Trabajando con programación e Inteligencia Artificial en el desarrollo de chatbots, hemos sido testigos de una evolución exponencial de la tecnología. Podemos afirmar que el impacto del Machine Learning en el desarrollo de chatbots, por ejemplo en WhatsApp, es notable y creciente. Los chatbots están ganando cada vez más terreno en las empresas de manera innegable. La influencia del Machine Learning en los chatbots es muy relevante y refleja la evolución continua de la tecnología de IA en el campo de la interacción con el cliente. La transformación de los chatbots, de simples herramientas de respuestas automatizadas a sistemas inteligentes y adaptativos, es un hito en el desarrollo de la IA.

Esta tecnología permite una evolución constante en la forma en que los chatbots interactúan con los usuarios, refinando la experiencia del cliente y haciendo que los servicios sean más efectivos.

Alan Turing es un ícono indiscutible en la historia de la computación, la criptografía y la inteligencia artificial. Su legado, popularizado por la película «The Imitation Game» de 2014, allanó el camino para avances significativos en estos campos. Turing no solo introdujo el concepto pionero de Machine Learning en la década de 1940, sino que también desarrolló la Prueba de Turing en la década de 1950, un criterio fundamental aún utilizado para evaluar la capacidad de las inteligencias artificiales. Esta prueba pone énfasis en la capacidad de la máquina para comunicarse de manera convincente y natural, simulando una inteligencia humana, que es el objetivo principal de cualquier desarrollador de chatbots.

Los inicios del Machine Learning se remontan a la década de 1950, con la creación de programas para jugar al ajedrez. Aunque estos sistemas iniciales se basaban en reglas fijas y no aprendían de la experiencia, marcaron un paso crucial en el desarrollo del campo. En la década de 1960, el científico de la computación Arthur Samuel acuñó el término «aprendizaje automático» y desarrolló un programa de juego de damas que aprendía de sus propios errores, superando a su creador. Todo esto culminó en la derrota del Gran Maestro Kasparov el 10 de febrero de 1996 por el Deep Blue de IBM.

Hoy en día, el Machine Learning es un pilar esencial de la inteligencia artificial, responsable del surgimiento de sistemas de IA generativos que están revolucionando nuestro mercado. Su papel va más allá del entretenimiento y del público en general, especialmente en el campo del big data. El Machine Learning es vital en el análisis de datos complejos y voluminosos, desempeñando un papel transformador en sectores críticos como finanzas, medicina y ciencia de datos. La capacidad de estas máquinas para aprender de experiencias pasadas y mejorar continuamente su rendimiento demuestra el potencial inmenso del Machine Learning para dar forma y mejorar la vida humana en múltiples dimensiones.

Vamos a explorar en esta tercera parte de nuestra serie de artículos ejemplos concretos de esta aplicación:

1. Personalización dinámica de interacciones: Ejemplo concreto: Una empresa minorista utiliza un chatbot en WhatsApp para ofrecer recomendaciones de productos. Inicialmente, el chatbot basa sus sugerencias en datos demográficos generales. Con el tiempo, a través del Machine Learning, comienza a refinar sus recomendaciones según interacciones pasadas, preferencias expresadas e historial de compras del usuario, resultando en sugerencias más precisas y personalizadas.
2. Mejora continua en la resolución de consultas: Ejemplo concreto: Los chatbots de soporte al cliente en sectores como las telecomunicaciones aprenden de las preguntas frecuentes de los usuarios. Inicialmente, pueden proporcionar respuestas basadas en un guion. Con el aprendizaje continuo, comienzan a comprender mejor las sutilezas de las preguntas de los usuarios y ofrecen soluciones más precisas y detalladas, reduciendo la necesidad de escalar a un representante humano.
3. Detección y prevención de fraudes: Ejemplo concreto: Las instituciones financieras están implementando chatbots en WhatsApp que utilizan el Machine Learning para detectar patrones anormales que pueden indicar fraude. Por ejemplo, un chatbot puede identificar actividades sospechosas, como intentos de acceso en lugares inusuales o transacciones atípicas, y alertar proactivamente al cliente, además de tomar medidas preventivas.
4. Ajuste de estrategias de marketing: Ejemplo concreto: Un chatbot de una marca de moda utiliza el Machine Learning para analizar las reacciones de los clientes a sus campañas de marketing en WhatsApp. Con base en los datos recopilados, como tasas de clics e interacciones, el chatbot ajusta automáticamente las futuras campañas para alinearse mejor con las preferencias del cliente.
5. Retroalimentación instantánea y mejora del producto: Ejemplo concreto: Los chatbots en el sector de software recopilan comentarios de los usuarios sobre funciones y errores. Utilizando el Machine Learning, identifican patrones en los datos de retroalimentación para priorizar las actualizaciones del producto o identificar áreas que necesitan mejoras, optimizando así el proceso de desarrollo del producto.
6. Lenguaje natural y comprensión contextual: Ejemplo concreto: Los chatbots avanzados en WhatsApp, especialmente en sectores de alto contacto con el cliente como el turismo, están utilizando técnicas de procesamiento del lenguaje natural para entender mejor el contexto y la intención detrás de las consultas de los usuarios. Esto les permite proporcionar respuestas más contextuales y menos genéricas.

