Chatbot pro zákaznickou podporu je jen tak dobrý, jako znalosti, na kterých je trénovaný. Přidělejte na svůj web obecného bota a dostanete obecné odpovědi — a věřte nám, zákazníci si toho všimnou okamžitě. Jeden hojně citovaný průzkum zjistil, že až 70 % uživatelů už na chatbota v čisté frustraci zaklelo, a samostatná studie zpracovaná pro Forrester zjistila, že 30 % spotřebitelů, kteří mají se chatbotem špatnou zkušenost, odejde ke konkurenci, zruší nákup nebo o tom řeknou ostatním.
Vytvoření chatbota z vaší stávající dokumentace, FAQ, článků nápovědy a produktových příruček je řešením — a se správným tvůrcem AI chatbota pro zákaznickou podporu to může trvat jen několik minut. Tady je návod, jak propojit svou znalostní bázi a nasadit chatbota podpory za zlomek času.
Od botů na pravidlech k chatbotům nad znalostní bází
Chatboti pro zákaznickou podporu prošli třemi odlišnými generacemi a většina frustrace, kterou zákazníci popisují, se dá vysledovat k tomu, ve které generaci firma stále uvízla.
První generace: boti na pravidlech. Nejranější chatboti byli postaveni na rozhodovacích stromech, kde zákazník vybírá z nabídky předepsaných možností, nebo bot porovnává vzory u hrstky očekávaných formulací. Ve chvíli, kdy je otázka formulována jinak nebo jde mimo scénář, bot buď zacyklí, vystřelí mimo, nebo vydá obecnou neodpověď. Tito boti jazyku nerozumí, spíš ho porovnávají s pevným scénářem, takže cokoli mimo tento scénář je už z principu slepá ulička.
Druhá generace: obecní AI chatboti. Nahrazení rozhodovacího stromu univerzálním LLM řeší problém s jazykem. Bot teď dokáže zpracovat i podivně formulovanou otázku a plynule odpovědět, ale neřeší problém se znalostmi. Obecný AI chatbot stále nic neví o firmě, kterou zastupuje. A co hůř, neukotvený LLM často přesto sebevědomě odpoví a vytvoří plynulou, věrohodně znějící odpověď, která je prostě špatná. Hlavním zdrojem frustrace je zde propast mezi tím, co zákazník potřebuje, a tím, co bot skutečně zná.
Třetí generace: chatboti se znalostní bází a přístupem k internetu v reálném čase. Chatbot nad znalostní bází řeší oba problémy najednou. Místo skriptování každé možné cesty konverzace nebo spoléhání na to, co se LLM náhodou naučil při tréninku, propojíte dokumentaci, kterou už spravujete, a volitelně i přístup k internetu v reálném čase, a bot tento obsah prohledává naživo u každé otázky. Každá odpověď odráží vaše skutečné zásady a nabídku místo předepsané nabídky nebo obecného, neukotveného odhadu.
Stejný princip v akci můžete vidět v demu FlowHunt ChatGPT s interními znalostmi , které odpovídá na živé otázky pomocí vlastní interní dokumentace FlowHunt. Stejný mechanismus, na kterém běží chatbot pro zákazníky, jen zaměřený na váš obsah.
Krok za krokem: Postavte svého prvního chatbota podpory
Vytvoření chatbota podpory ukotveného ve znalostní bázi se scvrkává na šest kroků.
1. Nastavte plánované crawly. Funkce Plány ve FlowHunt vám umožňuje automaticky crawlovat a znovu crawlovat váš veřejný obsah, takže bot zůstává aktuální bez ručního nahrávání. Nasměrujte plán na svůj web (crawl domény), veřejnou dokumentaci (crawl sitemapy), svou stránku s cenami nebo jinou často se měnící stránku (crawl jedné URL), nebo i na externí zdroje, ze kterých má bot čerpat. Nastavte frekvenci — denně, týdně, měsíčně nebo ročně — podle toho, jak často se daný obsah skutečně mění.
2. Nahrajte své dokumenty. Ve funkci Dokumenty ve FlowHunt přejděte na Dokumenty, klikněte na Přidat dokument a zvolte buď Nahrát ze souboru, nebo Nahrát z URL. Toto je cesta pro vlastnické a neveřejné znalosti — interní zásady, specifikace produktů nebo playbooky podpory, které nechcete (nebo nemůžete) zveřejnit, ale přesto chcete, aby z nich chatbot čerpal. Indexace zabere pár sekund na dokument.
3. Volitelně přidejte přístup k internetu v reálném čase. Připojení retrieveru pro vyhledávání v reálném čase, jako je Google Search nebo DuckDuckGo Search, umožní botovi přinést živé výsledky pro otázky, které váš indexovaný obsah nepokrývá. Na rozdíl od vašich dokumentů a plánovaných crawlů tento obsah neprošel vaší kontrolou, takže je mnohem těžší ohlídat, co bot nakonec cituje nebo zopakuje zákazníkovi.
4. Nastavte uvítací zprávu a prompt. Když se otevře chatovací relace, bot přivítá návštěvníka uvítací zprávou a pak čeká na jeho otázku. Prompt, který za touto konverzací stojí, je šablona, kterou přímo ovládáte. Definuje personu bota, tón a to, co se stane, když otázka leží mimo znalostní bázi (více níže).
5. Testujte na skutečných otázkách. Než cokoli spustíte naostro, prožeňte to skutečnými minulými otázkami podpory, ne jen těmi, které očekáváte (viz sekce o testování níže).
6. Nasaďte ho. Jakmile jste s odpověďmi spokojeni, nasaďte chatbota na svůj web, portál podpory nebo jakoukoli platformu, která přijímá vložitelný chatovací widget — není třeba stavět samostatnou infrastrukturu.
