5 AI Chatbot-problemer, der koster dig kunder
AI chatbot-problemer kan stille og roligt koste dig kunder. Fem advarselstegn på, at din bot skader konverteringer i kundeservice, og hvordan du løser hvert enk...
7 min læsning
AI
Chatbots
+2
En AI-kundesupportchatbot, der bliver ved med at ramme ved siden af, kan næsten altid spores tilbage til én af seks løsningsmulige årsager: en forældet videnskilde, et utestet Flow, en forkert indstillet overførselstærskel, en for svag model, en sprogmismatch eller at ingen gennemgår, hvad den rent faktisk får forkert. Sådan diagnosticerer du, hvilken du har, og retter den uden en komplet genopbygning.
I denne artikel:
- Rettelse 1: Din AI-kundesupportchatbots vidensbase er ufuldstændig eller forældet
- Rettelse 2: Flowet blev aldrig testet mod rigtige kundeformuleringer
- Rettelse 3: Overførselstærsklen er forkert indstillet
- Rettelse 4: AI-modellen er for svag til de spørgsmål, I får
- Rettelse 5: Sprogdækningen matcher ikke jeres kunder
- Rettelse 6: Ingen gennemgår, hvad den får forkert
De fleste teams opsætter en AI-kundesupportchatbot én gang, ser den fungere fint de første par uger og holder så op med at være opmærksomme. Så sniger eskaleringer sig op, kunder begynder at gentage sig selv, og ingen kan sige præcis hvorfor, fordi ingen har kigget på, hvad der rent faktisk fejler.
Rettelse 1: Din AI-kundesupportchatbots vidensbase er ufuldstændig eller forældet
Dette er den allerhyppigste årsag og den nemmeste at tjekke. En chatbot ved kun, hvad dens tilsluttede videnskilder indeholder. Hvis et produkt ændrede sig, en politik blev opdateret, eller en ny funktion blev lanceret, og kildeindholdet ikke blev opdateret med det, vil chatbotten selvsikkert give det gamle svar.
Træk listen over spørgsmål, chatbotten oftest får forkert, og tjek hvert enkelt mod det faktiske kildeindhold. Hvis kilden mangler oplysningen helt, er det et hul i omfanget. Hvis kilden har det, men chatbotten stadig får det forkert, kan indholdet være dårligt struktureret, begravet eller modsagt andre steder i samme kilde.
For eksempel vil en prissideopdatering, der ændrer et plans inkluderede pladser, stille og roligt ødelægge alle chatbotsvar om den pågældende plan, indtil nogen opdaterer videnskilden så den matcher.
Rettelse 2: Flowet blev aldrig testet mod rigtige kundeformuleringer
Et Flow, der er bygget og testet kun med pæne, velformulerede testspørgsmål, opfører sig anderledes end et, der er testet mod, hvordan kunder rent faktisk skriver. Virkelige spørgsmål er kortere, mindre formelle og mangler ofte kontekst, som et pænt testspørgsmål ville inkludere.
Træk tyve rigtige kundebeskeder fra jeres sagshistorik, jo mere rodede jo bedre, og kør dem manuelt gennem Flowet. Notér hvert sted, hvor svaret er forkert, ufuldstændigt eller teknisk korrekt, men forvirrende. Denne ene øvelse afslører som regel flere reelle problemer end en uges aggregerede målinger.
Hvis jeres team også bruger en AI Answer Assistant til at udarbejde agentsvar, vil de samme videnskildeproblemer, der ødelægger chatbotten, også dukke op der, da begge funktioner trækker fra det samme underliggende indhold.
Klar til at løfte din kundeservice?
Prøv LiveAgent gratis og oplev forskellen selv.
Rettelse 3: Overførselstærsklen er forkert indstillet
LiveAgents chatbot lader dig indstille et minimumsantal AI-svar, før en overførsel til en medarbejder bliver tilgængelig, eller lade AI-agenten selv bestemme, hvornår den skal overføre. Få denne indstilling forkert i begge retninger, og det ligner et præstationsproblem, når det i virkeligheden er et konfigurationsproblem.
Sæt tærsklen for højt, og kunder sidder fast i en cyklus af uhensigtsmæssige botsvar, før de kan nå frem til en person. Sæt den for lavt, og chatbotten eskalerer spørgsmål, den kunne have håndteret, hvilket puster jeres eskaleringsrate op og spilder medarbejdertid på henvendelser, der aldrig havde brug for en medarbejder.
