我们的AI机会景观研究这清楚地说明了聊天机器人在市场上是如何被过度炒作的，结果是大多数买家都大大高估了它们的有效性。我们的一些关于聊天机器人部署的新闻发布已经卷曲了会话接口供应商的羽毛。
本文的目的是帮助领导识别地思考部署金融服务中的会话界面的一些挑战和机遇。以下课程来自我们的AI机会景观研究以及直接产生的数据面试有保险、银行和财富管理方面的聊天机器人专家。
确定聊天机器人的业务目标
重要的是，首先要对业务目标或ROI类型有一个清晰的概念，我们希望通过我们的聊天或对话系统来实现。不幸的是，领导们经常带着先入之见(但却被误导了)参与到对话中，他们认为这对于一个聊天应用程序来说意味着什么。这可能是一些相当模糊的东西，比如“改善客户体验”，或者是一些非常具体但并不具体的东西，比如“节省成本”。
我们将以a为例零售银行客户服务聊天机器人作为一个代表性用例。尽管还有其他我们可以使用的用例，比如内部问答聊天机器人对于员工，人力资源数据，其他类型的搜索应用，销售启用等 - 我们将与这一人一起运行，以帮助我们今天的观点。
对于领导者来说，对Chatbots的能力和实施它们的挑战非常重要。我们已经完成了许多关于这一主题的采访 - 兴趣的读者可能希望收听我们的以下剧集金融服务业中的人工智能播客：
订阅金融服务业中的人工智能播客无论您在哪里获得播客：msports万博体育官网
下面我们以方便和有用的方式打破了一些这些目标。每个类别和几种不同类型的投资回报率为：
客户体验
更快的反应
提高客户服务的响应速度是我们可能用于人工智能系统的一个可衡量的基准。
在这种情况下，可能有一个聊天应用程序，可以处理零售银行客户经常询问的简单请求和回答死记硬背问题，所谓的“低悬挂水果”。这可能是：
- “如何重置密码?”
- “我的活期存款账户余额是多少?”
- 等等…
为了实现可行的投资回报,银行内的AI跨职能团队必须确定最重复的问题他们收到通过聊天和语音通道和确定哪些是有界的,可以理解的足够可靠地训练机响应。我们正在寻找(a)技术上可行的AI响应，(b)对用户有价值，(c)对业务有价值的交集。
例如，可能有十几种方法可以问“我的平衡是什么”。在Chatbot应用程序的数据库中识别主题上的这些变化，可以使此挑战符合要求。
然而，当涉及到更复杂的问题时，比如“过去两个月我在食品杂货上花了多少钱?”“有更多的排列，可能不太受限制。
通过理解最有限制和最常见的问题，我们将能够展示有多少这些“容易摘到的果实”可以采摘到更快、更有效的反应，甚至比人类代理人更好。
人的代理人容易出错。当客户询问有关政策或产品(如适用于某些账户的当前利率或费用)的特定问题时，他们可能并不总是记得或知道正确的信息。至少，与能够更快、更一致地处理信息的聊天机器人相比，人类代理可能需要更长的时间来找到他们需要的信息。
当然，这需要训练聊天机器人，使其能够更一致地传递正确的更新信息，而这往往比看起来要复杂得多。一个人类代理可以理解的查询，对于数据库中没有该查询的聊天机器人可能就不是这样了。
最重要的是，经过训练，聊天机器人可以比人类代理更快、更准确地处理一些客户交易，但前提是这些交易对机器来说是有限制的、可以理解的。
如果改进响应时间是目标，我们可以衡量客户在聊天机器人之前和之后收到第一个回复所花费的时间。我们还可以查看到解决方案的时间，并衡量客户收到解决方案的前后时间。
单独的速度不太可能是成功的唯一标准，但它是我们可以锚定我们的成功的有形特定基准。
自我报告的客户满意度
许多金融机构允许客户获得客户服务体验。也许是通过电话，电子邮件或文本完成的1-5种满意度。当询问客户是否询问他们的最后一个客户支持互动是否处理其问题时，也许是“是”或“否”响应。在任何一种情况下，满足的基准是我们可以用来尝试聊天禁令。