La adopción de tecnologías avanzadas, como la Inteligencia Artificial (IA) y el machine learning, representa un avance significativo en la interacción entre empresas y clientes. Estas tecnologías permiten la creación de sistemas más inteligentes, como chatbots y asistentes virtuales, que ofrecen experiencias de interacción altamente personalizadas y eficientes. La IA permite que las empresas comprendan mejor las necesidades y preferencias de los clientes, anticipen sus preguntas y ofrezcan soluciones proactivas. Esto no solo mejora la satisfacción del cliente, sino que también optimiza los procesos de atención al cliente, haciéndolos más ágiles y precisos. Además, el análisis de grandes volúmenes de datos (big data) ayuda en la creación de estrategias de marketing más efectivas y en la toma de decisiones basadas en conocimientos profundos sobre el comportamiento del consumidor.

Estos avances tecnológicos están transformando la forma en que las empresas interactúan con sus clientes, estableciendo un nuevo estándar de excelencia en el servicio al cliente y impulsando el crecimiento y la innovación en los negocios. Como se puede ver a través de estos ejemplos prácticos, el uso del aprendizaje automático en chatbots en WhatsApp representa un avance significativo en la interacción entre empresas y clientes. Estos sistemas no solo están respondiendo a consultas, están aprendiendo, adaptándose y anticipando las necesidades de los usuarios. Como resultado, los chatbots se están convirtiendo en una herramienta cada vez más sofisticada e indispensable para mejorar la experiencia del cliente y la eficiencia operativa de las empresas.

The post CX 2024 Parte 3: Machine Learning first appeared on Planeta Chatbot.

Anticipar las necesidades del cliente

La IA ha dado a los chatbots la capacidad de predecir y anticipar las necesidades de los clientes. Utilizando algoritmos de machine learning, los chatbots analizan patrones de comportamiento de los clientes y datos históricos para identificar posibles problemas o necesidades. Por ejemplo, un chatbot puede sugerir renovar un servicio antes de que el cliente se dé cuenta de que su suscripción está a punto de caducar. La herramienta de Mensajería Activa de Blip te permite crear campañas para impactar a uno o más usuarios de Whatsapp, así podrás atraer clientes, generar más engagement, retomar conversaciones o incluso informar a tus contactos sobre algo importante. Combinada con cualquier CRM externo preexistente y una API intermedia para activar dependiendo de cualquier etapa del embudo de ventas, esta herramienta se convierte en un poderoso convertidor de leads.

Soporte proactivo en tiempo real

Los asistentes virtuales impulsados ​​por IA pueden ofrecer asistencia en tiempo real, alertando a los clientes sobre problemas que quizás no hayan notado. Por ejemplo, un chatbot de una institución financiera puede alertar a un cliente sobre una actividad inusual en la cuenta y sugerir acciones inmediatas para prevenir el fraude.

Integración con múltiples canales

La integración de chatbots con múltiples canales de comunicación, como WhatsApp, Instagram, Facebook y otras redes sociales y correo electrónico, permite una asistencia proactiva más integral. Además de ser multicanal, permite establecer una estrategia omnicanal, ya que el chatbot se puede replicar en estos diferentes canales con el mismo lenguaje y tono de voz. Los clientes reciben soporte en su canal preferido, mejorando la experiencia del usuario.

Automatización de tareas rutinarias

Los chatbots pueden automatizar tareas rutinarias como programar citas o procesar pedidos, liberando tiempo para que los agentes humanos se concentren en cuestiones más complejas. Esta automatización no sólo mejora la eficiencia, sino que también se anticipa a las necesidades del cliente, ofreciendo soluciones rápidas y cómodas.

Personalización avanzada

La IA permite a los chatbots personalizar las interacciones en función del historial individual del cliente. Esto significa que cada interacción se adapta a las preferencias y necesidades específicas del cliente, brindando una experiencia única y personalizada.