Pro širší srovnání přístupů k tvorbě chatbotů viz tvorba vlastních AI chatbotů pro týmy podpory .
Připraveni rozšířit své podnikání?
Začněte svou bezplatnou zkušební verzi ještě dnes a viďte výsledky během několika dní.
Co zahrnout do znalostní báze pro nejlepší výsledky
Zdroj znalostí z dokumentů u chatbota přijímá soubory PDF, DOCX, Markdown a TXT spolu s HTML stránkami a videi z YouTube přidanými přes URL. Jiné typy souborů lze stále nahrát, pravděpodobně budou označeny jako nerozpoznaný formát, ale mohou být stále použitelné.
Několik věcí dělá podstatný rozdíl v kvalitě odpovědí:
- Organizujte pomocí kategorií. Seskupte dokumenty podle tématu (fakturace, onboarding, řešení problémů), aby retrieval vytáhl nejrelevantnější část místo prohledávání ploché, nerozlišené hromady.
- Upřednostněte obsah s nejvyšším provozem. FAQ a nejčtenější články podpory přinášejí největší zlepšení přesnosti za nejmenší úsilí při nastavení.
- Udržujte ji aktuální. Chatbot nad znalostní bází je jen tak přesný, jako dokumenty za ním. Podívejte se na náš návod, jak udržovat znalostní bázi aktuální , kde najdete způsoby, jak tuto obnovu automatizovat, místo abyste ji dělali ručně při každé změně.
Dobře napsaná uvítací zpráva je také důležitější, než se zdá. Je to první signál pro zákazníka, že mluví s něčím, co produkt skutečně zná, a ne s obecným scénářem. Příklady a vzory najdete v článku dobře navržené uvítací zprávy chatbota .
Jak otestovat chatbota před spuštěním naostro
Testujte na otázkách, které zákazníci skutečně pokládají. Vezměte vzorek skutečných historických ticketů nebo odeslaných FAQ a prožeňte je botem před spuštěním.
Zároveň ověřte, že každý dokument byl správně indexován, místo abyste předpokládali, že to fungovalo. Můžete to zkontrolovat přímo otevřením detailu dokumentu a kontrolou jeho stromu obsahu, který odhalí přesně to, co systém z daného souboru extrahoval. Dokument, který se tiše nepodařilo správně indexovat, bude produkovat sebevědomě špatné odpovědi, což je horší než žádná odpověď.
Nakonec záměrně otestujte cestu selhání. Zeptejte se na něco, o čem víte, že není ve znalostní bázi pokryto, a ověřte, že bot elegantně eskaluje místo hádání.
Přihlaste se k odběru newsletteru
Získejte nejnovější tipy, trendy a nabídky zdarma.
Návrh eskalace: Kdy bot předá člověku
Chatbot nad znalostní bází by nikdy neměl blafovat. Prompt za chatbotem FlowHunt pro zákaznickou podporu má výslovnou instrukci, že pokud nezná odpověď, má nabídnout předání lidské podpoře, místo aby si odpověď vymyslel.
Navrhněte to záměrně, místo abyste to nechali jako dodatečnou myšlenku:
- Rozhodněte, co pro vaši znalostní bázi znamená „mimo rozsah“, a zajistěte, aby to prompt odrážel.
- Nasměrujte fallback na skutečný, sledovaný kanál — e-mail podpory, formulář ticketu nebo frontu živého chatu — ne na slepou uličku. FlowHunt se také přímo propojuje s helpdeskovým softwarem, přes který už možná provozujete svou eskalační frontu, jako je LiveAgent , prostřednictvím své knihovny integrací , takže předání může skončit v nástroji, který váš tým už sleduje, a ne v nové schránce, kterou nikdo nekontroluje.
- Procházejte konverzace, kde se spustila eskalace. Jsou přímým signálem mezer ve vaší dokumentaci.
Měření úspěchu chatbota: Správné metriky
Jakmile je bot v provozu, každá konverzace je datovým bodem. Vzhledem k tomu, jak rychle může jediná špatná interakce s chatbotem dohnat zákazníka k odchodu nebo veřejné stížnosti, vyplatí se brát tyto metriky jako systém včasného varování:
- Míra vyřešení vs. eskalace — jak často bot odpoví úplně versus předá člověku. Rostoucí míra eskalace u konkrétního tématu obvykle znamená mezeru v dokumentaci, ne selhání bota.
- Opakované otázky a vzory zmatení — opakující se otázky, které bot zvládá špatně, ukazují přímo na obsah, který je třeba přepsat nebo rozšířit.
- Spokojenost zákazníků u konverzací vedených botem, sledovaná odděleně od konverzací s lidským agentem, abyste tyto dvě věci neslévali dohromady.
Závěr
Obecní chatboti frustrují zákazníky, protože odpovídají ze scénáře nebo z univerzálního modelu místo z vašeho skutečného obsahu. Propojení vaší stávající znalostní báze to řeší u zdroje. Bot odpovídá z vaší dokumentace, poctivě eskaluje, když něco neví, a je přesnější pokaždé, když aktualizujete to, k čemu je připojen. Týmy, které ze chatbota nad znalostní bází vytěží nejvíc, berou testování, kontrolu eskalací a aktualizace znalostí jako průběžný návyk, ne jako seznam úkolů při spuštění.
Připraveni zapojit svou vlastní dokumentaci? Vyzkoušejte chatbota pro zákaznickou podporu a proměňte svou stávající znalostní bázi v bota podpory, na kterého se vaši zákazníci mohou skutečně spolehnout.
