Tabla de contenidos
Introducción
La mayoría de los marcos de IA conversacional utilizados para crear asistentes digitales (chatbots y voicebots) tienen una consola de gestión aumentada con diales y gráficos sobre el rendimiento del chatbot.
A menudo, esto constituye una impresionante diapositiva de ventas o una presentación a los ejecutivos, pero no siempre traduce con precisión cuál es la verdadera calidad de la experiencia conversacional.
En general, los principales objetivos del asistente digital son:
- Automatizar la experiencia del cliente
- Ahorrar dinero y presentar un convincente retorno de la inversión (ROI)
- Mejorar la experiencia del cliente
Una de las razones por las que la automatización del teléfono/centro de llamadas y la CCAI están despegando es el hecho de que las empresas, como los bancos, las empresas de telecomunicaciones, etc., no quieren introducir otro canal, no quieren añadir otro dispositivo a su paisaje de experiencia del cliente. Quieren automatizar los canales y medios existentes, de los cuales las llamadas de voz constituyen la mayor parte y son las más caras de gestionar.
Traducción
Los diseños conversacionales deben traducirse en buenas experiencias de usuario.
La experiencia de usuario es lo que siente el usuario después de utilizar la interfaz. Por eso, el desarrollo orientado a la intención (iDD) es importante para juzgar con precisión lo que los usuarios quieren hablar.
Una buena fuente de intenciones de los clientes son las conversaciones de los usuarios, y especialmente las conversaciones del centro de llamadas. Las investigaciones han demostrado que un solo motivo para llamar a atención al cliente puede suponer entre el 40% y el 60% de las llamadas al centro de llamadas. Si estas llamadas y sus variaciones posteriores pueden automatizarse, el sistema demostraría su eficacia.
Se necesita una herramienta astuta para automatizar la categorización de las expresiones de los usuarios en intenciones, subintentos y, posiblemente, intenciones anidadas a varios niveles de profundidad.
Disponer de una lista de expresiones de los usuarios como la que se muestra a continuación es un buen comienzo y muy valioso. Pero segmentar estas expresiones en intenciones, teniendo en cuenta…
- Tamaño del clúster
- Granularidad
- Idioma
- Superposición de intenciones
- La categorización de las intenciones sub, sub, etc…
Exigir una herramienta automatizada con los diales y palancas para conseguir los resultados adecuados en la configuración de las intenciones.
Dato curioso
En una gran empresa realizamos 20.000 grabaciones. Estas grabaciones fueron transcritas meticulosamente por humanos.
Las mismas 20.000 grabaciones se pasaron por una API de reconocimiento automático del habla (ASR), con un modelo acústico entrenado a medida.
Ambos conjuntos de transcripciones (ASR y transcripción humana) se ejecutaron con la API NLU, y sólo se encontró una depreciación del 4% en el reconocimiento de intenciones en los datos transcritos por ASR.
Esto demuestra la precisión general y la madurez de la ASR, pero hay que tener en cuenta que se utilizaron las mismas grabaciones. El objetivo de este ejercicio era validar y probar el concepto de ASR.
Sin embargo, hay que tener en cuenta que los usuarios interactúan con un chatbot (interfaz conversacional basada en texto) de forma muy diferente a un voicebot. En un robot de voz, las expresiones del usuario serán más verbales, con entradas más largas y la ausencia de entradas de una sola palabra, como en el caso de las respuestas rápidas y los botones.
Métricas
Demasiadas métricas crean confusión y, en muchos casos, las métricas se centran en comportamientos que complementan el diseño del viaje. Los elementos de los viajes completados se vuelven importantes. Siempre se corre el peligro de optar por el volumen y la contención, y si esos indicadores son aceptables, aparentemente todo va bien.
Pero esto es lo importante a la hora de medir el éxito de un asistente digital:
- ¿Qué experimentó el cliente?
- ¿Se resolvieron sus intenciones?