在我们对Lexalytics首席科学家的采访中保罗胡须，我们向他询问了公司如何使用自然语言处理，以及所需的（在专业知识，时间和培训方面）以获得这些系统的工作。他通过有趣和富有成效的用例，在不需要在不断变化的商业环境中保持NLP的后端“调整”揭示光线的有趣和富有成效的案例。基本上，他谈到了如何通过聊天日志梳理NLP方法，并确定客户的常见问题和挑战以及与客户相关的主题，积极情绪与客户以及负面情绪。
我们也许可以在不同的层次上突破这个问题。例如，我们可以确定是什么让老年客户生气。我们也许能够识别某些电话或问题的情绪差异，以及不同人群对聊天界面的反应。也许年轻人觉得这是一种比老年人更积极、更直接的回应，而老年人觉得这是一种更沮丧的回应。
能够了解我们的不同客户群体，了解他们喜欢的东西以及让他们扰乱的是什么是聊天乐队可能能够帮助我们的关键功能。它不仅可以帮助我们实际上解决问题，但可以在后端使用自然语言处理。我们可以从聊天对话中学习如何以一般方式改善客户体验。
我们可能会意识到，尽管聊天机器人对某些类别的问题提供了更快的解决时间，但更多的客户报告了负面体验。在其他情况下，聊天机器人可能会为客户提供可靠的更好的支持体验。为了做到这一点，我们需要有基线测量，调查这些差异，并加倍努力找出有效的方法。
降低成本
另一个潜在的商业目标将提高效率或降低成本。
例如，当在新地理区域中生长一个银行的新分支时，聊天设备的就业可能会有效地增长了客户服务功能，而不会越来越高的人数和工资费用。会话界面也可能降低海外呼叫中心代理的需求，减少了整体外包服务费用。
同样，使用人工智能驱动的聊天机器人来处理与客户的初步接触，将使一些客户服务代理腾出时间，在银行内完成其他类型的生产性任务，比如销售电话。从广义上讲，这将降低客户服务功能的总体成本。
目前，大多数对话系统似乎不会导致员工数量减少，但应用程序做得正确，至少应该能够以比正常情况下可能需要的更少的新增员工(或外包代理)来扩大客户服务响应。这应该是可衡量的。在聊天机器人项目开始时，银行需要确定它想要遵循的成本节约指标或基准。例如:
- 当我们的客户群增长X%时，我们是否知道有多少fte或外包代理是必要的?我们能否确定，通过对话界面，员工数量的增加是否能有意义地减少?
- 我们是否能够量化在客户互动上花费减少的人类小时数，并将其归因于呼叫中心的工作人员或客户服务函数一般？
提高收入
收入增加也是金融服务聊天聊天的可行目标 - 尽管它不如降低成本和改善客户体验的常见。
一个是通过使用相互作用期间捕获的数据来减少流失并提高保留，以确定这些交互可能归因于改善客户保留。会话数据也可用于识别客户的风险，并采取行动将其重新聘用，例如通过电子邮件或短信向他们发送特殊优惠，以便数据显示它们将欣赏。
另一个与收入相关的聊天机器人应用可能涉及交叉销售和向上销售。这并不是说聊天机器人会完成一笔商业支票账户或新贷款的交易，这是极不可能的。相反,聊天机器人可以检测可能性最高的客户购买更多的产品或服务,并方便地手那些最有可能的客户去代理(a)处理他们的需求,和(b)向他们出售在任何服务用户似乎最有可能购买(基于用户的人口统计信息,或者仅仅基于用户表达的需求或陈述)。
为了确定有效性，将在首先通过Chatbot或者首先通过Chatbot或者对人类代理商进行贷款时，将交易的成功率或贷款进行比较。这也可能是衡量投资回报率的好方法。
值得注意的是，我们可以衡量ROI的更多潜在方式，并且每个业务都会对他们的重要意义有不同的考虑因素。我们与企业一起工作的一部分正在探索可以合理地预期公司的资源和资源限制的投资回报率 - 并确定应对项目负责的公制基准。
建立一个跨职能的AI执行团队
某种程度的跨功能团队将需要参与评估聊天机器人的可行用例和可行的成功度量。然而，更重要和长期的合作将需要建立
这通常包括:
- 专门的主题专家- 通常客户服务专家，了解客户的需求，公司的会话流程以及客户服务如何解决下游业务影响。
