Situation

Notre client, une compagnie d'assurance européenne opérant en Suisse, dispose d'un chat de support client très fréquenté. Le nombre de demandes des clients augmente de jour en jour. La pression sur les agents de chat a augmenté et il était difficile d'assurer une bonne qualité des réponses. L'objectif du client était de soutenir ses agents de chat et de les rendre plus efficaces. Nous les avons aidés à intégrer à l'interface existante une solution d'intelligence artificielle qui propose des réponses aux questions des clients.

Approche

1. Prétraitement des chats :
Cette étape a consisté à nettoyer les chats disponibles et à identifier les questions posées par les clients et les réponses fournies par les agents d'assurance. En utilisant les techniques de Pattern Mining et d'Extraction d'Information, nous avons structuré les dialogues en fonction des tours de parole du client et de l'agent, nous avons reconnu les tours non pertinents tels que les salutations et nous avons obtenu un ensemble de haute qualité de paires de questions et de réponses.

2. Entraîner les chatbots
Afin d'exploiter les informations extraites, nous avons utilisé diverses approches, notamment la technologie de pointe Deep Learning, pour entraîner différents chatbots sur les paires de questions et de réponses extraites. Les bots résultants ont été capables de répondre à de nouvelles questions avec un haut degré de précision.

3. Proposer des réponses aux agents
Une fois les chatbots formés, nous sommes passés au temps réel. Pour chaque nouvelle question d'un client, nous avons utilisé un mélange des différents bots pour proposer aux agents trois réponses appropriées qu'ils peuvent facilement intégrer et modifier si nécessaire. Comme il y a toujours des questions qui sont très spécifiques au client et auxquelles il est difficile de répondre automatiquement, nous avons introduit un système de notation pour les réponses, qui donne à l'agent un aperçu rapide de la précision des réponses.

4. Boucle d'auto-apprentissage
Nous enregistrons soigneusement toutes les réactions et les comportements des agents face aux réponses proposées. Nous avons utilisé ces données comme base pour l'implémentation d'une boucle d'auto-apprentissage dans le système d'IA. Cela permet au chatbot de s'adapter rapidement et de s'améliorer encore plus.

Grâce à la solution d'Intelligence Artificielle de pointe fournie par Open Web Technology, le client a pu augmenter le nombre de demandes de chat traitées par agent. En même temps, il a pu assurer une haute qualité des réponses des agents. Sur l'ensemble des questions de chat posées, dans 60% des cas, l'intention et le sujet ont été correctement identifiés, ce qui constitue une bonne base pour un Chatbot à intention d'entité.

4
étapes
+15%
des demandes traitées par agent
+60%
des questions correctement identifiées

En savoir plus sur ce projet

Aidez-nous à améliorer notre site web
Pour améliorer le contenu et votre expérience, nous utilisons des cookies à des fins d'analyse.
Refuser tous les cookies