IA : Le rôle de l’apprentissage automatique dans l’expérience client

Le service client n’est plus seulement le domaine des humains. En effet, les machines dotées d’une intelligence humaine sont de plus en plus utilisées pour aider les agents à satisfaire les clients.

Regardez les statistiques.

Selon Zoominfo, 80 % des commerciaux et marketers déclarent déjà utiliser l’intelligence artificielle, en particulier un logiciel de chatbot, dans leur expérience client ou prévoient de le faire d’ici 2020. Juniper, pour sa part, prévoit que les chatbots seront responsables d’économies de coûts de plus de 8 milliards de dollars par an d’ici 2022.

En résumé, il est indéniable que l’IA continuera à jouer un rôle majeur dans le service client, et l’expérience client en général, dans les années à venir. Il est intéressant d’avoir une bonne maîtrise de ce qu’elle est réellement. Dans cet article, examinons l’application de l’IA, l’apprentissage automatique, dans l’expérience client.

Apprentissage automatique

Selon Expert System, l’apprentissage automatique est une “application de l’intelligence artificielle qui donne aux systèmes la capacité d’apprendre automatiquement et de s’améliorer à partir de l’expérience sans être explicitement programmés.” Fondamentalement, l’objectif est de permettre aux machines d’apprendre automatiquement afin qu’elles puissent réagir en fonction des données qui leur sont fournies.

Prenons l’exemple des chatbots. Les chatbots donnent des réponses différentes en fonction des données qui leur sont fournies. Ainsi, par exemple, si vous demandez à “Sunshine”, le chatbot d’une société de fonds communs de placement, comment ouvrir un compte, il peut interpréter votre question correctement et vous répondre de cette façon :

Même lorsque vous ne posez pas de question (en bref, que vous saisissez des données), il vous donne cette réponse :

Le chatbot a interprété correctement l’absence de données.

L’apprentissage automatique permet aux chatbots d’apprendre quand ils doivent utiliser des réponses spécifiques. Il leur permet également de recueillir les informations nécessaires auprès des utilisateurs et de déterminer quand ils doivent passer le relais à un agent.

Vous vous demandez peut-être mais comment peuvent-ils faire cela ? Entrez dans les algorithmes.

Algorithmes d’apprentissage automatique

Un algorithme d’apprentissage automatique est un processus ou un ensemble de procédures qui aident un modèle à répondre aux données qui lui sont fournies. L’algorithme spécifie comment les données doivent être transformées de l’entrée à la sortie. Il précise également comment le modèle doit apprendre la cartographie tout au long du processus.

Il existe différents types d’algorithmes d’apprentissage automatique :

• Algorithme d’apprentissage automatique supervisé : Il peut appliquer ce qu’il a appris à de nouvelles données en utilisant des exemples étiquetés afin de prédire des événements. Il analyse un ensemble de données d’apprentissage connu, puis fait des prédictions sur les valeurs de sortie. Il peut également effectuer des comparaisons entre la sortie correcte et la sortie prévue et apporter des modifications.
• Algorithme d’apprentissage automatique non supervisé : Si les informations utilisées pour la formation ne sont ni classées ni étiquetées, ce type d’algorithme est utile. Il ne détermine pas quelle est la bonne sortie. Il explore les données et décrit ensuite les structures cachées à partir de données non étiquetées.
• Algorithme d’apprentissage automatique semi-supervisé : Comme le terme l’indique, cet algorithme utilise à la fois des données étiquetées et non étiquetées pour la formation, ce qui permet d’améliorer la précision de l’apprentissage.
• Algorithme d’apprentissage automatique par renforcement : L’algorithme permet essentiellement aux machines de déterminer le comportement idéal dans un contexte spécifique pour des performances optimales. Il est appelé algorithme d’apprentissage automatique par renforcement car un simple retour de récompense, ou un signal de renforcement, est nécessaire pour apprendre quelle action est la meilleure.

Pour mieux comprendre, voyons comment l’apprentissage automatique peut être appliqué spécifiquement au service client.

L’apprentissage automatique appliqué à l’expérience client

Les applications d’apprentissage automatique sont en fait plus répandues que le pensent de nombreuses personnes.

Ce manque de connaissances n’est pas surprenant puisque l’étude de l’apprentissage automatique a été reléguée au monde universitaire. Même à l’école, tous les étudiants n’étudient pas le sujet. Demandez autour de vous et vous verrez que seuls ceux qui se spécialisent en informatique ou dans d’autres cours liés à l’informatique seront vous dire ce qu’est l’apprentissage automatique.

