Un chatbot AI per l’assistenza clienti che continua a sbagliare bersaglio ha solitamente una di sei cause risolvibili. Ecco come diagnosticare e risolvere ciascuna, senza dover ricostruire tutto.
In questo articolo:
La maggior parte dei team configura un chatbot AI per l’assistenza clienti una volta, lo vede funzionare bene per le prime settimane e smette di prestarci attenzione. Poi le escalation aumentano gradualmente, i clienti iniziano a ripetersi e nessuno sa dire esattamente perché, perché nessuno ha guardato cosa sta effettivamente fallendo.
Questa è la causa più comune in assoluto ed è la più facile da verificare. Un chatbot sa solo ciò che contengono le knowledge base a cui è collegato. Se un prodotto è cambiato, una policy è stata aggiornata o una nuova funzionalità è stata rilasciata e i contenuti fonte non sono stati aggiornati di conseguenza, il bot continuerà a dare con sicurezza la vecchia risposta.
Preleva l’elenco delle domande a cui il bot risponde peggio più spesso e verifica ciascuna rispetto ai contenuti fonte effettivi. Se la fonte non contiene affatto l’informazione, è un problema di ambito. Se la fonte la contiene ma il bot sbaglia comunque, il contenuto stesso potrebbe essere strutturato male, nascosto o contraddetto altrove nella stessa fonte.
Ad esempio, un aggiornamento della pagina dei prezzi che modifica i posti inclusi in un piano farà fallire silenziosamente ogni risposta del chatbot su quel piano finché qualcuno non aggiorna la knowledge base per allinearla.
Un Flow costruito e testato solo con domande di test ordinate e ben formulate si comporta diversamente da uno testato con il modo in cui i clienti scrivono davvero. Le domande reali sono più corte, meno formali e spesso prive del contesto che una domanda di test ordinata includerebbe.
Preleva venti messaggi reali dei clienti dalla cronologia dei ticket, più sono disordinati meglio è, e esegui il Flow manualmente. Prendi nota di ogni punto in cui la risposta è sbagliata, incompleta o tecnicamente corretta ma confusa. Questo singolo esercizio di solito fa emergere più problemi reali di una settimana di metriche aggregate.
Se il tuo team utilizza anche un Assistente Risposte AI per redigere le risposte degli operatori, gli stessi problemi di knowledge base che bloccano il chatbot si presenteranno anche lì, poiché entrambe le funzionalità attingono dagli stessi contenuti sottostanti.
Prova LiveAgent gratis e scopri la differenza.
Il chatbot di LiveAgent ti consente di impostare un numero minimo di risposte AI prima che un trasferimento a un operatore umano diventi disponibile, o lasciare che sia l’agente AI a decidere autonomamente quando trasferire. Imposta questa opzione in modo sbagliato in entrambe le direzioni e sembrerà un problema di prestazioni quando in realtà è un problema di configurazione.
Imposta la soglia troppo alta e i clienti rimarranno bloccati in un ciclo di risposte del bot poco utili prima di poter parlare con una persona. Impostala troppo bassa e il bot farà escalation per domande che avrebbe potuto gestire, gonfiando il tasso di escalation e sprecare tempo degli operatori su richieste che non avevano mai bisogno di un umano.
Analizza questa impostazione insieme ai tuoi dati di escalation effettivi, non solo una volta in fase di configurazione. Ciò che era giusto per un volume di ticket più piccolo o per un insieme più ristretto di domande potrebbe aver bisogno di aggiustamenti man mano che l’ambito del tuo chatbot cresce.
Non tutti i modelli AI ragionano allo stesso modo su domande multi-parte o ambigue. Un modello che gestisce bene semplici ricerche FAQ può iniziare a fallire quando i clienti pongono domande stratificate che richiedono di collegare due o tre informazioni insieme.