Aprendizaje continuo

Los chatbots de IA siempre están aprendiendo. Cada interacción ayuda al sistema a comprender mejor a los clientes y mejorar sus respuestas y recomendaciones futuras. Con el tiempo, estos sistemas se vuelven más sofisticados y eficientes a la hora de predecir y resolver los problemas de los clientes.

A continuación se muestran algunos ejemplos específicos:

1. Notificaciones de estado del pedido

• Ejemplo: las empresas de comercio electrónico utilizan chatbots en WhatsApp para enviar actualizaciones automáticas sobre el estado de los pedidos. Por ejemplo, un chatbot puede informar a los clientes cuándo se procesa y envía un pedido y estimar la fecha de entrega, lo que reduce de forma proactiva las consultas sobre el estado del pedido.

2. Alertas y recordatorios de mantenimiento

• Ejemplo: En el sector de la automoción, los chatbots de WhatsApp pueden enviar recordatorios de mantenimiento de los vehículos. Por ejemplo, un chatbot puede recordarle al propietario de un automóvil la necesidad de un cambio de aceite o una inspección periódica, según la fecha del último servicio o el kilometraje del vehículo.

3. Consejos para utilizar productos y servicios

• Ejemplo: Las empresas de tecnología y electrónica emplean chatbots en WhatsApp para enviar consejos sobre el uso de productos. Por ejemplo, después de comprar un nuevo teléfono inteligente, el chatbot puede enviar consejos sobre funciones poco conocidas, garantizando que el cliente aproveche al máximo el producto.

4. Alertas de seguridad y fraude

• Ejemplo: Las instituciones financieras utilizan chatbots en WhatsApp para alertar a los clientes sobre posibles fraudes o actividades sospechosas en sus cuentas. Esto incluye notificaciones de transacciones inusuales o intentos de inicio de sesión en dispositivos nuevos, lo que aumenta la seguridad de la cuenta.

5. Gestión de Suscripciones y Renovaciones

• Ejemplo: las empresas de medios y los servicios de suscripción utilizan chatbots para recordar a los clientes las renovaciones de las suscripciones. El chatbot puede informarle cuando una suscripción está a punto de caducar y facilitar el proceso de renovación, ofreciendo una experiencia fluida y evitando interrupciones en el servicio.

6. Comentarios posteriores a la interacción

• Ejemplo: Después de la atención al cliente a través de chatbot, algunas empresas envían un mensaje de seguimiento preguntando sobre la satisfacción del cliente con el servicio recibido. Esto ayuda a la empresa a recopilar comentarios valiosos y mejorar continuamente la experiencia del usuario.

7. Promociones y ofertas personalizadas

• Ejemplo: los minoristas utilizan chatbots en WhatsApp para enviar ofertas y promociones personalizadas basadas en el historial de compras del cliente. Por ejemplo, si un cliente compró recientemente una cámara, el chatbot puede sugerir accesorios compatibles en oferta.

Estos ejemplos ilustran cómo los chatbots de WhatsApp, impulsados ​​por IA, están transformando la experiencia de atención al cliente, pasando de un enfoque reactivo a uno proactivo y, por lo tanto, mejorando significativamente la satisfacción y la lealtad del cliente.

Conclusión

La evolución de la IA está creando una nueva era de atención al cliente donde la #proactividad y la personalización son las claves para una experiencia de usuario excepcional. Los chatbots y asistentes virtuales de hoy no son sólo herramientas de respuesta; son solucionadores de problemas proactivos y facilitadores de un recorrido del cliente más fluido e intuitivo. A medida que la tecnología continúa evolucionando, podemos esperar una interacción con el cliente aún más sofisticada y eficiente, allanando el camino para una revolución en el servicio al cliente.

The post CX 2024 PARTE 2: Asistencia y soportes proactivos first appeared on Planeta Chatbot.

1. Personalización a escala

La IA permite una personalización a escala sin precedentes. En 2024, veremos sistemas de inteligencia artificial que recopilarán y analizarán datos de los clientes en tiempo real, lo que permitirá a las empresas ofrecer experiencias altamente personalizadas. Esto incluye recomendaciones de productos, contenido personalizado y atención al cliente adaptada a las necesidades individuales.

1.1 Recomendaciones personalizadas de productos y servicios

¿Cómo? Una tienda de ropa utiliza un chatbot en WhatsApp para recomendar prendas de vestir en función de las preferencias previas del cliente. El chatbot analiza compras anteriores, preferencias de estilo y tamaños para sugerir nuevos productos que podrían gustarle al cliente.

1.2 Respuestas instantáneas y personalizadas a las consultas de los clientes

¿Cómo? Una aerolínea emplea un chatbot de WhatsApp para responder preguntas comunes de los clientes, como el estado del vuelo, los procedimientos de facturación y las políticas de equipaje. El chatbot personaliza las respuestas en función del historial de viajes y las preferencias personales del cliente.

