À l’heure actuelle, la plupart des entreprises possèdent un outil en libre-service pour leurs clients. Qu’il s’agisse d’un chatbot, d’un site d’aide ou simplement d’un moteur de recherche, la plupart des sociétés ont compris l’intérêt de laisser les consommateurs naviguer sur leur site et trouver par eux-mêmes les produits et les réponses à leurs questions.
Ces outils peuvent incontestablement répondre à un besoin d’assistance immédiate, mais aussi réduire la charge de travail de vos agents du service client, améliorer la satisfaction client et simplifier vos activités.
Cependant, les outils en libre-service peuvent-ils aller encore plus loin ?
Une nouvelle source de données client
Les canaux d’assistance numérique, notamment ceux que nous venons d’évoquer, présentent un avantage considérable par rapport à l’assistance téléphonique ou en personne : ils laissent une trace.
Ils permettent d’enregistrer toutes les activités et de générer une grande quantité de données à partir desquelles il est possible de tirer des conclusions et d’identifier des modèles et des tendances.
Bien entendu, cela est également possible avec une assistance en personne, mais il faudrait alors que l’employé écrive la raison pour laquelle le client a contacté le service d’assistance, décrive son comportement, la suite donnée à sa demande, son degré de satisfaction vis-à-vis de l’assistance reçue, etc.
Faire tout cela manuellement prendrait énormément de temps.
Pourtant, la plupart des outils numériques vous permettent de le faire naturellement, automatiquement et pratiquement sans effort de votre part.
Cependant, la simple collecte de données ne présente aucun avantage. La question demeure :
- Comment interpréter ces données ?
- Comment les comprendre ?
- Que peuvent-elles nous apprendre et quel est leur intérêt ?
- Comment pouvons-nous les utiliser comme moteur de changement ?
Que nous révèlent les données de support ?
Voilà une question bien difficile. Cela dépend avant tout de l’outil d’assistance que vous utilisez, des données qu’il collecte pour vous et de vos propres objectifs commerciaux.
Les outils d’assistance en libre-service sont généralement accompagnés de données et de tableaux de bord sur les indicateurs clés de performance pour vous permettre de les comprendre. Notamment :
- Le nombre d’appels/de sessions de chatbot/de recherche
- Le pourcentage de satisfaction par rapport aux réponses fournies
- Le nombre de questions sans réponse
- Et bien d’autres informations encore
Néanmoins, la plupart des outils ont tendance à ne montrer et à ne comprendre qu’une petite partie des données recueillies, ce qui ne permet pas d’en exploiter tout le potentiel.
Lisez également : Nous avons analysé 4 millions de conversations de chatbot. Voici les résultats que nous en avons tirés.
Les requêtes à longue traîne de votre service d’assistance
Prenons un chatbot d’IA à titre d’exemple.
Connaissons-nous l’intention qui se cache derrière la plupart des requêtes ?
Y a-t-il des tendances parmi ces requêtes ?
Qu’est-ce qui intéresse le plus les clients ?
La plupart des plateformes de chatbot fournissent des tableaux de bord de données indiquant les 10, 50 ou 100 principales demandes de vos clients, mais qu’en est-il des autres ?
Les 10 ou 50 principales demandes reçues par un outil d’assistance ont tendance à être courtes. Celles-ci ne comportent généralement pas plus de deux mots. Par exemple, la demande suivante : « supprimer compte ».
Toutefois, ces demandes courantes ne représentent que 20 % du total des requêtes. Les 80 % restants concernent des requêtes moins courantes et aussi plus longues (4 mots ou plus). Ces dernières sont connues sous le nom de « requêtes à longue traîne ».
Il est généralement plus facile d’identifier les tendances parmi les 20 % qui représentent les principales demandes. Ces requêtes ne comportent qu’un ou deux mots, il est donc facile de comprendre leur nature. Cependant, que se passe-t-il lorsque les utilisateurs saisissent de longues requêtes pour exprimer leur intention ?
