Intelligence Artificielle au service de la Relation Clients : Mythes et Réalité

La révolution de l’intelligence artificielle est annoncée.

Après avoir révolutionné les jeux (les échecs avec Deep Blue d’IBM en 1997 – 20 ans déjà ! -, Jeopardy avec Watson du même IBM en 2011 et le jeu de Go avec AlphaGo de Google l’année dernière), l’intelligence artificielle s’apprêterait à transformer radicalement le service client : le grand soir prendra la forme d’interfaces conversationnelles intelligentes, les fameux chatbots, qui répondront à toutes les demandes des clients au travers de dialogues élaborés, aussi bien via le texte (sur tous les canaux digitaux : réseaux sociaux, applications mobiles ou sites Web) que via la voix (sur le canal téléphonique).

Rapides dans les échanges, précis dans leurs réponses, auto-apprenants, offrant un service personnalisé, capable de réaliser des actes métiers (achat, réservation, …), ces chatbots se substitueraient bientôt aussi bien aux agents des centres de contacts (ces derniers se limitant qu’aux demandes les plus complexes) qu’aux apps mobiles et interfaces web (dont l’interface utilisateur ne sera jamais aussi intuitive que le langage naturel que tout humain maîtrise depuis le plus jeune âge).

Révolution pour les clients en termes d’expérience, révolution pour les entreprises en termes de productivité et d’efficacité, les chatbots s’apprêteraient donc à bouleverser la relation clients.

Une révolution rendue possible par des innovations technologiques aujourd’hui matures et accessibles.

De manière paradoxale, les interfaces conversationnelles dans des situations de service client existent depuis longtemps. Les « avatars » qui équipent de nombreux sites Internet sont, fonctionnellement, des chatbots texte, puisqu’ils offrent leurs services (souvent de la recherche dans des bases documentaires ou des catalogues) au travers d’une fenêtre de dialogue ; de même, les serveurs vocaux interactifs en langage naturel (qui existent depuis plus de 10 ans) arrivent à comprendre les phrases prononcées par les clients et orientent ceux-ci soit vers un self-service adapté (solde du compte, par exemple), soit vers l’agent capable de leur répondre.

Il est vrai que ces interfaces sont limitées, au niveau de la compréhension (les avatars se limitent le plus souvent à détecter des mots clés dans les phrases des clients) comme du dialogue (les questions se limitent en général à demander à l’utilisateur de reformuler sa demande).

Tout change avec le machine learning. Pour le dire simplement, cette technologie permet, après un apprentissage, de reconnaitre un motif (« pattern »). Dans le cas de la relation clients, cela permet en particulier d’identifier l’intention du client, c’est-à-dire son besoin : l’apprentissage consiste à donner au moteur de machine learning des exemples de phrases de clients, en précisant pour chacune l’intention correspondante. Pour être efficace, cet apprentissage doit être initial (avant la mise en production du chatbot), puis continu (en particulier dans les premières semaines : si le moteur n’arrive pas à reconnaître l’intention avec suffisamment de fiabilité, une intervention humaine est nécessaire). Les résultats sont réellement impressionnants, un moteur d’intelligence bien entraîné obtient des résultats qui n’ont pas grand-chose à envier à l’intelligence humaine.

Par contre, il est important que cet apprentissage soit supervisé, c’est-à-dire réalisé par un opérateur fiable ; sinon le risque est important de corrompre la capacité du moteur à fonctionner efficacement. C’est la mésaventure qu’a connu Microsoft en 2016 avec son chatbot Tay : le moteur utilisant les réponses des utilisateurs pour son apprentissage, des dérives ont rapidement été observées conduisant à l’abandon du projet par Microsoft.

Là encore, les algorithmes de machine learning n’ont rien de nouveau, puisqu’ils ont été développés il y a plusieurs décennies. Ce qui a changé, c’est qu’ils sont maintenant facilement accessibles, que cela soit au travers de logiciels open source efficaces ou d’API prêtes à l’emploi (Google, Amazon, Microsoft ou IBM en proposent chacun, par exemple).