1.3 Soporte posventa personalizado

¿Cómo? Una empresa de electrónica utiliza un chatbot de WhatsApp para ofrecer soporte postventa. El chatbot puede ayudar con la configuración del dispositivo, la resolución de problemas y la programación de mantenimiento o devoluciones, todo ello en función del historial específico del cliente con la empresa.

1.4 Marketing y promociones dirigidas

¿Cómo? Una cadena de restaurantes utiliza chatbots en WhatsApp para enviar mensajes promocionales y ofertas especiales basadas en los hábitos y preferencias alimentarias de los clientes. Por ejemplo, si un cliente pide pizzas vegetarianas con frecuencia, el chatbot puede informarle sobre nuevas opciones vegetarianas o promociones relevantes.

1.5 Comentarios y reseñas personalizados

¿Cómo? Una empresa de servicios utiliza un chatbot de WhatsApp para recopilar comentarios de los clientes después de completar un servicio. Hoy en día, con la posibilidad que ofrece la API empresarial de WhatsApp de utilizar activadores de mensajes activos, no sólo podemos utilizar la herramienta de forma receptiva, sino que también podemos llegar a nuestros clientes mediante “plantillas de mensajes”, que, integrándolas en los flujos de un chatbot, Nos permitirá desarrollar estrategias de mejora de la comunicación y comprensión no sólo del cliente, sino de nuestro propio recorrido dentro de la empresa. El chatbot personaliza las preguntas en función del servicio específico prestado, garantizando comentarios relevantes y detallados.

1.6 Gestión de reservas y programación

¿Cómo? Un salón de belleza utiliza un chatbot de WhatsApp para gestionar reservas y recordatorios. El sistema no sólo programa citas, sino que también recuerda a los clientes sus reservas con antelación, teniendo en cuenta sus preferencias de horarios y servicios pasados.

1.7 Integración con otras plataformas de datos

¿Cómo? Una empresa minorista integra su chatbot de WhatsApp con su sistema CRM, lo que le permite al chatbot acceder al historial de compras de un cliente para hacer recomendaciones de productos o proporcionar información de seguimiento de pedidos.

Estos ejemplos ilustran cómo los chatbots en WhatsApp o incluso en otras plataformas como Instagram o Telegram, etc., impulsados ​​por IA, brindan una experiencia de cliente altamente personalizada y eficiente, satisfaciendo necesidades individuales y mejorando la #satisfaccióndelcliente.

Teniendo en cuenta esta realidad, desde AspinBots estamos a cargo de desarrollar tu chatbot y asegurarnos de que tenga una evolución constante, como requiere todo proyecto serio de chatbot. Sin curaduría técnica especializada, solo tendrías un asistente virtual más, ¡pero con nuestros proyectos de apoyo definitivamente alcanzarás mayores alturas!

A través de mejoras continuas, el servicio se vuelve más asertivo mientras se reducen los tiempos de espera. Por el lado de las empresas, a través de la lectura, registro y análisis de datos comerciales estratégicos, es posible garantizar una gestión basada en datos, además de aumentar la capacidad de comunicación con los clientes.

The post CX 2024: Tendencias en la experiencia del cliente con asistentes inteligentes en la práctica first appeared on Planeta Chatbot.

En este artículo, el autor informa con fascinación cómo funcionaría una API y su relativa ventaja, dada la idea hasta ahora defendida para los sistemas dedicados “El requisito es básicamente obtener una respuesta en tiempo real para el operador de la consola de visualización, al mismo tiempo que minimiza los gastos generales impuestos a las instalaciones informáticas centrales”. Pronto comenzaron a usarse como bibliotecas para sistemas operativos. En la década siguiente surgieron las redes informáticas y las nuevas arquitecturas informáticas que tenían como objetivo descentralizar el procesamiento y la comunicación entre mainframes, lo que dio lugar a la aparición de los primeros sistemas distribuidos.

En la década de los 80 vimos una popularización de los ordenadores personales, que fue acompañada por un aumento en la cantidad de aplicaciones desarrolladas, varios sistemas operativos y diferentes lenguajes de programación, complejizando la interconectividad entre aplicaciones. Y es que se comenzó a ver un auge en diferentes hardware, plataformas, software, protocolos y formatos de datos, buscando empresas informáticas para crear aplicaciones cada vez más escalables y flexibles.

Aunque la API enviaba mensajes entre mainframes, era predominantemente local. Hoy en día, las API se han expandido mucho más allá de los entornos locales y se han convertido en una tecnología importante para la integración remota de datos, ya que las redes de comunicación de datos se han consolidado sobre todo como un requisito económico y de marketing.

