隨著對話式人工智慧的成熟，許多組織都開始熱衷於實現能夠理解自然語言並隨後參與並解決客戶最常見問題的機器人，就像人工座席一樣。當聯絡中心面臨大量問題並且座席資源有限時，由於機器人程式跨各種管道處理重複查詢，聯絡中心團隊看到了顯著的投資回報。然而，這些機器人在真實環境中的表現如何一直是人們關注的問題。

你可能已經經歷過了。您現在需要航班、最近購買的物品或銀行帳戶的幫助。您可以等待座席，也可以使用機器人。機器人的優點是它總是可用的，隨時準備回答你的問題。資料顯示，客戶願意使用機器人。然而，儘管人們渴望參與，但仍有猶豫。

許多客戶已經有了糟糕的機器人體驗。機器人總是一遍又一遍地問同樣的問題:對不起，我不明白。你能再說一遍嗎?或者是不那麼有用的:對不起。我不明白你的意思。

資料顯示，一些客戶將機器人視為品牌避免提供服務的玩世不恭的嘗試。他們覺得這是一種永久轉移人工交互的方式。因此，雖然該品牌可能通過使用機器人轉移呼叫來實現成本節約，但該品牌實際上可能會侵蝕客戶滿意度並製造誹謗者。

為了在規模上傳遞同理心，公司不能為服務設置障礙。高效的機器人讓客戶想要參與。他們與客戶合作，而不是與他們作對。

為了創建有效的機器人，機器人構建者必須掌握這五個關鍵概念。

不要猜測客戶的意圖

機器人的核心是意圖管理。當客戶通過語音或文本與機器人通信時，機器人應用自然語言模型來理解語句的含義。自然語言可能很複雜。我們可以將大量信息打包到一個問題中；我們所說的並不總是傳達我們的意思。

機器人構建者花費數小時試圖想出客戶可能會說的話來傳達意圖，例如“訂單狀態”或“帳單支付”。這可能需要很長時間，而且充滿了錯誤。通常，構建者從一小部分話語（可能的語句）開始，然後隨著時間的推移添加更多的話語。當然，這意味著最初的機器人用戶會面臨類似“很抱歉，我無法理解你”這類機器人可怕的回應。

解決方案是採用資料驅動的方法來實現意圖。使用過去互動中的資料來理解客戶如何表達他們的要求--這會讓您瞭解這些要求是什麼。隨著世界線上化和客戶服務請求量的加快，這一點變得越來越重要。

對意圖採取資料驅動的方法，並使用實際資料創建和更新機器人所依賴的意圖模型，反過來將創建更準確的機器人。他們會第一次理解並正確回答問題，而不會要求無休止的澄清。

使其個性化

客戶不喜歡偽裝成人類的機器人。他們知道自己在和一台機器互動；他們不喜歡被欺騙的感覺。這就是說，與機器人交談可能會感到不舒服和困難。客戶有時會重複相同的資訊，比如他們的年齡或帳號，因為機器人不知道他們是誰，也不記得他們說了什麼。

使互動個性化意味著使用上下文資料來推動會話。

尋找個性化體驗的機會。以下是一些例子：

● 如果客戶已經登錄系統，不要詢問他們的帳號。如果他們足夠信任你，可以給你他們的資料，就使用它。

● 如果已經在談話中向客戶索要資料，請不要再索要。記住他們說的話。

● 理解上下文。如果客戶一直在看產品並詢問尺碼，不要給他們一個關於您可能攜帶的尺碼的一般性回答。使答案相關。

● 糾正打字錯誤。如果客戶輸入了一個不可能的日期或不符合範圍的值，不要在最後說“我不明白你的回答”。識別錯誤並説明他們修復。我們都忙於有限的注意力跨度；不要讓互動變得更加困難。

