Digital Transformation War

Published on maggio 1st, 2017 | by Alessandro Sisti

0

Progettare ed implementare un Chatbot Messenger

Social Sharing

SCARICA FREE L’EXECUTIVE SUMMARY IN PPT

 

Un estratto dal mio nuovo libro Digital Transformation War (in uscita a fine maggio) sui Chatbot Messenger e Conversational Commerce (acquisti veicolati da shop assistant virtuali con interfaccia di linguaggio naturale)

 

Facebook Chatbot Messenger e Conversational commerce

 

Nell’aprile dello scorso anno, Facebook ha lanciato il nuovo servizio di chabot messenger per i milioni di aziende di ogni dimensione e settore che hanno una Fan Page nel social network. Il chatbot è un robot conversazionale, che comprende le domande e le interazioni testuali degli utenti, automatizzando un processo di conversazione all’interno del messenger di Facebook, con utilizzi nelle customer care e nel c.d conversational commerce (interfaccia di linguaggio naturale per facilitare la ricerca e l’acquisto dei prodotti nei catalogi dei retailer omnicanale).

Nel supporto Facebook Developers sono descritte le principali funzionalità del Chatbot:

  • Mandare e ricevere API: Questa funzionalità include la possibilità di ricevere testo, immagini e rich media
  • Creare template per generici messaggi:Le persone preferiscono fare “tap” su un pulsante a video e vedere immagini, piuttosto che imparare un nuovo linguaggio per interagire con il chatbot. Questo è il motivo per cui nell’interfaccia sono strutturati messaggi con call to action, scroll orizzontali, urls, postbacks.
  • Welcome Screen e messaggio di invito all’azione: agli sviluppatori è stata data la possibilità di personalizzare l’esperienza di conversazione, con l’invito ad attivare la conversazione nell’ambito del dominio di riferimento del bot.

 

Fig 4.18 Message Card e Struttura dei messaggi dei chatbot di Facebook (fonte: Supporto Facebook)

 

La comprensione di conversazioni complesse è resa possibile dal motore di intelligenza artificiale di Wit.ai, che impara con un algoritmo machine learning dalle message card degli utenti. Wit.ai trasforma il linguaggio naturale in dati strutturati per comprendere il contesto del chatbot, alimentando conversazioni per raggiungere gli obiettivi di business del cliente.Entrando nell’interfaccia utente di Wit.ai, si accede ad una prima pagina in cui viene chiesto di assegnare il nome all’applicazione, la lingua, l’accesso privato e/o pubblica della community degli sviluppatori al bot. La programmazione procede poi per fasi. Understand, per comprendere l’intento del consumatore che interroga il bot; converse, per fornire la corretta risposta alla richiesta del consumatore; infine l’integrazione per interrogare applicazioni esterne. Ogni conversazione viene definita Storia, ed è costituita da un esempio di frase che viene inserita nel campo “user says” per consentire al chatbot di individuare l’intento della conversazione. Nella frase “Come è il tempo a Roma?” l’intento del consumatore viene individuato dalla keyword Tempo, mentre alla parola Roma si assegna il significato del luogo per cui sono richieste le previsioni. L’interfaccia di programmazione ha un ampio numero di intenti pre-impostati (come la data per la previsione e la location), a cui possono essere aggiunte specifiche variabili relative all’ambito di operatività del chatbot. Se fossimo un retailer di e-commerce, le categorie di prodotto potrebbero essere incluse tra gli intenti, con keyword specifiche o testo libero che fanno comprendere al chatbot quale tipologia di prodotti sta cercando, come pure lo specifico brand e/o il colore del prodotto. Nella programmazione possono essere inserite ulteriori frasi che consentono di classificare la richiesta al bot. Ad esempio, “C’è il sole o piove oggi a Roma?”, piuttosto che “Quali sono le previsioni del tempo a Roma” rappresentano modi diversi con cui si possono chiedere le previsioni del tempo.Si possono poi dare istruzioni sul sentiment delle frasi, assegnando alle parole chiave un valore positivo o negativo. La risposta del bot viene assegnata attraverso un comando specifico (Get_Forecast), che fornisce al consumatore la previsione per la città che aveva richiesto, interrogando attraverso connessione con API la specifica applicazione del meteo da cui trarre i dati.In molti casi, prima di arrivare ad un comando specifico la conversazione viene utilizzata per precisare meglio le richieste del consumatore.

Fig.4.19 Interfaccia di sviluppo di Wit.ai (fonte: Wit.Ai)

 

Nel front end del messenger le conversazioni sono presentate nella forma di Message Card, costituite da testo ed un immagine. Sotto la message card è possibile inserire dei link testuali (generalmente tre) che consentono di semplificare il primo accesso dell’utente ai servizi richiesti. In alcuni casi la risposta del bot è costituita da più message card o da tab di selezione. In basso è presente un menu’ di navigazione fino a 5 voci. Prendiamo il caso di un consumatore che cerca un nuovo paio di cuffie wireless su E-bay e proviamo a vedere il possibile flusso delle conversazioni

Chatbot “Buongiorno come Posso Aiutarti”?