La API es un conjunto de definiciones y protocolos utilizados en el desarrollo e integración de software y aplicaciones, que permiten que tu producto o servicio se comunique con otros productos y servicios, sin necesariamente saber cómo se implementan, simplificando enormemente el desarrollo de aplicaciones y generando economías de escala, ya que reduce los costos de producción al tiempo que permite un aumento en los bienes y servicios. La expansión del uso de APIs trajo mayor flexibilidad al mercado, permitiendo una mejor administración y uso de herramientas, simplicidad en el diseño de nuevas soluciones y, como resultado, oportunidades únicas para producir innovaciones en el mercado.

La mejor definición de una API se encuentra en Carl Malamud (1990) quien la define como «un conjunto de servicios disponibles para un programador para realizar ciertas tareas».

En un principio, las API eran remotas, ya que estaban diseñadas para interactuar a través de redes de comunicaciones. Con la llegada de Internet hoy en día, este es el medio de comunicación preferido, razón por la cual la mayoría de las API están diseñadas en base a estándares web.

Un artículo interesante de redhat afirma que «No todas las API remotas son web, pero es justo decir que, en general, las API web son remotas».

Sin embargo, a diferencia de los servicios web, una API utiliza la comunicación asíncrona y se realiza principalmente a través del intercambio de mensajes intermediados por middlewares orientados a mensajes. La API ayuda así a comunicar su intención al sistema para que entienda y realice lo que se le ha solicitado.

Es un sistema perfecto para compartir información y recursos entre organizaciones, al tiempo que salvaguarda la seguridad, el control y la autenticación obligatoria, lo que le permite determinar a quién y a qué se puede acceder.

Por lo general, las API web utilizan el protocolo HTTPS para los mensajes de solicitud y proporcionan una definición de la estructura de los mensajes de respuesta. Actualmente, estos mensajes de respuesta tienen el formato de archivo XML o JSON, que son los más comunes en la actualidad. Tanto XML como JSON se destacaron con un amplio uso en el mercado porque presentan sus datos de forma simplificada, facilitando su uso por otras aplicaciones.

Las API se clasifican como privadas (solo permiten uso interno), asociaciones (se comparten con socios comerciales específicos para generar flujos de ingresos adicionales) o públicas (permiten que terceros desarrollen aplicaciones e interactúen con la API).

Con la expansión de las API web, se desarrolló una especificación de protocolo para ayudar a estandarizar el intercambio de información, que se denominó » Protocolo simple de acceso a objetos » – SOAP. Las API diseñadas con SOAP usan XML para el formato de sus mensajes y reciben solicitudes a través de HTTP o SMTP. SOAP se desarrolló para estandarizar solicitudes y formatos de mensajes, lo que facilitó que las aplicaciones que se ejecutan en diferentes entornos y con diferentes idiomas compartan información.

Otra especificación se llama «Transferencia de estado representacional» – REST. Mientras que SOAP es un protocolo, REST es un estilo de arquitectura y fue propuesto por Roy Thomas Fielding (2000), al escribir su tesis doctoral “Architectural Styles and the Design of Network-based Software Architectures” . Las API web que usan restricciones arquitectónicas REST se denominan API RESTful. Al no ser un protocolo, no existe un estándar oficial para las API web RESTful. Tal como lo define Fielding, las API son RESTful siempre que cumplan con las 5 restricciones rectoras de un sistema RESTful:

1. Arquitectura cliente-servidor: En la arquitectura REST, la comunicación tiene lugar entre dos agentes en una red cliente-servidor. El cliente, a través de http, realiza solicitudes que deben ser respondidas por el servidor.
2. Sin estado (stateless): No se almacena contenido del cliente en el servidor entre solicitudes. Una solicitud debe contener todos los parámetros necesarios para ser cumplida sin el almacenamiento de «memoria» del agente del servidor. La información del estado de la sesión se mantiene únicamente con el cliente.
3. Almacenamiento en caché: el almacenamiento en caché puede eliminar la necesidad de algunas interacciones cliente-servidor, una estrategia que pueden implementar tanto el cliente como el servidor (almacenamiento en caché . Mejora el rendimiento general del sistema al disminuir el tiempo de respuesta de la aplicación.
4. Sistema en capas (capas): las interacciones cliente-servidor pueden ser mediadas por capas adicionales (arquitectura de tubería y filtro). Estas capas pueden proporcionar funciones adicionales, como equilibrio de carga, cachés compartidos o seguridad, para mejorar el rendimiento del sistema.
5. Interfaz uniforme: el intercambio de mensajes de cliente y servidor debe realizarse a través de interfaces uniformes o similares en su formato y modo. Esta restricción es un requisito esencial para el diseño de API RESTful e incluye 4 elementos de interfaz:

• Identificación de recursos: Los recursos se identifican en las solicitudes y se separan de las representaciones devueltas al cliente.
• Manipulación de recursos a través de representaciones: los clientes reciben archivos que representan recursos. Estas representaciones deberán contener información suficiente para permitir su modificación o supresión.
• Mensajes autodescriptivos: cada mensaje devuelto al cliente contiene información clara y suficiente para describir cómo el cliente debe procesar la información.
• Hipermedia como mecanismo de estado de la aplicación: después de acceder a un recurso, el cliente REST debería poder descubrir a través de hipervínculos todas las demás acciones disponibles actualmente.

Finalmente, el autor sugiere una sexta restricción que sería opcional. El “código bajo demanda”. En este caso, los servidores pueden ampliar la funcionalidad de un cliente descargando un código ejecutable. Es decir, la capacidad del servidor para «proporcionar» código para ejecutar en el cliente. La funcionalidad del cliente se puede insertar en tiempo de ejecución descargando y ejecutando código en forma de scripts.

Tanto el protocolo SOAP como la arquitectura REST permitieron una simplificación en el diseño de las APIs haciéndolas más útiles en la implementación, pero actualmente la arquitectura REST, también conocida como “arquitectura orientada a recursos” ha ganado cada día más credibilidad, gracias a su simplicidad inherente y la mejora del rendimiento de los sistemas que lo utilizan.

Las API son una excelente manera de hacer que un sistema no funcione aislado del resto del contenido que ya está disponible en Internet o incluso internamente dentro de una empresa. Son herramientas esenciales para que una organización se mantenga conectada e integrada.

Teniendo en cuenta eso, la versatilidad de las integraciones y las infinitas posibilidades de personalización de los bots están ahí, para que podamos aprovecharlas al máximo en nuestro negocio.

A continuación hay un enlace con 117 API para que construyas tu Chatbot:

• Link al contenido.

The post Desmitificando las API’s y cómo usarlas en tu chatbot first appeared on Planeta Chatbot.

Con la espectacular aceleración que ha provocado la pandemia en nuestros viajes digitales, podemos ver que el ecosistema de chatbots casi se ha duplicado. Los datos del Brasil BOTS Ecosystem Map 2021 publicado por Mobile Time (agosto/2021) apuntan a un total de 47 mil robots activos contra 24 mil robots registrados en la encuesta anterior, lo que representa un aumento del 98%.

La encuesta recopiló datos sobre el tráfico conversacional. Estos datos reflejaron que cada BOT habla con 5.500 personas diferentes al mes y registra un tráfico mensual de unos 58.000 mensajes. Hay, en promedio, 2,8 mil millones de mensajes intercambiados por BOTs (en activo, producción) en Brasil por mes, lo que revela un aumento promedio del 27% en el volumen registrado en el Mapa 2020.

Teniendo en cuenta que la atención al cliente es el principal objetivo del uso de BOTs para el 63% de las empresas de retail, es importante saber si el mercado ha conseguido mejorar la eficiencia y eficacia de los bots, y si no, ¡cómo hacerlo!

No sirve de nada que un bot diga lo correcto, en el momento correcto, pero en el lugar equivocado.

Cuando hablamos de chatbots, rápidamente nos referimos a conceptos de TI como Inteligencia Artificial (AI), algoritmos y Machine Learning. Evidentemente son términos que solemos ver asociados a los bots, pero nunca podemos dejar de lado el fin último de la herramienta: la conversación.

Ahora bien, si el foco del Diseño Conversacional es humanizar el lenguaje para conquistar al cliente cautivando su atención con un contacto más cercano, el lado humano del trabajo no es menos importante.

La experiencia vivida por el cliente en su jornada de compra es el gran diferencial que puede hacer que tu empresa destaque en el mercado actual. De hecho, esta es la esencia del deseo del consumidor actual: sentirse mejor que antes después de una interacción.

Resolver el corazón de este problema se revela como una palanca que puede nivelar el potencial de competencia entre las empresas tradicionales más grandes y los nuevos actores del mercado orientados a la tecnología.

Nos parece que el producto, el precio y el nombre se vuelven cuestiones secundarias si el cliente experimenta una experiencia que se siente verdaderamente personalizada.

