Paramètres de cookie
Accédez à tous les outils et informations nécessaires au cycle de vie du client chez Odigo en vous rendant sur notre portail client
Les interactions automatisées sont de plus en plus fréquentes dans les parcours client des entreprises de secteurs tels que le commerce et la banque. Les efforts visant à combiner intelligence humaine et systèmes automatisés, par le biais du traitement automatique du langage naturel (NLP), et plus particulièrement de la compréhension du langage naturel (NLU), ont pour but de proposer une meilleure expérience client.
Imaginez la scène suivante : nous sommes en pleine période de Noël et les conseillers de votre centre de contacts sont en train de se préparer à gérer un grand nombre d’interactions avec vos clients. Par exemple, le parent affolé à qui il manque encore une partie des cadeaux pour ses enfants ; le chef de projet épuisé qui doit une nouvelle fois vérifier les heures d’ouverture du magasin ; une personne qui cherche à résoudre un problème de Wi-fi pour pouvoir connecter sa nouvelle PS5 le matin de Noël.
Cependant, certains problèmes nécessitent des connaissances plus pointues que d’autres. Les clients peuvent alors être confrontés à des temps d’attente plus longs. Le fait que les conseillers doivent gérer chaque interaction fait perdre au centre de contacts en efficacité. C’est à ce moment-là que l’intelligence artificielle (IA) a un rôle à jouer dans l’optimisation de la charge de travail de vos conseillers.
Plus nous avançons dans le temps, plus les interactions automatisées prennent de l’importance dans le parcours client. Au cours des 12 derniers mois, 67 % des consommateurs dans le monde ont interagi avec un chatbot pour obtenir une assistance client. Même si les clients préfèrent dans certains cas interagir avec un humain, des solutions comme les bots omnicanaux et des serveurs vocaux interactifs (SVI) pilotés par l’IA sont de plus en plus appréciés par les clients pour résoudre rapidement des problèmes simples.
La technologie des systèmes de réponse automatisée progresse également. Les leaders technologiques tels que Google font aujourd’hui davantage d’efforts pour mieux intégrer intelligence humaine et systèmes automatisés, afin d’offrir une meilleure expérience client. En matière d’IA, les algorithmes de traitement du langage naturel, savent maintenant traiter le langage textuel reçu lors d’interactions avec les clients par des canaux tels que le live chat ou la messagerie instantanée.
Dans le commerce, certaines entreprises ont même testé le NLP dans des environnements physiques, comme en témoigne le déploiement d’assistants automatisés en magasins. Le NLP permet d’identifier le contexte et de comprendre la parole et le texte afin de trier plus efficacement les informations, et donc les demandes clients.
La compréhension du langage naturel (NLU) est un sous-domaine du traitement du langage naturel (NLP). Le NLU identifie les nuances du langage et déduit les significations cachées ou abstraites du texte ou de la voix. Il s’agit d’une technologie qui peut permettre une qualification plus efficace des appels, car les moteurs NLU peuvent être programmés à comprendre la terminologie de secteurs spécifiques tels que le commerce, la banque, les services publics, etc. Par exemple, la signification d’un mot simple comme « premium » dépend du contexte et de la nature de l’entreprise avec laquelle le client interagit.
Lorsqu’un conseiller reçoit un appel, le NLU peut l’aider en lui suggérant les meilleures actions à entreprendre durant l’appel en cours. Un outil Real-Time Agent Assist peut, lui, aider à la prise de notes et à la saisie de données. Il utilise les informations récoltées lors des conversations pour savoir ce qu’il pourrait être utile de récupérer dans la base de connaissances et fournir des conseils comportementaux en temps réel. Tout cela sert à suggérer les meilleures actions à entreprendre pour proposer une excellente expérience client.
Les bots omnicanaux peuvent être très performants s’ils sont bien alimentés en données. Plus une solution basée sur le NLU intègre d’informations linguistiques, plus elle est en mesure d’aider les clients, en acheminant les appels plus efficacement par exemple. Cela est possible grâce au machine learning (ML), qui permet à un algorithme d’apprendre de ses expériences passées, notamment des conversations avec les clients.
Le machine learning peut aussi reconnaître efficacement la signification de ce qui est dit par le client, en extrayant automatiquement les informations clés sans devoir faire appel à un conseiller. Ainsi, les requêtes simples (comme celles concernant les horaires d’un magasin) peuvent être traitées rapidement pendant que les conseillers concentrent leur énergie sur des problèmes plus sérieux, comme le dépannage d’une connexion Internet. Tout cela contribue à améliorer l’expérience client et l’efficacité de votre centre de contacts.
Un système automatisé doit savoir faire preuve de politesse avec le client et se familiariser avec ses problèmes, surtout si celui-ci est un client régulier. Dans le service client, il est important d’aller à la racine du problème rapidement. En termes de relation client, il est important de pouvoir répondre rapidement au problème du client. Lui montrer que vous connaissez bien sa situation est la cerise sur le gâteau.
Il est toutefois important de ne pas forcer les traits humains de ces bots, au risque d’égarer les clients. À cause de l’effet dit de la »vallée de l’étrange« , ou en anglais “uncanny valley”, les interactions avec les machines peuvent parfois devenir dérangeantes. Pour l’éviter, il convient de s’assurer que les bots sont programmés pour refléter des caractéristiques humaines sans chercher à trop les imiter. Si les bots s’occupent de demandes peu complexes, cela libère du temps pour les conseillers, qui peuvent se concentrer sur des tâches pour lesquelles leurs compétences sont vraiment nécessaires. Il ne s’agit donc pas de remplacer entièrement les conseillers.
Le NLU est un composant important du NLP qui peut faire une grande différence dans le service proposé par votre centre de contacts. Odigo offre des solutions CCaaS qui s’intègrent facilement aux solutions NLU d’autres éditeurs. Notre sélection permet à nos clients d’adopter la solution qui correspond le mieux aux besoins de leur entreprise, leur offrant ainsi la flexibilité nécessaire. Demandez à Google, dont Dialogflow CX s’intègre parfaitement à la solution CCaaS d’Odigo pour vous permettre de bénéficier d’une technologie NLP et NLU de pointe.
La résolution au premier appel (FCR, pour First Call resolution, en anglais) est un indicateur de performance largement répandu dans les centres de contacts. Découvrez comment augmenter le taux de résolutions de votre centre de contacts grâce à des expériences de qualité axées sur la satisfaction client.
Dans quelle mesure la gestion du temps, la gestion des connaissances et la technologie peuvent –elles réduire le temps de traitement moyen sans impacter l’expérience client?. Le temps de traitement de moyen (AHT pour average handling time, en anglais) est un indicateur utilisé dans le call center.