5 проблема с AI чатбот, които ви струват клиенти
Проблемите с AI чатбот могат тихо да ви струват клиенти. Пет предупредителни знака, че вашият бот намалява реализациите в обслужването на клиенти, и как да отст...
7 мин четене
AI
Chatbots
+2
AI чатбот за поддръжка на клиенти, който постоянно не уцелва целта, почти винаги се дължи на една от шест поправими причини: остаряла база от знания, нетestван Flow, неправилно зададен праг на прехвърляне, недостатъчно мощен модел, езиково несъответствие или липса на преглед на грешките. Ето как да диагностицирате кой проблем имате и да го поправите без пълно преизграждане.
В тази статия:
- Поправка 1: Базата от знания на вашия AI чатбот за поддръжка на клиенти е непълна или остаряла
- Поправка 2: Flow-ът никога не е тестван с реални формулировки
- Поправка 3: Прагът на прехвърляне е зададен неправилно
- Поправка 4: AI моделът е недостатъчно мощен за въпросите, които получавате
- Поправка 5: Езиковото покритие не съвпада с вашите клиенти
- Поправка 6: Никой не преглежда какво ботът греши
Повечето екипи настройват AI чатбот за поддръжка на клиенти веднъж, наблюдават го да работи добре първите няколко седмици и спират да му обръщат внимание. После ескалациите започват да се покачват, клиентите започват да се повтарят и никой не може да каже точно защо, защото никой не е погледнал какво всъщност се проваля.
Поправка 1: Базата от знания на вашия AI чатбот за поддръжка на клиенти е непълна или остаряла
Това е най-честата причина и най-лесната за проверка. Чатботът знае само това, което се съдържа в свързаните с него източници на знания. Ако даден продукт се е променил, политика е обновена или нова функция е пусната, а изходното съдържание не е актуализирано, ботът уверено ще даде стария отговор.
Извадете списъка с въпроси, които ботът греши най-често, и проверете всеки от тях спрямо действителното съдържание на източника. Ако в източника информацията липсва напълно, това е пропуск в обхвата. Ако източникът я съдържа, но ботът пак я греши, самото съдържание може да е лошо структурирано, скрито или противоречащо на друго място в същия източник.
Например, актуализация на ценова страница, която променя броя включени места в даден план, мълчаливо ще развали всеки чатбот отговор за този план, докато някой не актуализира базата от знания, за да съвпада.
Поправка 2: Flow-ът никога не е тестван с реални формулировки
Flow, изграден и тестван само с подредени, добре формулирани тестови въпроси, се държи различно от тестван с това как клиентите всъщност пишат. Реалните въпроси са по-къси, по-неформални и често им липсва контекст, който един подреден тестов въпрос би включвал.
Извадете двадесет реални клиентски съобщения от историята на тикетите си — колкото по-разхвърляни, толкова по-добре — и ги пуснете ръчно през Flow-а. Отбележете всяко място, където отговорът е грешен, непълен или технически правилен, но объркващ. Само това упражнение обикновено разкрива повече реални проблеми от седмица агрегирани показатели.
Ако екипът ви също разчита на AI асистент за отговори за изготвяне на проекти на отговори за агентите, същите проблеми с базата от знания, които развалят чатбота, ще се появят и там, тъй като и двете функции черпят от едно и също основно съдържание.
Готови ли сте да надградите бизнеса си?
Пробвайте LiveAgent безплатно и се убедете сами.
Поправка 3: Прагът на прехвърляне е зададен неправилно
Чатботът на LiveAgent ви позволява да зададете минимален брой AI отговори, преди прехвърляне към човек да стане достъпно, или да оставите AI агента да реши сам кога да прехвърли. Ако настроите тази опция неправилно в която и да е посока, ще изглежда като проблем с производителността, когато всъщност е конфигурационен проблем.
