolling out a chatbot at all.

Try also not to make a knowledge base that can “everything”, the training will be exponentially more complex and time consuming. Try to stay focused and rather start the conversation by stating what the chatbot can help with.

Chatbot is a fun topic and the possibility is endless, do it correctly and you will have happy customers who are excited to save cost for your business.