Gennemgå denne indstilling sammen med jeres faktiske eskaleringsdata, ikke kun én gang ved opsætning. Hvad der var rigtigt for et mindre sagsvolumen eller en snævrere vifte af spørgsmål, kan have brug for justering, efterhånden som jeres chatbots omfang vokser.
Rettelse 4: AI-modellen er for svag til de spørgsmål, I får
Ikke alle AI-modeller ræsonnerer lige godt gennem flerdelte eller tvetydige spørgsmål. En model, der håndterer simple FAQ-opslag fint, kan begynde at fejle, når kunder stiller lagdelte spørgsmål, der kræver at forbinde to eller tre informationsstykker.
Dette er værd at tjekke sidst, ikke først. En modelopgradering løser ikke en ufuldstændig videnskilde eller et utestet Flow, og teams, der hopper direkte til en modelændring, oplever ofte, at de samme fejl fortsætter, fordi det virkelige problem aldrig var modellen. Når videnskilden og Flowet er solide, hvis komplekse ræsonnementsspørgsmål stadig fejler, er det tidspunktet, hvor en stærkere model tjener sin pris. Modeludbydere offentliggør deres egne benchmarks for ræsonnement og instruktionsfølgning til netop denne sammenligning – værd at tjekke, før man antager, at alle modeller håndterer flerdelte spørgsmål på samme måde.
Tilmeld dig vores nyhedsbrev
De nyeste tips og tilbud direkte i din indbakke.
Rettelse 5: Sprogdækningen matcher ikke jeres kunder
Chatbotten kan svare på over 100 sprog afhængigt af den AI-model, den er forbundet til, men sprogunderstøttelse fungerer kun så godt som den underliggende videnskilde gør på det pågældende sprog. En videnskilde, der kun er skrevet og vedligeholdt på engelsk, vil producere tyndere, mindre præcise svar til kunder, der skriver på andre sprog, selvom chatbotten teknisk set “understøtter” det.
Tjek jeres sagsvolumen fordelt på sprog mod, hvor meget af jeres videnskilde der rent faktisk findes på hvert enkelt sprog. En mismatch her ligner præcis et generelt præstationsproblem, men rettelsen er at oversætte kildeindhold, ikke at røre ved Flowet eller modellen.
Rettelse 6: Ingen gennemgår, hvad den får forkert
En chatbot, der var veltunet ved lancering, forbliver ikke sådan af sig selv. Produkter ændrer sig, kunder begynder at stille nye slags spørgsmål, og et Flow, der dækkede alt for tre måneder siden, holder stille og roligt op med at dække, hvad kunder rent faktisk spørger om i dag.
| Tegn at tjekke ugentligt | Hvad det normalt betyder |
|---|---|
| Eskaleringsraten stiger | Omfang matcher ikke længere rigtige spørgsmål |
| Samme forkerte svar, gentaget | Videnskilde er forældet om det emne |
| Nye formuleringsmønstre i sager | Flow har brug for gen-test mod aktuelt sprog |
| CSAT falder på bot-løste sager | Bot “løser” sager, kunder ikke var tilfredse med |
Aftal en fast ugentlig gennemgang af mislykkede og eskalerede samtaler den første måned efter enhver ændring, og gå derefter over til månedligt, når tallene holder sig stabile. Dette er den eneste rettelse på denne liste, der ikke er en engangsændring. Det er den vane, der fanger de fem andre, før de bliver et mønster, kunderne lægger mærke til.
Hvis I stadig er i gang med at vælge platform frem for at rette en eksisterende, dækker vores guide til sådan vælger du en AI-chatbot de samme seks områder fra en købers perspektiv, før I forpligter jer til en opsætning.
Gå gennem disse seks årsager i rækkefølge, før I antager, at hele opsætningen skal udskiftes. De fleste teams opdager, at det virkelige problem er ét specifikt, løsningsmuligt hul, ikke en grundlæggende fejl i selve chatbotten. LiveAgents AI-chatbot gør de fleste af disse håndtag – videnskilder, overførselstærskler og modelvalg – direkte konfigurerbare, så det at rette en af disse årsager tager som regel en eftermiddag, ikke en genopbygning.
