En kundeservice-chatbot er bare så god som kunnskapen den er trent på. Skru en generisk bot på nettstedet ditt, og du får generiske svar — og tro oss, kundene merker det umiddelbart. En mye sitert undersøkelse fant at så mange som 70 % av brukerne har bannet til en chatbot av ren frustrasjon, og en separat Forrester-bestilt studie fant at 30 % av forbrukerne som har en dårlig chatbot-opplevelse, tar forretningene sine et annet sted, avbryter kjøpet eller forteller andre om det.
Å bygge en chatbot fra din eksisterende dokumentasjon, FAQ-er, hjelpeartikler og produktguider er løsningen her, og det kan ta bare minutter med riktig AI kundeservice chatbot-bygger . Her er hvordan du kobler til kunnskapsbasen din og publiserer en supportchatbot på en brøkdel av tiden.
Fra regelbaserte boter til kunnskapsbase-chatboter
Kundeservice-chatboter har gått gjennom tre distinkte generasjoner, og det meste av frustrasjonen kundene rapporterer, kan spores tilbake til hvilken generasjon en virksomhet fortsatt sitter fast i.
Generasjon én: regelbaserte boter. De tidligste chatbotene var bygget på beslutningstrær, der kunden velger fra en meny med forhåndsskrevne alternativer, eller boten mønstergjenkjenner en håndfull forventede formuleringer. I det øyeblikket et spørsmål formuleres annerledes eller går utenfor manuset, ville boten enten gå i løkke, svare feil eller gi et generisk ikke-svar. Disse botene forstår ikke språk så mye som de matcher det mot et fast manus, så alt utenfor det manuset er en blindvei per design.
Generasjon to: generiske AI-chatboter. Å bytte ut beslutningstreet med en allmenn LLM løser språkproblemet. Boten kan nå tolke et merkelig formulert spørsmål og svare flytende, men det løser ikke kunnskapsproblemet. En generisk AI-chatbot vet fortsatt ingenting om virksomheten den representerer. Verre: en LLM uten forankring vil ofte svare selvsikkert likevel, og produsere et flytende, troverdig svar som rett og slett er feil. Hovedkilden til frustrasjon her er gapet mellom det kunden trenger og det boten faktisk vet.
Generasjon tre: kunnskapsbase- og sanntidsinternett-chatboter. En kunnskapsbase-chatbot løser begge problemene samtidig. I stedet for å skripte hver mulig samtalesti, eller stole på hva en LLM tilfeldigvis lærte under trening, kobler du til dokumentasjonen du allerede vedlikeholder, og eventuelt sanntidstilgang til internett, og boten søker i det innholdet live, på hvert eneste spørsmål. Hvert svar gjenspeiler dine faktiske retningslinjer og tilbud i stedet for en skriptet meny eller en generisk gjetning uten forankring.
Du kan se den samme underliggende tilnærmingen i praksis i FlowHunts demo ChatGPT med intern kunnskap , som svarer på spørsmål live ved hjelp av FlowHunts egen interne dokumentasjon. Den samme mekanismen som en kundevendt supportbot kjører på, bare rettet mot ditt innhold i stedet.
Steg for steg: Bygg din første supportchatbot
Å bygge en kunnskapsbase-forankret supportchatbot handler om seks steg.
1. Sett opp planlagte crawlinger. FlowHunts Schedules-funksjon lar deg crawle og crawle på nytt det offentlige innholdet ditt automatisk, slik at boten holder seg oppdatert uten manuelle opplastinger. Pek en tidsplan mot nettstedet ditt (domenecrawling), den offentlige dokumentasjonen din (sitemap-crawling), prissiden eller en annen side som endres ofte (enkelt-URL-crawling), eller til og med eksterne kilder du vil at boten skal bruke. Angi frekvensen — daglig, ukentlig, månedlig eller årlig — basert på hvor ofte det innholdet faktisk endrer seg.
2. Last opp dokumentene dine. I FlowHunts Documents-funksjon går du til Documents, klikker Add Document og velger enten Upload from file eller Upload from URL. Dette er veien for proprietær og ikke-offentlig kunnskap — interne retningslinjer, produktspesifikasjoner eller supportrutiner du ikke vil (eller kan) publisere offentlig, men som du likevel vil at chatboten skal bruke. Indekseringen tar et par sekunder per dokument.
3. Legg eventuelt til sanntidstilgang til internett. Å koble til en sanntidssøker, som Google Search eller DuckDuckGo Search, lar boten hente inn ferske resultater for spørsmål som det indekserte innholdet ditt ikke dekker. I motsetning til dokumentene dine og de planlagte crawlingene, er ikke dette innholdet noe du har kvalitetssikret, så det er mye vanskeligere å kontrollere hva boten ender opp med å sitere eller gjenta til en kunde.
4. Konfigurer velkomstmeldingen og prompten. Når en chatøkt åpnes, hilser boten på besøkende med en velkomstmelding og venter deretter på spørsmålet deres. Prompten bak den samtalen er en mal du styrer direkte. Den definerer botens persona, tone og hva som skjer når et spørsmål faller utenfor kunnskapsbasen (mer om det nedenfor).
5. Test med ekte spørsmål. Før noe går live, kjør den gjennom faktiske tidligere supportspørsmål, ikke bare de du forventer (se testseksjonen nedenfor).
6. Publiser den. Når du er fornøyd med svarene, publiserer du chatboten på nettstedet ditt, i supportportalen din eller på en hvilken som helst plattform som godtar en innebygd chat-widget — ingen egen infrastruktur å sette opp.