Reprenons l’exemple : « supprimer compte ». Que se passe-t-il si l’utilisateur dit plutôt : « Je ne veux plus utiliser ce service » ?
L’intention a beau être exactement la même, la demande ne comporte pas les mêmes mots. Votre équipe aura du mal à identifier qu’il s’agit du même type de demande à grande échelle.
La plupart des outils de libre-service et des plateformes d’IA conversationnelle ne disposent pas d’un moteur sémantique assez puissant pour comprendre le langage naturel ni le sens réel. Par conséquent, ils sont incapables d’identifier l’intention commune de ces demandes.
Cela entraîne divers problèmes :
- Le premier problème est que la plupart des requêtes à longue traîne ne seront pas comprises et resteront donc sans réponse. Par exemple, si un utilisateur tape : « Je suis déçu, car le technicien n’est pas venu et je ne veux plus continuer à utiliser vos services ».
- Le deuxième problème est que, si le système ne comprend pas le sens de toutes les demandes, il peut difficilement regrouper les requêtes ayant la même intention et identifier des tendances.
Chez Inbenta, nous utilisons un type unique d’IA qui comprend réellement les requêtes en examinant leur sens. De plus, nous avons créé l’environnement idéal pour que vous et votre équipe puissiez comprendre les demandes des clients à grande échelle.
Lisez également : Le guide ultime de l’IA conversationnelle
Identifier automatiquement les tendances de support grâce au regroupement sémantique
Comme nous l’avons vu, la plupart des logiciels d’IA conversationnelle et d’assistance en libre-service n’affichent que les 100 demandes les plus fréquentes.
Et si nous vous disions qu’il existe un moyen d’analyser les demandes les plus longues, ainsi que les plus courtes, et de les regrouper en fonction de leur sens ?
Le regroupement sémantique d’Inbenta rassemble les requêtes équivalentes d’un point de vue sémantique (mots, groupes de mots et phrases) en groupes basés sur le sens.
Un outil de visualisation permet de voir les différents sujets/thèmes des requêtes groupées.
Vous trouverez ci-dessous un exemple tiré d’un petit échantillon de données d’Inbenta :
- Sur ce premier écran, nous voyons les principaux sujets de toutes les requêtes (longues ou courtes). Inbenta n’analyse pas les 10, 50 ou 100 requêtes les plus fréquentes, mais 20 000.
- Nous pouvons creuser plus loin si besoin. Par exemple, l’un des principaux sujets est le « chatbot ». Si nous souhaitons connaître le type de questions posées par nos utilisateurs concernant les chatbots, il nous suffit de cliquer sur le cercle « chatbot » pour obtenir des informations supplémentaires :
- Si nous examinons de plus près le cercle central, nous pouvons voir des données pertinentes (nombre de fois où la question a été posée, nombre de fois où le chatbot a trouvé une réponse à la requête, etc.).
Quel avantage cela présente-t-il pour ma stratégie d’assistance client ?
L’analyse des interactions avec les clients peut présenter de nombreux avantages pour votre entreprise. Cependant, nous aimerions souligner les plus importants d’entre eux :
- Identifier les tendances. En analysant facilement le contenu grâce au regroupement sémantique, vous pouvez identifier les tendances et les demandes de vos clients, quelle que soit la façon dont ils s’expriment.
- Repérer les lacunes du contenu et les sujets sans réponse. Vous pouvez filtrer les groupes pour n’afficher que les sujets sans réponse, ou simplement analyser le taux de réponse d’un groupe afin d’identifier les domaines sans réponse et le contenu sur lequel vous concentrer pour optimiser vos outils en libre-service.
- Comprendre ce qui compte le plus pour vos clients à grande échelle. En voyant combien de fois les utilisateurs ont recherché un sujet spécifique, vous aurez une meilleure idée des sujets qui intéressent le plus vos clients.
Lancez-vous dans l’analyse conversationnelle et de chatbot
Essayez gratuitement la plateforme d’Inbenta pendant 14 jours et accédez à notre module de chatbot, qui vous permettra d’explorer son regroupement sémantique.