Au-delà du machine learning, tout un ensemble de technologies sont aujourd’hui matures et accessibles, et rendent possible la construction de chatbots : speech to text, text to speech, API management… Last but not least, les réseaux sociaux ont préparé la voie à l’usage par le grand public de la conversation écrite comme moyen d’expression et de communication.

Le chatbot texte pour la relation clients : une réalité récente.

Les chatbots se comptent aujourd’hui par milliers sur les réseaux sociaux tels que Facebook Messenger ou Baidu, qui permettent aux entreprises d’utiliser des interfaces simples pour programmer des dialogues en mode texte.

Paradoxalement, la plupart de ces chatbots n’utilisent pas l’intelligence artificielle : l’écrasante majorité ne recourt qu’à des questions fermées pour alimenter les dialogues ; et quand des questions ouvertes, en langage naturel, sont posées, les réponses sont analysées soit par un simple moteur de recherche interrogeant une base documentaire (avec une efficacité limitée de fait), soit par… un vrai humain se cachant derrière une interface de chat.

La capacité de traitement automatisé de ces chatbots, dans le cadre d’un service client, est donc limitée aux demandes très simples. Pour aller plus loin dans la complexité, et donc dans l’élargissement du périmètre d’action du chatbot, il faut aller chercher plus de sophistication :

  • Engager la conversation avec le client via le canal digital de son choix : réseau social, application mobile, site Web ou Intranet.
  • Assurer l’identification et l’authentification de l’utilisateur, si besoin en se connectant à la base clients de l’entreprise.
  • Analyser la demande du client, exprimée en langage naturel, via le machine learning pour détecter l’intention du client et repérer des informations complémentaires (par exemple une date, un lieu, un modèle).
  • Mobiliser un moteur de dialogue pour poser une succession de questions ouvertes ou fermées permettant de qualifier et d’approfondir la demande du client, sans poser de questions inutiles (redemander une date, par exemple) et en utilisant autant que de besoin des informations présentes dans le SI (profil de clients, disponibilité produit, par exemple).
  • Fournir à l’issue du dialogue les informations pertinentes (texte, lien web, document pdf, vidéo, …) ou les services adaptés via des interconnexions SI : consultations d’information et surtout transactions (pouvant aller jusqu’à l’achat en ligne directement depuis le chatbot).

Construire un tel service n’est pas si simple. Si de nombreuses start-ups peuvent apporter certaines briques isolées (Yseop pour la génération du dialogue par exemple), les éditeurs en capacité de fournir l’ensemble de ces fonctionnalités de manière intégrée (tels que IBM avec Watson Conversation, Microsoft Bot Framework ou Prosodie avec Concierge) sont plus rares.

De plus, pour proposer un service end-to-end complet, il est nécessaire de compléter ces solutions :

  • Fournir au moteur d’intelligence artificielle des corpus d’intentions pertinents pour l’apprentissage initial.
  • Mettre en place des assistants opérateurs pour assurer l’apprentissage supervisé du chatbot après le démarrage.
  • Décrire pour chacune des intentions le dialogue le plus pertinent (en termes métiers) et le plus robuste (c’est-à-dire prévoyant tous les cas, y compris quand l’utilisateur change d’avis ou veut revenir en arrière) : la modélisation de dialogues efficaces et sa programmation demande en pratique un réel niveau d’expertise et de savoir-faire, rare aujourd’hui.
  • Permettre la mise en relation de l’utilisateur avec un vrai agent, si le chatbot n’est pas en mesure de traiter la demande du client, via un click to chat ou un click to call, tout en assurant la transmission à l’agent des informations recueillies par le chatbot au cours du dialogue.
  • Enfin garantir la sécurité des échanges, en fournissant un hébergement adapté (par exemple certifié HDS, si des données de santé sont échangées) ou en permettant un fonctionnement on premise au sein de l’entreprise.