- ¿Hasta qué punto el bot fue proactivo a la hora de crear conciencia contextual y resolver problemas secundarios o de raíz?
Estas cuatro métricas se mantienen mutuamente bajo control, una alta contención ejerce presión sobre las otras tres métricas. La mejora de NPS y CSAT ejercerá presión sobre la Contención. Negar a los clientes que regresan requiere tiempo para construir mejores recorridos y sacar aprendizajes de NPS.
Las cuatro métricas ideales a emplear son:
- El Net Promoter Score debe ser alto.
- La puntuación de satisfacción del cliente debe ser alta.
- La contención debe ser alta.
- Los clientes que regresan deben ser bajos.
Y equilibrar estas cuatro métricas, con un alto NPS, CSAT y Contención, y un bajo número de clientes que regresan en el mismo canal, requiere tiempo y esfuerzo para conseguirlo.
Puntuación del promotor neto (NPS)
El NPS puede ser una métrica muy dura, suele ser representativo del nivel general de producto y servicio de una organización. Por lo tanto, no siempre es representativo de un canal concreto.
El NPS de punto de contacto (tNPS) puede ser una forma de segmentar las calificaciones de NPS según el canal y el servicio. Y esto puede ser una indicación de dónde están las oportunidades de mejora. Cuando la contención es baja y se permite a los usuarios el acceso prioritario a los agentes, entonces el NPS y el CSAT son forzosamente más altos.
Puntuación de satisfacción del cliente
La CSAT se utiliza a menudo para medir un canal o un medio en particular, o un tramo concreto dentro de un chatbot. Y se utiliza en paralelo con NPS. Mientras que el NPS puede ser a nivel organizativo, el tNPS intenta medir un medio o canal concreto, y el CSAT mide un tramo o viaje dentro del agente.
La CSAT puede implementarse para remediar una parte concreta de la experiencia del usuario. Pero también es susceptible de ser inflado artificialmente por la contención de la caída.
Contención
La contención es básicamente el porcentaje de usuarios que no optan por la transferencia a un agente o la devolución de la llamada. Esto se puede «mejorar» simplemente no dando al usuario la opción de ir a un agente, o programar una devolución de llamada.
Esto dará lugar a buenas cifras de contención, pero el NPS y el CSAT serán mínimos. La forma de mejorar la contención es crear una experiencia conversacional excepcional y resolver la consulta del usuario. El mero hecho de bloquear a los usuarios de un agente no sólo hace bajar el NPS y el CSAT, sino también el número de clientes que vuelven.
Clientes que regresan
La métrica de clientes que regresan mide si un cliente ha utilizado el asistente digital y ha regresado o ha utilizado otro canal en un periodo de siete a diez días.
Es posible que los usuarios utilicen el chatbot, pero que luego opten por utilizar otro canal. Por ejemplo, en el caso de un chatbot deficiente, los usuarios podrían optar por llamar al centro de llamadas, acudir a un centro de atención, o utilizar el correo electrónico, la aplicación, etc. Esto significa que el usuario no recibe ayuda a través del agente digital, como se supone. Sino que opta por hacer uso de otro canal.
Un elevado número de clientes que regresan añade presión a otros canales, no ofrece la automatización prometida y muestra que los clientes votan con sus pies.
Esta métrica también es bastante dura, ya que las dos visitas podrían no estar relacionadas, pero el reto reside aquí en que el agente conversacional construya una conciencia contextual y resuelva las consultas de forma proactiva.
Conclusión
La ventaja de NPS es que crea una vía para llegar a los clientes, mantener una conversación y entender el motivo de su valoración. En muchos casos, la negatividad del usuario no está directamente relacionada con el chatbot o el voicebot. Sino que está relacionada con el producto, el servicio y la organización.
Esto requiere un esfuerzo colectivo y el agente conversacional se convierte en un mecanismo, o al menos en un contribuyente importante, para aumentar el NPS y el CSAT de toda la empresa.