For en bredere sammenligning av tilnærminger til chatbotbygging, se bygge tilpassede AI-chatboter for supportteam .
Klar til å vokse bedriften din?
Start din gratis prøveperiode i dag og se resultater i løpet av få dager.
Hva du bør inkludere i kunnskapsbasen for best resultater
Chatbotens dokumentkilde for kunnskap godtar PDF-, DOCX-, Markdown- og TXT-filer, sammen med HTML-sider og YouTube-videoer som legges til via URL. Andre filtyper kan fortsatt lastes opp; de blir sannsynligvis flagget som et ukjent format, men kan fortsatt være brukbare.
Noen få ting gjør en betydelig forskjell for svarkvaliteten:
- Organiser med kategorier. Grupper dokumenter etter tema (fakturering, onboarding, feilsøking) slik at gjenfinningen henter den mest relevante biten i stedet for å søke i en flat, udifferensiert haug.
- Prioriter innholdet med mest trafikk først. FAQ-er og de mest brukte supportartiklene gir størst avkastning i nøyaktighet for minst oppsettinnsats.
- Hold det oppdatert. En kunnskapsbase-chatbot er bare så nøyaktig som dokumentene bak den. Se guiden vår om hvordan du holder kunnskapsbasen oppdatert for måter å automatisere denne oppdateringen i stedet for å gjøre det manuelt hver gang noe endres.
En godt skrevet velkomstmelding betyr også mer enn det ser ut som. Det er kundens første signal om at de snakker med noe som faktisk kjenner produktet, ikke et generisk manus. For eksempler og mønstre, se veldesignede velkomstmeldinger for chatboter .
Hvordan teste chatboten før du går live
Test med spørsmålene kundene faktisk stiller. Hent ut et utvalg av ekte historiske saker eller FAQ-innsendinger og kjør dem gjennom boten før lansering.
Mens du er i gang, verifiser at hvert dokument ble indeksert riktig i stedet for å anta at det fungerte. Du kan inspisere dette direkte ved å åpne et dokuments detaljvisning og sjekke innholdstreet, som avslører nøyaktig hva systemet hentet ut fra den filen. Et dokument som stille og rolig feilet i indekseringen, vil produsere selvsikkert feil svar, noe som er verre enn ikke noe svar i det hele tatt.
Til slutt, test feilbanen med vilje. Spør om noe du vet ikke er dekket i kunnskapsbasen, og bekreft at boten eskalerer på en smidig måte i stedet for å gjette.
Bli med i vårt nyhetsbrev
Få de siste tipsene, trendene og tilbudene gratis.
Eskaleringsdesign: Når boten overlater til et menneske
En kunnskapsbase-chatbot bør aldri bløffe. Prompten bak FlowHunts kundeservice-chatbot får eksplisitt beskjed om at hvis den ikke vet svaret, skal den tilby overlevering til menneskelig support i stedet for å dikte opp et svar.
Design dette med vilje i stedet for å la det være en ettertanke:
- Bestem hva «utenfor omfang» betyr for kunnskapsbasen din, og sørg for at prompten gjenspeiler det.
- Pek fallbacken mot en reell, overvåket kanal — en support-e-post, et skjema for saker eller en live chat-kø — ikke en blindvei. FlowHunt kobles også direkte til helpdesk-programvare du kanskje allerede kjører eskaleringskøen din gjennom, som LiveAgent , via sitt bibliotek av integrasjoner , slik at overleveringen kan lande i et verktøy teamet ditt allerede følger med på, i stedet for en ny innboks ingen sjekker.
- Gå gjennom samtaler der eskalering ble utløst. De er et direkte signal om hull i dokumentasjonen din.
Måling av chatbotens suksess: De riktige måltallene
Når den er live, er hver samtale et datapunkt. Gitt hvor raskt en enkelt dårlig chatbot-interaksjon kan få en kunde til å si opp avtalen eller klage offentlig, lønner det seg å behandle disse måltallene som et tidligvarslingssystem:
- Løsningsgrad vs. eskaleringsrate — hvor ofte boten svarer fullt ut versus overlater til et menneske. En økende eskaleringsrate på et spesifikt tema betyr vanligvis et hull i dokumentasjonen, ikke en botfeil.
- Gjentatte spørsmål og forvirringsmønstre — spørsmål som stadig kommer igjen og som boten håndterer dårlig, peker direkte på innhold som må skrives om eller utvides.
- Kundetilfredshet på samtaler håndtert av boten, sporet separat fra samtaler med menneskelige agenter, slik at du ikke blander de to.
Konklusjon
Generiske chatboter frustrerer kunder fordi de svarer ut fra et manus eller en allmenn modell i stedet for ditt faktiske innhold. Å koble til din eksisterende kunnskapsbase løser det ved kilden. Boten svarer ut fra dokumentasjonen din, eskalerer ærlig når den ikke vet noe, og blir mer nøyaktig hver gang du oppdaterer det den er koblet til. Teamene som får mest ut av en kunnskapsbase-chatbot, behandler testing, gjennomgang av eskaleringer og kunnskapsoppdateringer som en løpende vane, ikke som en sjekkliste ved lansering.
Klar til å sette din egen dokumentasjon i arbeid? Prøv kundeservice-chatboten og gjør din eksisterende kunnskapsbase om til en supportbot kundene dine faktisk kan stole på.