En los procesos de marketing y ventas, parte de la personalización implica el llamado «compromiso predictivo»: saber cuándo y cómo interactuar con el cliente. Esto depende de quién es el cliente, en qué etapa del ciclo de compra se encuentra, qué está comprando y sus preferencias personales de comunicación. También requiere inteligencia para comprender dónde está atascado el cliente y ayudarlo a navegar por esos lugares.

Si por un lado el desarrollo de la inteligencia artificial juega un papel protagonista en la optimización de procesos y dar respuesta a las soluciones tecnológicas, cuando hablamos de chatbots la intervención humana sigue siendo imprescindible.

La creación de chatbots es relativamente fácil y rápida, pero el gran trabajo proviene de la actividad humana en el desarrollo y mejora de la herramienta conversacional. A pesar de ser una actividad operativa costosa, el trabajo de análisis de la interacción hombre-máquina sigue siendo la esencia de la mejora de los servicios proporcionados por los chatbots, lo que requiere un esfuerzo humano significativo.

De hecho, se agotó el tiempo de creación de personas y su uso para dirigir o servir a alguien. Un CRM o base de datos puede ser importante para el negocio y el marketing de segmento, sin embargo, solo la empresa que esté preparada para aprender y comprender verdaderamente a su cliente podrá sobrevivir en el mercado.

Durante el diseño del flujo conversacional es fundamental alinear las expectativas y necesidades del cliente con el perfil, soluciones y objetivos de la empresa. La intervención humana a través de UX, CX, curator, servirá para que esta experiencia sea única y suceda de forma natural. Entender el pensamiento del consumidor, sus dolores y necesidades, permitirá mapear todos los escenarios para poder ofrecer la solución más adecuada a su cliente.

-Eduardo de Proft Cardoso

Fuentes:

• Encuesta MIT: “Cómo la IA está cambiando la experiencia del cliente»: https://www.technologyreview.com/2020/04/28/1000675/how-ai-is-changing-the-customer-experience/
• White Paper SAS-MIT “Cómo la IA cambia las reglas: nuevos imperativos para la organización inteligente»: https://www.sas.com/en/whitepapers/mit-how-ai-changes-rules-111222.html

The post El paradigma de los desafíos creativos en las interfaces conversacionales first appeared on Planeta Chatbot.

Compass.uol me presentó este desafío y, aunque nunca antes había tocado la plataforma Blip, traté de guiarlo leyendo la documentación de la plataforma y revisando el centro de ayuda.

De todos modos, el paso más importante hubiera sido utilizar una buena planificación de UX, una formación que yo tampoco tengo. La gran ventaja es que Blip Builder es una plataforma extremadamente intuitiva para construir y desarrollar chatbots. Así que Blip siempre será una gran opción, ya que cuenta con una completa herramienta de desarrollo. A través de él podemos construir fácilmente los flujos conversacionales de lo que será nuestro futuro chatbot.

Además, pone a nuestra disposición, una amplia gama de plantillas preconfiguradas, podemos crear un chatbot desde cero, sin necesidad de conocer una sola línea de programación. Sin embargo, su personalización con técnicas de programación avanzadas también es perfectamente plausible. Además, permite utilizar una API o SDK para cargar código desde un chatbot preexistente directamente a Blip.

El desafío consistía en realizar la siguiente actividad: Construir un chatbot para pedir pizzas con algunos requisitos, usando BLIP e integrándolo con Telegram y Blip chat. En cuanto a la funcionalidad requerida para el bot, dejaremos la pregunta a un lado.

El enfoque de este artículo solo demostrará el tema relacionado con el flujo conversacional propuesto, el cual fue creado en base al diseño y funcionalidades inherentes a los componentes de Telegram y blipchat. Al principio, dadas las 24 horas que tenía para estructurar el bot, comencé a crear el flujo en el propio constructor, respondiendo a los requisitos obligatorios paso a paso. Obviamente, al final de la construcción, sin una planificación adecuada de UX, lo que quedó fue una maraña de conexiones que parecía una bola de hilo.

Mejorando el desarrollo pude leer y estudiar conceptos UI/UX, y recordar que la esencia del Diseño Conversacional es transformar conversaciones automatizadas en experiencias conversacionales similares a las que mantienen los humanos, y para eso es necesario crear flujos de conversación bien definidos y lógicos.

Para la construcción de mi flujo conversacional terminé eligiendo Draw.io, que permite trabajar con símbolos ISO estandarizados para construir el diagrama de flujo. Después de un poco de esfuerzo logré llegar a un diseño, que está lejos de ser el más completo, pero que al menos tenía el poder de demostrarme lo importante que es planificar el diagrama de flujo antes de realizar las entradas en el framework blip.