Mais essayons de changer cela avec cet article. Voici des applications spécifiques d’apprentissage automatique qui sont utilisées :

Chatbots

Les chatbots, comme ceux que nous avons vus dans les exemples de la première partie de l’article, sont l’une des applications d’apprentissage automatique les plus utilisées dans le secteur du service client. En fait, comme les chatbots sont partout, Gartner affirme que 67 % des gens s’attendent déjà à les voir ou à les utiliser lorsqu’ils s’adressent à une entreprise.

Grâce à l’apprentissage automatique, les chatbots peuvent identifier avec précision le bon tag pour chaque conversation en utilisant le traitement du langage naturel. Le résultat est que le chatbot “lit” et comprend ce que vous dites. Une fois qu’il a compris ce que vous dites, il vous envoie la réponse appropriée (voir l’exemple “Sunshine” ci-dessus) ou vous dirige vers la bonne personne capable de traiter votre problème.

Plus le chatbot a eu de conversations, plus sa réponse sera correcte. Le retour d’information qu’il reçoit des clients qui indiquent si le taggage est correct ou incorrect permet également au chatbot d’améliorer ses performances.

Assistants virtuels

Les assistants virtuels sont souvent confondus avec les chatbots. Or, ce ne sont pas les mêmes. Les chatbots simulent une interaction avec un agent, tandis que les assistants virtuels se concentrent sur des étapes spécifiques du parcours client.

Si vous utilisez Microsoft, par exemple, vous pouvez demander oralement à Cortana quand l’été commence, et elle vous donnera les informations dont vous avez besoin.

Le truc, c’est que Cortana ne va pas seulement vous montrer ça quand vous le demandez :

Grâce au traitement du langage naturel qui imite les modèles de discours humains, elle vous donnera la réponse sur un ton qui simule le ton humain, créant ainsi des interactions plus intimes. Mais comment fonctionnent exactement les assistants virtuels comme Cortana, Siri d’Apple, Google Assistant et Alexa d’Amazon ?

Lorsque vous les activez, votre demande est envoyée aux serveurs appartenant à la société de votre appareil (c’est pourquoi vous devez être connecté à internet). Pendant ce temps, votre téléphone ou votre enceinte intelligente tente de déterminer s’il peut traiter la commande sans les informations du serveur. Une fois que la demande a atteint les serveurs, un algorithme analyse les mots et le ton de votre demande, et la fait correspondre à une commande qu’il pense que vous avez demandée.

Ainsi, dans notre exemple ci-dessus, l’algorithme de Cortana a clairement associé votre demande à la bonne commande. Mais que se passe-t-il si vous demandez quelque chose dont l’algorithme n’est pas sûr ? C’est alors que l’assistant virtuel peut vous dire “Vous vouliez dire _____ ?” ou “Je suis désolé, je ne peux pas faire ça”.

Outils de vérification des e-mails

Si vous vous êtes lancé dans une campagne d’e-mail marketing ou de sensibilisation par e-mail, chaque fois que vous envoyez vos e-mails, je suis sûr que vous vous assurez d’abord qu’ils ont été vérifiés par votre outil de vérification d’e-mail. Vous faites cela tout le temps car vous savez que lorsque des e-mails sont envoyés à des adresses e-mail non valides, ils sont renvoyés. Plus votre taux de rebond est élevé, plus votre score d’expéditeur diminue. Vous risquez donc de vous faire bloquer par les filtres anti-spam.

Mais vous êtes-vous déjà demandé comment fonctionnait exactement cet outil de vérification des e-mails ? Eh bien, c’est l’apprentissage automatique qui est en jeu. En d’autres termes, des algorithmes d’apprentissage automatique sophistiqués permettent à cet outil de vérification des e-mails de suivre les fournisseurs d’adresses jetables et d’analyser si un e-mail existe réellement ou non.

Une assistance pour les humains

Les utilisateurs d’Uber ont probablement contacté la société à un moment donné pour obtenir une assistance. Bien que ce soit toujours des agents humains qui fournissent directement une solution aux problèmes, devinez ce qui permet aux humains de le faire avec cette rapidité et cette précision ?

Grâce à COTA, le Customer Obsession Ticket Assistant d’Uber, les agents du service clientèle humain sont en mesure de fournir une solution précise aux milliers de tickets qui affluent quotidiennement sur la plateforme dans plus de 400 villes du monde.

Lorsque l’utilisateur d’Uber accède à l’application et répond à des questions sur le type de problème auquel il est confronté, il aide essentiellement COTA à “comprendre” le ticket grâce au traitement du langage naturel.

COTA achemine ensuite le ticket vers l’équipe appropriée. Grâce à des algorithmes d’apprentissage automatique, il détermine les trois solutions les mieux notées pour l’agent. Ce dernier choisit alors la solution qu’il juge la plus viable parmi celles qui lui ont été recommandées. C’est cette solution qui est proposée au client.

