Tijdens het Intelligent Assistant Congres in London, georganiseerd door Opus Research, gaven technologieleveranciers hun visie op de veranderingen in interactie tussen bedrijven en hun klanten. Daarnaast gaven verschillende bedrijven een kijkje in de keuken bij de ontwikkeling van hun intelligente assistenten.

Vanuit Opus Research is een intelligente assistent:
– Software dat acteert als een menselijke assistent of in staat is deze te vervangen
– Snapt het doel en de context van de klant
– Geeft doelmatige informatie of voert de beoogde taak uit
– Wordt slimmer naarmate deze vaker wordt gebruikt
– Interacteert met de klant op een natuurlijke, interactieve manier.

Botsplotion

De lead-analyst en founder van Opus Research, Dan Miller, trapte af met een mooi overzicht van het ’Intelligence Assistance’ landschap. Een totaalbeeld van alle leveranciers in het veld van ‘conversational technologies’ (spraakherkenning en chatbots) tot ‘intelligent assistance technologies’ (analytics, semantic search en machine learning). Met de groeiende populariteit van o.a. berichtendiensten, NLP en machine learning heeft er de afgelopen jaren een explosie van (chat)bot toepassingen plaatsgevonden: een botsplosion!

Uitdagingen

Tijdens verschillende presentaties en paneldiscussies werden de grootste uitdagingen van intelligente assistenten aangehaald:

– Self-service: Vanuit de consument is er een groeiende vraag naar self-service. Echter zullen intelligente assistenten de rol van de mens nooit helemaal over kunnen nemen. Daarom moet de juiste synergie worden gevonden tussen mens en machine.

– Wildgroei: Er is een grote behoefte aan het structureren en richting geven aan de wildgroei van virtuele assistenten. We willen bijvoorbeeld geen aparte assistent voor elke toepassing; een voor Uber, een voor vliegen, etc. De ultieme oplossing zou zijn dat ‘mijn’ assistent alles voor me regelt en het vervoer regelt door een aanvraag uit te zetten, waar Expedia, Skyscanner en anderen tegen elkaar op kunnen bieden, zodat ik de beste aanbieding krijg, passend bij mijn voorkeuren.

– Vertrouwen: Gebruikers staan positief tegenover het gebruik van virtuele assistenten. De efficiëntie, eenduidige antwoorden en overal en altijd bereikbaar, zijn van grote meerwaarde ten opzichte van de traditionele klantcontactkanalen. Echter blijft voor veel gebruikers nog ondoorzichtig wat er met hun data gebeurt. Veel data wordt gebruikt voor marketingdoeleinden. Om virtuele assistenten succesvol in te zetten is vertrouwen het kernwoord. Dit kan door een combinatie van (meer)waarde bieden, transparant zijn in het proces, door een natuurlijk gesprek en de gebruiker altijd de controle te laten behouden over persoonlijke informatie.

Use cases

Het was ook interessant om te horen hoe organisatie al bezig zijn met het inzetten van intelligente assistenten.

Swedbank
Martin Kedbäck, channel owner bij de Swedbank, is verantwoordelijk voor de implementatie van Nina; een virtuele assistent op basis van technologie van Nuance. In de eerste 3 maanden behandelde Nina gemiddeld 30.000 conversaties per maand, waarvan 78% direct werd opgelost. In die gevallen krijgt de klant wat hij nodig heeft en is dus geen verdere assistentie nodig. Het interessante aan de statistieken is dat vooral het aantal conversaties flink blijft stijgen (inmiddels meer dan 41.000). Het bleek dat wanneer mensen goed worden geholpen, ze sneller terugkomen met vragen. Nina wordt ingezet in 2 levels: extern, bij het afhandelen van (vooral simpele herhaaldelijke) vragen, en intern, om medewerkers te ondersteunen (‘next best action’).

Ticketbis
Andreia Ferreira, Live Chat manager bij Ticketbis (een online platform waar gebruikers veilig hun tickets voor allerlei soorten events kunnen kopen en verkopen) heeft een implementatie van een virtuele assistent gerealiseerd op basis van Inbenta technologie. Na deze implementatie is het aantal chatgesprekken met medewerkers met 80% afgenomen, alsmede het e-mail verkeer met 20%. Wanneer de assistent geen antwoord weet, wordt dit opgeslagen. Na verloop van tijd ontstaan clusters van kennishiaten, zodat de content curatoren vraag-antwoorden toe kunnen voegen aan het systeem.