● 瞭解自己的極限。如果問題太難回答，請告訴客戶。不要讓他們束手無策。

要構建允許個性化的機器人，它們必須能夠利用客戶提供的資料。機器人應該內置在旅程中，而不是作為一個獨立的小部件存在於旅程之外。

避免死胡同

機器人只能做這麼多；當他們的能力達到極限時，客戶最糟糕的體驗就是死胡同。這感覺像是移情的反面。

避免將客戶引入死胡同的一種方法是確保他們可以從機器人過渡到即時座席。笨拙的方法是讓機器人說：我幫不了你。打電話給XXX-XXX-XXXX。雖然這消除了死胡同，但也給客戶帶來了負擔。客戶必須自己完成工作，並且經常在沒有解決方案的情況下離開交互。另一方面，對於這些場景，機器人通常是斷開連接的。如果客戶確實聯繫到座席，座席將不知道以前的交互。類似地，機器人將不知道已經發生的任何座席交互。

移情轉移是平滑、無縫的，感覺上是互動的延續，而不是中斷。當交互客戶時，機器人應自動將其放入座席佇列。通過預測路由，人工智慧（AI）被用於將客戶路由到最佳座席以獲得期望的結果。交互更加成功，因為客戶自動連接到具有正確技能的座席，而不是手動從一個座席傳遞到另一個座席。

語境為王

對於機器人來說，上下文就是一切。根據《牛津英語詞典》，語境是“構成事件、陳述或想法背景的環境，並且可以完全理解和評估它。”請注意，“理解”和“評估”是定義的一部分。無效的機器人失敗是因為他們不理解；他們無法評估客戶的要求。上下文為驅動機器人程式理解客戶請求背後含義的語言模型提供了能力。

機器人的環境是多維的。它是理解口頭或書面句子的能力。這種能力就是技術，而機器人製造者訓練這種技術。這項技術本身就是一塊空白。用於培訓的資料以及糾正和重新培訓的能力都提供了上下文。

上下文不僅僅是訓練數據。上下文是交互歷史和機器人“看到”客戶在旅途中的位置的能力。預測性參與技術使用資料預測下一個最佳行動，包括參與機器人或轉移到座席的需要。

當機器人將交互傳輸給座席中時，它將獲取該交互的上下文並將其傳遞給座席。這意味著客戶不必重複這些事情。通過提供這些平滑、資料驅動的過渡，機器人並不是取代人類的戰略。相反，機器人將座席從日常任務中解脫出來，這樣他們就可以解決更複雜的問題。它減少了座席的壓力，並將他們在重複回答相同問題時的挫折降至最低。

機器人不是孤島

一個對客戶旅程視而不見的獨立、斷開連接的機器人不如一個能識別客戶去過哪裡並能感知客戶要去哪裡的機器人有效。如果一個機器人把你送到你剛去過的同一個地方，即使是最狂熱的機器人愛好者也會感到沮喪。持續這樣做的機器人將被用作客戶服務出錯的示例。

許多DIY解決方案可以構建機器人。這些DIY機器人可以被訓練做很多事情，但是沒有能力在整個旅程中工作，它們仍然處於孤立狀態--不知道客戶的旅程。這些機器人似乎經常隨機彈出，提供客戶沒有的問題的答案。他們有時覺得該品牌有一個機器人，想要使用它，而不是建立一個機器人來提供更好的服務。

在選擇機器人構建工具之前，開發人員必須確保他們能夠即時訪問交互資料、客戶的歷史資料以及確保此機器人緊密集成並瞭解旅程所需的所有上下文。當開發人員想要集成資料時，看似簡單的解決方案很快就會變成非常複雜的實現。這在規模上變得更加棘手。

在考慮生產時間的時候，考慮一下你需要花費多少精力將交互資料轉換成你的機器人能理解的格式。確保資料可以讀取；性能不會降低，您的資料也不會受損。

底線

聯絡中心團隊努力構建適應聯絡中心需求的機器人。他們依靠DIY和開源機器人平臺來創建通用機器人。這些機器人不容易構建--而且它們是腳本化的。因此，他們不瞭解客戶旅程的背景。

Genesys Dialog Engine BOT Flows使組織更容易構建對話機器人，為沒有內部資料科學或機器人開發團隊的公司提供大規模的同理心。它為聯絡中心提供了一個介面，可以直觀地構建機器人程式，同時處理其他對話流（入站呼叫、聊天或短信）。

Dialog Engine Bot Flows目前可通過Genesys Cloud CX™平臺獲得。您可以使用此分步指南啟動它。查看Genesys聊天機器人和語音機器人以瞭解更多資訊。