Utente “Vorrei comprare un paio di cuffie bluetooth”

Chat Bot “Preferisci un brand in particolare?” Tab Bose Tab Sony Tab Panasonic

Utente “Tab Bose”

Chatbot “Che ne pensi di questa selezione?”

Message Card Prodotto 1 Message Card Prodotto 2 Message Card Prodotto 3….

 

Sotto ogni message card ci sono link che invitano l’utente a vedere il prodotto sul sito e-commerce o di avere un ulteriore proposta di prodotti simili a quello scelto. Subito dopo il lancio dei chatbot messenger, sul mercato sono comparsi i primi sistemi di programmazione senza codice, che aiutano le piccole imprese a costruire lo schema di navigazione a blocchi di domande / risposte di un bot di media complessità, istruendo con frasi di esempio il motore di intelligenza artificiale di Facebook. Chatfuel, azienda californiana specializzata in programmazione di chatbot sui diversi messenger (Kik, Telegram, Facebook) ha rilasciato un tool di content management system che può essere utilizzato gratuitamente fino a 100.000 interazioni. Il sistema, con una interfaccia funzionale grafica, consente di creare la struttura di message card con immagini, testo e link, proponendo dei chatbot tutorial già pronti per essere utilizzati dai ristoranti nelle attività di prenotazione tavoli.

Appartenendo per età anagrafica alla generazione X (sono nato tra il 1963 ed il 1980), non rappresento il segmento di marketing più prossimo all’utilizzo dei messenger: il mio utilizzo della applicazione di facebook è praticamente nullo e sulla bacheca posto al massimo 1-2 volte alla settimana. Aiutato da mia figlia 22enne, ho provato a testare alcuni chatbot di aziende del retail che ritengo interessanti. Nel fare il benchmark ho identificato alcuni parametri per la valutazione ed il ranking dei bot. Sono partito innanzitutto dalla value proposition, cercando di capire se il robot fosse davvero unico e veramente utile nella risoluzione di un problema, analizzando poi il flusso di navigazione e l’interfaccia conversazionale. Ho verificato che la personalità ed il tono della comunicazione fossero in linea e coerenti con il brand. Infine, ho identificato l’utilizzo del bot nel funnel della conversione (Il robot mi aiuta di più nella fase di conoscenza del prodotto, è pensato per incrementare gli acquisti on-line e/o off-line per fidelizzarmi e/o risolvere un problema di customer care?). Sono partito con ll chatbot messenger di Sephora, la catena distributiva mondiale del beauty del gruppo LVMH. Il robot conversazionale è pensato per aiutarmi a trovare il prodotto che più si intona al colore della mia pelle. Per ora la scelta è ridotta alla sola categoria dei lipstick, per massimizzare l’efficacia del robot nella comprensione delle domande e per ridurre il numero di passaggi necessari per arrivare a trovare il prodotto. Mi chiede gentilmente di caricare una mia foto per verificare quali lipstick sono più adatti al colore della mia pelle. Una volta identificato il tono colore, mi ha proposto le sue ipotesi di rossetto. Ho potuto scegliere tra le schede dei prodotti indicati, e il bot mi ha poi restituito la foto con la visualizzazione del rossetto in realtà aumentata, perfettamente disegnato sul contorno labbra. Se fossi stato davvero intenzionato a comprare il mio lipstick, con un clic potevo arrivare diretto alla scheda prodotto sul sito e-commerce ed effettuare il mio acquisto. Il chat bot traduce con una efficace e semplice conversazione di pochi passaggi, le funzioni già disponibili per l’applicazione mobile di Sephora, che consente di fare la prova di rossetti ed contorno occhi con grande facilità. La personalità del bot è coerente con quella del brand, e aiuta gli utenti a fare una prova del prodotto facilitando l’acquisto on-line. Voto complessivo: 10

Ho testato successivamente il chatbot di Kayak (il sito del metamotore di ricerca viaggi statunitense)stato lanciato alla fine di giugno 2016. Secondo Mathias Keller, il Chief scientist Officer dell’azienda, , il bot messenger è stato creato “per mettere nel taschino dei clienti un agente di viaggi”, con alcune veloci domande per individuare i bisogni di prenotazione di un potenziale cliente. Kayak mi accoglie con una message card di immagine e testo molto colloquiale, in cui mi chiede cosa sto cercando (un volo, un hotel) oppure se voglio altre opzioni di ricerca. Per metterlo alla prova clicco sul link “More Options” per vedere se riesco a trovare una macchina in affitto su Roma. Il chatbot mi restituisce ulteriori possibilità di ricerca di informazioni, tra cui “things to do”, “cars” ,“where a can go for 500 dollars”. Rispondo secco con cars, e gentilmente la conversazione prosegue in inglese:

“Sure. Where do you want to rent a car?

“Rome”

“When do you want to pick-up your car?”

“Tomorrow”

“When do you want to return your car?”

“31th december”

“Ok. Looking for cars in Rome, Italy from 29th to 31th….I found a total of 73 cars starting form 51 dollars. Here is a selection”

 

Il bot mi ha proposto 5 message cards con macchine della fascia Mini e/o Economy di Europe Car. Ho scelto la Panda a 52 euro e sono andato sul sito per concludere la prenotazione.