Задайте прага твърде високо и клиентите ще зациклят в безполезни бот отговори, преди да стигнат до човек. Задайте го твърде ниско и ботът ще ескалира въпроси, които е можел да обработи, което увеличава процента на ескалация и губи времето на агентите със запитвания, които изобщо не са имали нужда от човек.
Прегледайте тази настройка заедно с действителните си данни за ескалация, а не само веднъж при настройката. Това, което е било правилно за по-малък обем тикети или по-тесен кръг от въпроси, може да се нуждае от корекция, докато обхватът на чатбота ви расте.
Поправка 4: AI моделът е недостатъчно мощен за въпросите, които получавате
Не всеки AI модел обработва многочастни или двусмислени въпроси еднакво добре. Модел, който се справя отлично с прости запитвания от често задавани въпроси, може да започне да се проваля, когато клиентите задават многослойни въпроси, изискващи свързване на две или три части информация.
Това си струва да проверите последно, а не първо. Ъпгрейд на модела няма да поправи непълна база от знания или нетestван Flow, а екипите, които прескачат направо към смяна на модела, често откриват, че същите грешки продължават, защото истинският проблем никога не е бил моделът. След като базата от знания и Flow-ът са стабилни, ако сложните въпроси с разсъждение все още се провалят, тогава по-силен модел оправдава цената си. Доставчиците на модели публикуват собствени бенчмаркове за разсъждение и следване на инструкции точно за това сравнение — струва си да проверите, преди да предположите, че всеки модел обработва многочастни въпроси по един и същи начин.
Абонирайте се за бюлетина
Най-новите съвети и оферти директно във вашата поща.
Поправка 5: Езиковото покритие не съвпада с вашите клиенти
Чатботът може да отговаря на повече от 100 езика в зависимост от свързания AI модел, но езиковата поддръжка работи толкова добре, колкото и основната база от знания на този език. База от знания, написана и поддържана само на английски, ще произвежда по-бедни и по-неточни отговори за клиенти, пишущи на друг език, въпреки че ботът технически го “поддържа”.
Проверете обема на тикетите си по език спрямо това колко от вашата база от знания реално съществува на всеки от тях. Несъответствие тук изглежда точно като общ проблем с производителността, но решението е превод на изходното съдържание, а не пипане на Flow-а или модела.
Поправка 6: Никой не преглежда какво ботът греши
Чатбот, който е бил добре настроен при пускането, не остава такъв сам. Продуктите се променят, клиентите започват да задават нови видове въпроси и Flow, който е покривал всичко преди три месеца, тихо спира да покрива това, което клиентите всъщност питат днес.
| Сигнал за седмична проверка | Какво обикновено означава |
|---|---|
| Процентът на ескалация расте | Обхватът вече не съвпада с реалните въпроси |
| Един и същ грешен отговор, повторен | Базата от знания е остаряла по тази тема |
| Нови модели на формулировки в тикетите | Flow се нуждае от повторно тестване спрямо актуалния език |
| CSAT спада при тикети, решени от бота | Ботът “решава” тикети, с които клиентите не са били доволни |
Задайте редовен седмичен преглед на неуспешните и ескалираните разговори за първия месец след всяка промяна, след това преминете към месечен, когато числата се стабилизират. Това е единствената поправка в този списък, която не е еднократна промяна. Това е навикът, който засича останалите пет, преди да се превърнат в модел, който клиентите забелязват.
Ако все още избирате между платформи, вместо да поправяте съществуваща, нашето ръководство за как да изберете AI чатбот покрива същите шест области от гледна точка на купувача, преди да се ангажирате с дадена настройка.
Преминете през тези шест причини в ред, преди да предположите, че цялата настройка се нуждае от подмяна. Повечето екипи откриват, че истинският проблем е един конкретен, поправим пропуск, а не фундаментален дефект в самия чатбот. AI чатботът на LiveAgent прави повечето от тези лостове — бази от знания, прагове на прехвърляне и избор на модел — директно конфигурируеми, така че поправянето на една от тези причини обикновено отнема следобед, а не преизграждане.
