Organisation

Chatbot paradox: waarom chatbots juist voor meer contact zorgen

De belofte van minder klantcontact voor medewerkers, of het afvangen van de makkelijkere vragen, maken chatbots mateloos populair. In Europa wordt een jaarlijkse groei van 30% in de chatbot markt verwacht. Rasa (open source chatbot) heeft afgelopen week 26 miljoen dollar opgehaald en Gartner ziet chatbots als één van de top-trends in AI. Maar toch zien we vaak dat de business case tegenvalt en klanttevredenheid daalt bij de inzet van chatbots.

Chatbot zorgt soms voor meer contact

De business case voor een chatbot wordt veelal gemaakt op het reduceren van onnodig klantcontact voor medewerkers. De belofte is dat de makkelijke vragen (bijv. vragen over openingstijden) kunnen worden opgevangen door een chatbot en de moeilijkere vragen overblijven voor de medewerkers. Om de makkelijkere vragen te beantwoorden krijgt de chatbot een vooraanstaande plek op de website. Dit zorgt er echter voor dat de bezoeker niet meer op de site gaat zoeken naar het antwoord, maar meteen een vraag stelt aan de chatbot.

Vervolgens snapt de chatbot nog lang niet alle vragen.  Waardoor je, als klant, wordt doorgestuurd naar een medewerker. Met als gevolg dat er niet alleen meer contact met een medewerker plaatsvindt maar er ook irritaties bij de klant kunnen ontstaan.

“Ik ben nog aan het leren”

Net als een menselijke medewerker, moet een chatbot leren. Iedereen die af en toe met een chatbot spreekt, herkent de zin “ik begrijp je vraag nog niet, ik ben nog aan het leren”. Het kan zijn dat de chatbot je vraag niet herkent omdat je de vraag op een andere manier stelt dan dat de chatbot heeft geleerd. De chatbot kan dan bijvoorbeeld  zinnen herkennen als: “wat zijn jullie openingstijden?”, maar nog niet de vraag  “Tot hoe laat kan ik langskomen morgen?” Daarnaast kan het ook zijn dat de chatbot gewoonweg nog niet de functionaliteit heeft om je specifieke vraag te herkennen.

Het leerproces & analytics

Het verbeteren van een chatbot is een continu proces. Het begint veelal met een onderzoek naar de meest voorkomende onderwerpen / klantvragen en wat daar de “makkelijke” vragen onder zijn, op basis van afboekcodes. De chatbot wordt ingesteld en vervolgens wordt er gekeken naar hoe vaak welke vragen worden gesteld. Echter, zoals we net hebben gezien, herkent de bot de intentie vaak nog niet of wordt de vraag op een wijze gesteld die de bot nog niet heeft geleerd. Deze twee bottlenecks komen niet terug in dergelijke onderzoeken.

Om hier juist wel inzicht in te krijgen, gebruikten wij Tailo in een gaaf project binnen Broad Horizon: samen met een groep collega’s hebben wij Britt ontwikkeld. Britt is een Artificial Receptionist.  Een voicebot die je op een vriendelijke manier welkom heet bij kantoren zonder receptie. Hier gebruiken we Tailo als centraal onderdeel in het leerproces; welke vragen stelt de bezoeker, op wat voor manier worden die vragen gesteld en wanneer had Britt het goed. Zo wordt Britt steeds slimmer en kan ze steeds meer vragen beantwoorden. Lees hier meer over hoe we dit doen.

Jeroen Kromme

Leave a Reply