C’est avec cet ensemble de fonctionnalités qu’un chatbot est réellement capable de tenir ses promesses : engager une conversation anytime / anywhere / any device, comprendre finement la demande du client, conduire le dialogue « comme le ferait un vrai agent », fournir la réponse au client pour toute demande d’une complexité simple ou moyenne, et sinon transmettre la demande à un vrai agent après qualification complète ; et ainsi garantir à la fois une expérience client au standard du digital et un ROI pour l’entreprise (augmentation du self-service et efficacité dans les échanges avec le centre de contacts).

Avec un tel dispositif, les applications pour les entreprises sont immenses, aussi bien dans la relation clients externe (retail, banque, assurance, …) qu’externe (service desk informatique, assistance sur les procédures, par exemple).

Le chatbot voix, une offre émergente.

Le chatbot voix représente le graal de l’automatisation du service client : parce que le téléphone est toujours et de loin le canal privilégié de la relation clients, et parce que les coûts des centres d’appels sont pour les entreprises très importants.

Le principe d’un chatbot voix est simple en première approche : en synthèse, il s’agit en amont de transcrire la voix en texte, puis d’utiliser un chatbot texte avec des dialogues adaptés, et en aval de vocaliser la réponse.

Par contre, la réalisation effective est beaucoup plus complexe : la plupart des éditeurs de solution de chatbot ne proposent que des boîtes à outils composées d’API, sans garantir le taux de reconnaissance du speech to text ni le temps de latence de bout en bout, sans parler du fait que la langue française est rarement prise en compte…

L’objectif en fin de compte est de se rapprocher du niveau de services offert aujourd’hui par les solutions de serveur vocal interactif en langage naturel, tout en offrant une capacité de dialogue beaucoup plus étendue.

Enfin, l’utilisation d’un chatbot sur la voix plutôt que sur le texte offre aux entreprises des fonctionnalités plus avancées, telles que la biométrie vocale pour identifier et authentifier un client sans couture, l’analyse d’émotion pour vérifier que le dialogue se passe bien, ou même le choix d’une voix synthétique adaptée au profil du client.

Les entreprises doivent se lancer maintenant.

L’intelligence artificielle au service de la relation clients, loin d’être un mythe, est donc aujourd’hui une réalité. Les entreprises doivent s’y préparer : les études que nous avons menées démontrent que, suivant les secteurs et les cas d’application, les chatbots sont en mesure de traiter de manière automatisées entre 10 et 40% des demandes clients, et pour le reste de réduire de 10 à 30% le temps de traitement par un vrai agent ; le tout avec une expérience réellement plébiscitée par les utilisateurs, en particulier – mais pas seulement – auprès de la génération Y et des Millennials.

Comme toute technologie digitale nouvelle, la mise en œuvre d’un Most Valuable Product (MVP) sur un périmètre maîtrisé (une sélection d’intentions) est recommandée : il s’agit à la fois d’éprouver le service en situation réelle et de valider les hypothèses de rentabilité économique.

Prosodie-Capgemini aide les entreprises à passer à l’action en réunissant toutes les conditions de succès : nous apportons à la fois une solution complète de chatbot voix et texte, un service end-to-end facturé à l’usage, et une approche conseil pour identifier les cas d’usage métier et construire le business case.

Je vous invite à venir écouter le témoignage client de la MGEN sur l’intelligence artificielle, le jeudi 20 avril de 10h à 11h au Petit Amphithéâtre Verdi sur le Salon Stratégie Clients, inscrivez-vous vite.

A propos de l'auteur

Thomas Saint Hilaire
VP Conseil Analytics

Déposer un commentaire

Votre adresse mail ne sera pas publiée. Les champs obligatoires sont marqués *.

*
*


6 − = quatre

Vous pouvez utiliser ces balises et attributs HTML : <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>