Selon Uber, l’amélioration de la gestion des tickets grâce à COTA a augmenté l’efficacité de 10%. “En améliorant les performances des agents et en accélérant les délais de résolution des tickets, COTA aide notre équipe Customer Obsession à mieux servir nos utilisateurs, ce qui se traduit par une satisfaction accrue des clients”, a déclaré Uber.

Uber a ajouté que la capacité de COTA à accélérer la résolution des tickets a permis à Uber d’économiser “des dizaines de millions de dollars chaque année”.

Outils d’analyse des comportements/tendances

Certaines entreprises utilisent l’apprentissage automatique pour analyser les tendances et les modèles comportementaux. C’est important car si vous savez comment vos clients se comportent, vous pouvez apporter les ajustements nécessaires à vos services et produits afin de mieux les servir. Si vous analysez les tendances, vous pouvez également faire des prédictions sur lesquelles baser vos décisions de développement commercial.

Codeacademy, une plateforme en ligne qui propose du codage, par exemple, utilise Solvvy pour analyser les tendances de recherche des clients. En faisant cela, elle a pu trouver les sujets que les clients recherchaient sans trouver de réponses. Le résultat ? Codeacademy a pu combler les lacunes nécessaires et réduire la charge de travail de son équipe de service client. Au final, les clients ont bénéficié d’un meilleur service.

Air Canada, pour sa part, a utilisé l’apprentissage automatique pour examiner des milliers de conversations avec les clients lors des réservations en ligne. En examinant les réclamations des clients, l’entreprise a déterminé les problèmes communs rencontrés par les clients lors de la réservation de billets et les a résolus. La compagnie a amélioré l’expérience client, et pu économiser sur les dépenses de main-d’œuvre pour le service client.

À partir de ces exemples, nous pouvons déduire les façons spécifiques dont l’apprentissage automatique optimise l’expérience client. En voici quelques-unes :

• Il offre un soutien et des conseils
• Il prédit les modèles et les tendances comportementales
• Il identifie les problèmes client
• Il contribue à améliorer le flux de travail
• Il automatise l’activité des agents
• Il personnalise l’expérience client

L’apprentissage automatique dans l’expérience client : Perspectives

Il est incontestable que l’apprentissage automatique, joue déjà un rôle majeur dans l’expérience client. Et les perspectives sont encore plus prometteuses, selon certains experts.

Selon Digital Information World, l’apprentissage automatique “va exploser”, car la demande des entreprises continue d’augmenter. Selon un article d’Oleksii Kharkovyna publié sur Towards Data Science, les outils d’apprentissage automatique vont continuer à “évoluer” et à offrir une expérience client optimisée. Et ce n’est pas du tout une surprise.

Les chatbots et les assistants virtuels n’ont pas encore atteint leur plein potentiel. Actuellement, certaines réponses des chatbots et des assistants virtuels sont erronées. Parfois, ils n’ont pas de réponses à des questions spécifiques, ou ne comprennent pas certaines questions.

À mesure que l’apprentissage automatique continue d’évoluer, les chatbots et les assistants virtuels disposeront d’une gamme complète de réponses dans leur base de données, et d’une meilleure maîtrise des données.

Dans quelques années, Cortana pourra répondre aux questions les plus complexes. Des réponses telles que “Vous vouliez dire _____ ?” ou “Je suis désolé, je ne peux pas faire ça” pourraient bien appartenir au passé. Peut-être pourrons-nous demander à Cortana de taper un document Word entier que nous le lisons à vois haute ?

Le futur de l’apprentissage automatique

Mais ce n’est pas seulement l’apprentissage automatique qui va évoluer. La demande d’apprentissage automatique par les entreprises qui souhaitent optimiser leur expérience client devrait augmenter.

Gartner prévoit que d’ici 2022, 72% des interactions avec les clients impliqueront une technologie émergente, telle qu’une application d’apprentissage automatique. Il s’agit d’une augmentation par rapport aux 11% enregistrés en 2017. D’ici 2021, le cabinet indique que 15% des interactions du service client devraient être entièrement traitées par ces outils. Il s’agit d’une augmentation de 400% par rapport à 2017.

La question est donc la suivante . Les applications d’apprentissage automatique vont-elles remplacer les agents ? Comme Gartner, P.V. Kannan et Josh Bernoff pensent que ce n’est pas le cas. Dans un article rédigé pour la MIT Sloan Management Review, ils affirment que l’avenir du service client réside en fait dans la collaboration entre la machine et l’homme.

Selon Kannan et Bernoff, il ne s’agit pas de se débarrasser des agents. Ils ajoutent que “lorsque les machines traitent les demandes de routine, les clients sont plus heureux. Et lorsque les agents se consacrent à des questions plus complexes ou lorsqu’ils répondent à des questions avec un robot qui fait des suggestions – ils fournissent un bien meilleur service”.