La struttura della conversazione è molto efficiente, mentre il tono della comunicazione è gentile e privo di inutili fronzoli. Nel mio caso, il ticket di customer care si è chiuso in 9 passaggi, ed i miei messaggi di testo inseriti non sono stati più lunghi di 15 caratteri. L’interrogazione via API dell’applicazione KAYAK è stata di appena 10 secondi, con 45 secondi totali dall’apertura del ticket fino all’arrivo sul sito di e-commerce. Voto: 8,5

Infine ho testato il chatbot di E-bay, che mi accoglie con un messaggio brevissimo senza nessuna immagine:

“Hi Alessandro”

“What are you looking for?” “Something Specific or Inspiration”?

 

Fig 4.20 Il chatbot di Kayak

 

 

Il chatbot dovrebbe aiutarmi nella ricerca dei prodotti a catalogo di E-bay, favorendo poi un acquisto diretto del prodotto, arrivando direttamente dal Facebook Messenger.

Clicco sul link Something Specific e la conversazione riparte:

“What are you looking for?”

“Bluetooth Headphones”

“Which Brand in particular? You can type your own, too”

“Bose”

 

Nella conversazione si evidenzia una ridondanza che penalizza la fluidità del processo di acquisto, oltre a non proporre il corretto prodotto che avevo chiesto.

Il chatbot mi propone infatti due message card: nella prima un sistema molto costoso di cuffie bluetooth con noise cancelling, ed un altro a poco prezzo non corrispondente al brand scelto, commettendo un errore. Clicco sul link more like this e mi propone le Bose Quiet Confort 35 Wireless che vado a vedere sul sito ma non compro direttamente perche’ vorrei navigare su una più ampia scelta di prodotti a catalogo prima di prendere un decisione. Nella scheda prodotto in cui sono atterrato non sono presenti le recensioni del prodotto e non c’è modo di continuare la navigazione sul sito surfando tra prodotti correlati.

Voto: 6

 

Fig 4.20 Il chatbot di E-bay

 

Dall’analisi di benchmark ho provato a trarre alcune considerazioni per orientare la progettazione e l’implementazione di un chatbot efficace che possa essere utilizzato per migliorare la customer experience del cliente e non semplicemente realizzato perché il chatbot messenger è la next big thing di comunicazione del 2017.

Innanzitutto è necessario identificare un dominio od una value proposition focalizzata e non troppo ampia per il bot: uno specifico problema di customer care o un personal shopper su alcune categorie di prodotto. Dato lo stato delle tecnologie e le reali capacità di comprensione del linguaggio di un bot, è utile limitare il dominio di operatività, per ridurre le percentuali di risposte sbagliate o non coerenti con la richiesta dell’utente. Definita la value proposition con l’obiettivo di business che il robot deve raggiungere, si passa a disegnare una mappa concettuale delle interazioni domanda / risposta, costruendo le conversazioni con una struttura a blocchi, e opzioni limitate a 4-5 ambiti di funzionalità. Cosi’ come nel disegno di un web site, è molto utile fissare su carta il flusso di processo con le interazioni possibili che avverranno durante la conversazione, le Stories che potranno essere alimentate dal chatbot. Nella Welcome Message Card, inserite i link corrispondenti alle aree semantiche di operatività del vostro chatbot, in modo da fornire una scorciatoia all’utente, che vi puo’ cliccare senza dover necessariamente interagire per via testuale. Sul chatbot messenger di Facebook si procede infatti utilizzando link e bottoni, in modo da facilitare la navigazione e non far perdere l’utente. Il mio consiglio è di mettere sempre almeno 3 link sotto ogni message card, in modo da aiutare l’utente nella fruizione del chatbot. Nella visualizzazione e proposizione delle message card non eccederei le 4-5 proposte di prodotto, inserendo dei pulsanti di “back” per tornare allo step precedente della conversazione. Infine, se possibile, nella programmazione dell’intelligenza artificiale inserirei dei modelli o pattern riutilizzabili in altre parti del flusso di interazione con il consumatore.


About the Author

Alessandro Sisti è Google Certified Professional, esperto di pianificazione digitale automatizzata attraverso le piattaforme di Google Adwords e DoubleClick Ad Exchange. Internet Entrepeneur,Digital Strategist e Consulente, insegna nei master di specializzazione di Luiss Business School , Sole 24 Ore Formazione, Lumsa, Ied. Ha iniziato nel 1998 la sua carriera professionale in Ernst&Young Consultants, specializzandosi nella comunicazione digitale e nell’e-commerce. E’ stato Chief Operating Officer della Divisione Multimedia della concessionaria di pubblicità Sportnetwork (Gruppo Corriere dello Sport ) occupandosi della progettazione ,dello sviluppo e della comunicazione dei siti web, mobile, app di tutti i brand del gruppo editoriale (Corriere dello Sport, TuttoSport, Auto, Autosprint, Motosprint, Guerin Sportivo, AM)



Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *

Back to Top ↑