Shell
Mark Raynes, Technology Manager bij Shell, nam ons mee in het selectie en ontwikkelproces om te komen tot hun virtuele assistent. Uiteindelijk kwam Artificial Solutions voor Shell het beste uit de bus. Samen hebben zij een virtuele assistent gemaakt die voor een 40% call reductie heeft gezorgd en in staat is om 74% van de vragen direct zelf op te lossen. Hierdoor kunnen de technische experts zich focussen op de meer complexere vraagstukken van hun Gold en Platinum accounts. Daarnaast kan de chatbot ook helpen, wanneer hij het antwoord niet goed weet, de vraag door te zetten naar de juiste persoon via het meest geschikte kanaal.

Geleerde lessen

– Kerncomponenten: Context van de klant (locatie, kanaal, device) en de kennisbank op orde hebben, zijn de kerncomponenten voor een succesvolle intelligente virtuele assistent van vandaag. Een goede kennisbank zorgt er ook voor dat zowel de virtuele assistent als de contactcentermedewerkers eenduidige antwoorden kunnen geven.

– Verandering van de rol van de medewerker: Ondanks dat vaak wordt gedacht dat Intelligente assistenten het werk over gaan nemen van medewerkers, blijkt dit maar gedeeltelijk waar te zijn. Al is het doel om kosten te besparen, vooral de rol van medewerkers zal veranderen en daarmee ook de competenties die gevraagd worden. Doordat de virtuele assistent steeds meer (simpele) vragen kan beantwoorden, zullen er kosten kunnen worden bespaard door een reductie in het callcenter. Daar staat tegenover dat nieuwe rollen nodig zijn om de virtuele assistent te laten ‘leren’ en te updaten. Ook kunnen medewerkers zich richten op complexere problemen en vragen van de klant.
Medewerkers krijgen dus een andere rol en wordt niet overbodig: ”Machines should do what do machines do best, and humans should do, what humans do best.” Zo zijn machines beter in het verwerken van gigantische hoeveelheden data en herhaaldelijke acties. Mensen zijn onmisbaar als het gaat om handelingen waar empathie vereist is. Ook kunnen ze elkaar versterken en kan de assistent werk uit handen nemen door bijvoorbeeld op websites de basisvragen alvast uit te vragen, zodat de medewerker dit niet meer hoeft te doen.

– Onvoorziene effecten: Door onder andere de eenduidige en snelle reacties van de virtuele assistent, zijn gebruikers steeds tevredener. Waar veel bedrijven pas achter kwamen na de implementatie van hun virtuele assistent, was dat deze tevredenheid leidde tot een hoger aantal interacties: Mensen komen vaker terug en stellen ook meer vragen. Echter kan de assistent deze toename aan interacties eenvoudig opvangen.

– Mensenwerk: De intelligentie van de huidige virtuele assistenten, zit vooral in de dialoog met de klant – ook wel ‘Natural Language Processing’ (NLP) genoemd. Dit wordt gebruikt om de vraag of klacht van de klant te snappen. Vaak is het mensenwerk om antwoorden te koppelen aan vooraf gedefinieerde vragen. Om dit zo goed mogelijk te kunnen doen, is het van belang dat dit gebeurd door ervaren content managers die de organisatie goed kennen.

– Het systeem leren: Ondanks dat het voor veel toepassingen van de huidige virtuele assistenten nog toekomstmuziek is, werd er veel gesproken over Artificial Intelligence en Machine Learning. Om dit succesvol op te zetten, moeten deze system worden geïmplementeerd in het klantcontactcentrum. Een intelligente virtuele assistent is in staat om te ‘leren’, waardoor deze op steeds meer vragen antwoorden weet. In het klantcontactcentrum is daarvoor een perfecte locatie. Data over historische klantinteractie is hierbij van onschatbare waarde. Ook kunnen systemen over de schouder van medewerkers meekijken en zo ‘ervaring opdoen’.
Gecontroleerd leren, blijkt de juiste manier om een virtuele assistent op te leiden. Zo bleek begin dit jaar bijvoorbeeld dat Tay, de chatbot van Microsoft, racistische opmerkingen begon te maken, doordat gebruikers de bot uit gingen testen, hoever hij zou gaan. Daarnaast is het van belang de mogelijkheid te hebben om altijd te achterhalen waarom een systeem bepaalde beslissingen maakt. Zo kunnen fouten worden gecorrigeerd of kan er op tijd worden ingegrepen.
Elk bedrijf heeft zijn eigen unieke ontologie (een soort woordenboek dat alle benamingen en terminologieën bevat die een organisatie gebruikt). Het kost daarom tijd om een systeem goed in te richten. Na implementatie worden er altijd foute of missende antwoorden in de beslisboom ontdekt. Door een lerend systeem kan een deel van de fouten in de beslisboom worden gecorrigeerd. Echter zijn er nog altijd medewerkers nodig om een deel met de hand te verbeteren en om missende informatie aan te vullen. Langzaam zal een machine meer en meer kennis opdoen en zal de assistent meer overnemen van menselijke servicemedewerkers.