Necesitaba revisar conceptos sobre el «árbol de decisiones«. En el mundo de los bots, trabajar con un árbol de decisiones nos ayuda a rastrear posibles respuestas a las preguntas planteadas por los usuarios de bots, es decir, mapear posibles preguntas que pueden resolver los problemas formulados en un diálogo con el chatbot.

En el caso de nuestra pizza, cuando un cliente contacta con la pizzería a través del chatbot y luego escribe «Quiero una pizza«, nuestro asistente virtual respondería «quieres decir: pizza dulce o pizza salada», y así sucesivamente.

La construcción de preguntas y respuestas preestablecidas es parte del razonamiento para construir un árbol de decisiones, que ayudará a componer el diagrama de flujo para el servicio al cliente, que requiere una planificación y estructuración precisas.

Estoy agradecido por el desafío que me permitió realizar y crecer en este campo tan complejo que involucra al mundo de los chatbots. Dejo esta misión seguro de haber ganado más consistencia en mis soft skills, pero junto a eso todo el conocimiento surgido en una plataforma distinta a IBM Watson, que era el único idioma que había aprendido hasta ahora.

A continuación, se muestra un dibujo de cómo fue la propuesta de flujo conversacional, con la certeza de que aún me queda mucho por aprender sobre el tema. No es mi área de elección dentro del marco de los chatbots, pero es una pieza fundamental y una base de conocimiento sobre el tema.

The post Tutorial: creación de flujos conversacionales first appeared on Planeta Chatbot.

Algunos frameworks que actualmente se encuentran en el mercado permiten el uso de un enrutador, que en la práctica opera como un hub para chatbots, donde en proyectos más complejos la diversidad de temas y el gran flujo de comunicación que brinda un bot omnicanal hoy requiere de estrategias ágiles.

Dejar al cliente perdido en un servicio donde poco o nada se resuelve es una solución desastrosa, cuya pérdida de tiempo y dinero puede poner en jaque al Project Owner. No debemos olvidar que su objetivo es liderar el equipo de desarrollo, además de maximizar el valor del producto, para conseguir entregar la máxima funcionalidad y usabilidad del canal de comunicación a sus clientes actuales y a los potenciales.

Si has comenzado un proyecto de bot en el que tu producto se está convirtiendo en un proyecto de magnitudes celestiales, tal vez sea el momento de pensar en implementar subbots. Con esto, podremos obtener mejores medios disponibles para calcular el retorno de cada inversión, mayor claridad en la definición de métricas y sencillez, por increíble que parezca.

La estrategia en sí

Partiendo de esta base y gracias al uso de los chatbots cuya función es enrutar, podríamos tener un Chatbot Generalista que tendría el poder de recibir y procesar los datos provenientes de los flujos de conversación iniciales, un componente arquitectónico de la estructura que distribuye las tareas específicas para cada subbot dirigiendo correctamente al usuario al servicio requerido. O incluso podríamos abstraer un nivel más con un master chatbot, dependiendo de la estrategia comercial.

Esto permitirá que tu cliente tenga subbots responsables de las diferentes áreas de negocio de la empresa, o incluso que tus subbots adopten diferentes estrategias de negocio en función del perfil del usuario.

En estos casos, el chatbot generalista está estructurado para comprender lo que pregunta un usuario y lo redirigirá al servicio deseado. Si el usuario tiene preguntas más simples, será dirigido a un bot de preguntas frecuentes, si es un cliente potencial, será dirigido a un bot de conversión, y así sucesivamente.

Es decir, el chatbot generalista generalmente no está pensando en completar una tarea por sí solo. Simplemente se encarga de recibir y entender la solicitud de usuario para que en los pasos posteriores sean los bots especializados los que realmente cumplan la demanda del cliente.

Ventajas de los chatbots enrutadores

Dentro de este marco, son los subbots los que tienen el conocimiento específico del dominio necesario para realizar las tareas. Esto nos ayuda enormemente a mantener los flujos más organizados, además de facilitar mucho el mantenimiento del Bot. Y es que, la calidad de la experiencia del usuario proporcionada por un bot a menudo se correlaciona con su complejidad técnica y su capacidad para comprender contextos conversacionales.

Con respecto a una estrategia omnicanal, podemos observar que actualmente nos enfrentamos a incompatibilidades de programación. El desarrollo de tu bot no siempre te permitirá hacer una sola implementación en varias plataformas, porque algunas aceptan un lenguaje determinado, otras solo aceptan ciertos tipos de imágenes, etc. Al optar por una arquitectura de enrutador, esta puede ser otra gran ventaja, ya que hace que su solución sea escalable para diferentes medios.

The post Usando la arquitectura del enrutador en chatbots first appeared on Planeta Chatbot.