- 敬业的数据科学人才-数据科学家不理解主题数据。卡内基梅隆大学(Carnegie Mellon)的人工智能博士学位并不意味着你对银行客户服务要求了如指掌。数据科学人才将需要通过“渗透”学习，也就是与了解客户服务相关IT问题、了解客户服务流程和业务流程的主题专家并肩学习。否则，智慧的假设就无法发展。
- 它的冠军- 虽然多次全职IT人员可能需要成为任何AI转换项目的一部分（聊天没有异常），但必须至少在IT函数中进行冠军。它与AI倡议的赔率令人难以理解，因为AI项目通常会对已经不堪重负的IT员工留下各种新问题并要求。如果没有一个相信AI项目的潜力的IT冠军，谁能向IT领导力和员工传达这个价值 - 项目可能会遇到太多的IT摩擦，以免生机。
- 业务冠军-这个人不太可能是真正开账单的决策者，但应该是(a)相信这个项目，并希望完成它的人，(b)有能力完成它AI采用和AI使用情况的概念理解， (c)能与所述决策者沟通(读:译)。
(注:Emerj Plus成员可以在我们的文章中更多地了解非技术主题专家的作用人工智能在商业中的应用——主题专家的关键作用.）
未能涉及它并未能带来专用主题专家是不成功的Chatbot举措的常见原因。跨职能团队的具体余额将因项目项目而异，团队的人才需求将在项目的生命中发展。标签数据和培训的初始繁重升降机可能需要比正在进行的维护和异常管理所需的较大的团队，以便在设置并运行它已经设置并运行。
团队必须确定日常交流和协作的节奏，以及与领导、IT或其他业务部门的交流节奏。一旦团队沉浸在问题本身的工作中，任何商定的会议和沟通节奏都可能发生变化。然而，一开始就有节奏比知道没有节奏的项目很快就会失败要好得多。
采用公司的最聪明的AI意识到这些交叉功能团队建造的方式，以及他们沟通的方式（与自己和其他团体，这样的商业领导及其）是需要保留为“剧本”或者的主要经验教训“最佳实践”，潜在应用于未来的AI项目。
执行数据审计
企业领导人还需要进行数据审计，包括查看所有现有的聊天日志或呼叫中心日志，以了解可用的信息类型。它还将涉及确定数据格式的可访问性，该格式必须是有组织和可理解的，以及是否有业务以高效的方式使用自然语言处理(NLP)的历史。
数据审计应该看以下内容:
- 业务注意事项相关用例和已建立的ROI将不可避免地得到更深入的关注，因为必要的团队成员已经被召集在一起，并且能够真正从不同的角度来考虑项目。例如，在许多情况下，一旦有了正确的专家，并且对可用数据有了更多的了解，ROI预测就会改变。
- 培训模型- 有必要基于所识别的界限使用情况和会话流程培训模型。然后可以在孤立的环境中测试系统，并查看常见类型的响应和聊天消息是否获得了所需的结果。
- 测试模型-在做了一些内部测试之后，就可以通过对工作模型的有限曝光和客户交互来进行测试，然后再进行部署。
- 部署-一旦模型测试成功，就有可能将系统实际整合到客户服务流程中，并使其成为日常工作流程的一部分。
部署实际上是一个多相过程，很容易弄错。事实上，由于各种原因，AI部署在90％的时间内完成了错误，并且成本巨大。为避免制作相同的错误，您可以了解实际部署聊天聊天的完整过程AI部署路线图，这将帮助你确定项目中需要哪些团队成员，以及将AI从一个想法发展到全面部署所需要经历的所有不同阶段。
结论
部署对话界面并不容易——许多金融机构已经通过艰难的方式发现了这一点。领导层必须合理地理解技术实际上能够胜任什么——跨功能团队必须现实地确定应该如何衡量项目的成功，以及哪些用例对于聊天机器人应用程序是可行的。
要让机器完全取代人类客户服务代理，我们还需要几年时间。但通过一种现实而全面的方法，银行应该能够使用NLP和对话界面来:
- 在正确的时间将客户服务查询可靠地发送到正确的人工代理
- 可靠地处理极端重复的“低挂果”应用
- 改善IVR和电话互动，使客户询问更快地解决
这项技术仍处于起步阶段，成功还远不能保证——尤其是那些旨在将大量客户服务互动自动化的雄心勃勃的项目。不存在即插即用的解决方案，希望本文能够帮助读者理解要克服的挑战和正确查看聊天机器人计划所需的业务流程。
