Comment détecter les émotions dans une conversation de chatbot en utilisant Lettria

Détecter les émotions dans une conversation avec un chatbot

Un outil d'analyse des sentiments & émotions permet de détecter la polarité d'un échange ainsi que les éventuelles émotions présentes. C'est un outil clé pour donner de la valeur aux informations issues des interactions avec les clients, notamment lorsque ces échanges ont lieu avec un chatbot.

Que pense vraiment votre client ?

La digitalisation de la relation client implique de remplacer certaines interactions entre le client et un conseiller ou un vendeur par des échanges avec des agents conversationnels ou des chatbots. Cet outil, lorsqu'il est bien adapté à l'activité de l'entreprise et aux besoins du client, peut accélérer et faciliter la plupart des processus. Pour l'entreprise qui le met en place, le chatbot permet de gagner du temps, d'augmenter l'efficacité des équipes de conseillers qui peuvent généralement se concentrer sur des tâches à plus forte valeur ajoutée. Il permet aux conseillers, que ce soit en avant-vente ou en service après-vente, de limiter leurs interactions avec le client aux sujets prioritaires ou complexes. Cependant, cette utilisation des chatbots comporte le risque de manquer des informations clés sur le client. Pire encore, l'automatisation risque de passer à côté de l'insatisfaction du client concernant, par exemple, son abonnement téléphonique, son agacement dû aux coupures de courant à répétition, son exaspération de ne pas trouver l'information souhaitée sur sa demande de banque en ligne, etc.

Certaines interactions entre l'homme et la machine ne peuvent pas être automatisées car elles requièrent de l'empathie de la part d'un service clientèle, une oreille attentive et, surtout, de la rapidité dans le traitement des demandes. Malheureusement, les équipes de vente et d'après-vente manquent de ressources et de temps pour exploiter ces informations en temps voulu. Et très souvent, cette frustration vis-à-vis du chatbot peut augmenter le risque d'attrition (taux de désabonnement).

Obstacles à une approche conversationnelle

• De moins en moins d'interactions avec le client sur certains sujets
• Perte d'informations potentiellement essentielles pour la fidélisation des clients
• Les équipes ont peu de temps pour analyser les conversations des chatbots
• Difficulté à identifier rapidement le point de rupture avec le client et à agir en conséquence.

NLP pour améliorer l'interface du chatbot

Recueillir des informations importantes à partir de toutes les interactions avec les clients et hiérarchiser les actions à entreprendre est un défi qui fait partie intégrante du développement des chatbots. Pour relever ce défi, Lettria a développé une API d'analyse des sentiments qui s'intègre à l'agent conversationnel afin d'améliorer ses capacités de compréhension. Pour ce faire, notre solution passe par deux étapes :

• Un algorithme identifie les adverbes qui permettent au locuteur de donner un sens particulier à ses propos, puis de les mesurer et de les qualifier. Après avoir repéré l'opinion exprimée dans le texte, l'algorithme l'assimile à une source.
• L'apprentissage profond peut ensuite relier cette analyse à un contexte et à un cadre susceptibles de donner un sens aux sentiments et aux émotions exprimés.

Ce faisant, le chatbot est déjà mieux équipé pour comprendre les besoins et les intentions du client et pour fournir une première réponse adéquate en termes de contenu et de forme.

L'analyse des sentiments va ensuite analyser automatiquement les interactions avec le chatbot et identifier les clients qui nécessitent une attention particulière. En polarisant les opinions des utilisateurs du chatbot, notre API fournit des informations clés aux équipes de vente et de relation client pour prioriser et mieux cibler leurs actions.

Les principaux avantages de notre solution

• L'objectif ultime est de réduire le taux de désabonnement et d'améliorer l'expérience client.
• Améliorer l'expérience client en augmentant les capacités de compréhension du chatbot.
• Améliorer la priorisation des actions avec le client pour les équipes de prévente, de relation client et d'après-vente.

Découvrez les cas d'utilisation actuels de nos partenaires

• Réduire le taux de désabonnement dans la banque de détail et l'assurance: Augmenter les capacités de compréhension d'un chatbot est crucial, notamment avec le développement rapide des banques en ligne où les interactions avec un conseiller bancaire tendent à diminuer, voire à disparaître. Capitaliser sur les interactions avec un chatbot permet d'identifier le point de rupture avec le client et les sources d'insatisfaction, et cela permet de mobiliser les bonnes ressources pour fidéliser le client.
• Améliorer la communication et l'expérience des usagers dans le secteur des transports (train et aviation) : Les retards et les incidents dans les transports sont une source de stress et de tension pour les utilisateurs, ce qui complique grandement la gestion de la relation client. Faire preuve d'empathie est la clé pour démêler les échanges tendus avec les utilisateurs de chatbot. Lettria L'API de l'entreprise devient indispensable pour permettre au chatbot de traiter efficacement les demandes d'information.
• Dans des secteurs tels que les télécommunications et la fourniture d'énergie, où les interactions avec les clients se limitent essentiellement à l'abonnement ou à la résiliation, il est crucial de capitaliser sur les interactions rares. Or, de plus en plus, ces événements commencent par une conversation avec un chatbot.