Vale la pena verificarlo per ultimo, non per primo. Un aggiornamento del modello non risolverà una knowledge base incompleta o un Flow non testato, e i team che passano direttamente a un cambio modello spesso scoprono che gli stessi fallimenti persistono perché il vero problema non era mai stato il modello. Una volta che la knowledge base e il Flow sono solidi, se le domande di ragionamento complesso continuano a fallire, è allora che un modello più potente giustifica il suo costo. I fornitori di modelli pubblicano i propri benchmark di ragionamento e rispetto delle istruzioni proprio per questo confronto, vale la pena controllarli prima di presumere che tutti i modelli gestiscano allo stesso modo le domande multi-parte.
I migliori consigli e offerte direttamente nella tua casella.
Il chatbot può rispondere in più di 100 lingue a seconda del modello AI collegato, ma il supporto linguistico funziona solo quanto la knowledge base sottostante in quella lingua. Una knowledge base scritta e mantenuta solo in inglese produrrà risposte più deboli e meno accurate per i clienti che scrivono in qualsiasi altra lingua, anche se il bot tecnicamente la “supporta”.
Controlla il volume dei ticket per lingua rispetto a quanto della tua knowledge base esiste effettivamente in ciascuna lingua. Una discrepanza qui appare esattamente come un problema generale di prestazioni, ma la soluzione è tradurre i contenuti fonte, non toccare il Flow o il modello.
Un chatbot ben calibrato al lancio non rimane tale da solo. I prodotti cambiano, i clienti iniziano a fare nuovi tipi di domande e un Flow che copriva tutto tre mesi fa smette silenziosamente di coprire ciò che i clienti chiedono oggi.
| Segnale da controllare settimanalmente | Cosa significa di solito |
|---|---|
| Tasso di escalation in aumento | L’ambito non corrisponde più alle domande reali |
| Stessa risposta sbagliata, ripetuta | La knowledge base è obsoleta su quell’argomento |
| Nuovi schemi di formulazione nei ticket | Il Flow necessita di un nuovo test con il linguaggio corrente |
| CSAT in calo sui ticket risolti dal bot | Il bot “risolve” ticket con cui i clienti non erano soddisfatti |
Imposta una revisione settimanale regolare delle conversazioni fallite e oggetto di escalation per il primo mese dopo qualsiasi modifica, poi passa a mensile una volta che i numeri si stabilizzano. Questa è l’unica soluzione di questo elenco che non è un intervento una tantum. È l’abitudine che individua le altre cinque prima che diventino uno schema che i clienti notano.
Se stai ancora decidendo tra piattaforme invece di risolvere i problemi di una esistente, la nostra guida su come scegliere un chatbot AI copre le stesse sei aree dal punto di vista dell’acquirente, prima di impegnarti in una configurazione.
Esamina queste sei cause in ordine prima di presumere che l’intera configurazione vada sostituita. La maggior parte dei team scopre che il vero problema è un divario specifico e risolvibile, non un difetto fondamentale del chatbot stesso. Il chatbot AI di LiveAgent rende la maggior parte di queste leve — knowledge base, soglie di trasferimento e scelta del modello — direttamente configurabili, quindi risolvere una di queste cause richiede di solito un pomeriggio, non una ricostruzione.
Condividi questo articolo
Adam è il content manager di LiveAgent. È sinceramente entusiasta di ciò che gli agenti AI possono togliere dal carico di un team di assistenza, e altrettanto sospettoso verso qualsiasi automazione che costringa il cliente a fare più fatica per farsi capire.
I problemi dei chatbot AI possono farti perdere clienti in silenzio. Cinque segnali d'allarme che il tuo bot sta danneggiando le conversioni nel servizio client...
Hai implementato un assistente virtuale AI ma i ticket non calano? Diagnostica e risolvi le sei cause principali dello scarso rendimento degli assistenti AI con...
Configurare un bot di assistenza clienti AI in LiveAgent richiede sei passaggi su due sistemi. Ecco l'ordine, cosa fa ogni passaggio e cosa testare per primo.
Unisciti alla nostra comunità di clienti soddisfatti e fornisci un'eccellente assistenza clienti con LiveAgent.
Consenso Cookie
Usiamo i cookie per migliorare la tua esperienza di navigazione e analizzare il nostro traffico. See our privacy policy.
