-

Case: Chat- en voicebot analytics bij Rabobank 

Voor de optimalisatie van voice- en chatkanalen is de inzet van analytics belangrijk. Een blik op de opzet van conversational analytics bij Rabobank en de inzet van databronnen om alle kanalen continu te kunnen blijven bijschaven. 

Initiatieven bij Rabobank op het gebied van conversational hebben in de afgelopen 3 jaar geleid tot twee conversational kanalen: de virtuele assistent, in de vorm van een chatbot, en de Rabo Assistent, een voicebot in Google Assistent.

Eerste contactmoment

Drie jaar na de start van het conversational traject is de virtuele assistent van Rabobank uitgegroeid tot een volwaardige chatbot. De chatbot is het eerste contactmoment voor alle klanten die chat via zowel de Rabobank-website als de bankierenapp gebruiken. Zijn de vragen te complex? Dan schakelt de bot klanten door naar een agent. Het realiseren van deze bot vroeg om de expertise van bestaande teams, maar er moesten ook een aantal nieuwe teams worden opgericht (zie tabel voor alle betrokken teams hieronder).

Voicebot

Als launching partner van de Nederlandse Google Assistent lanceerde Rabobank ook een van de eerste Nederlandse ‘voice actions’. Daarmee waren ze de eerste Nederlandse organisatie waarmee klanten konden communiceren via voice. Inmiddels kunnen gebruikers onder meer hun saldo opvragen, een overzicht van hun laatste transacties bekijken, een betaalverzoek versturen of een simpele hypotheekberekening doen.

De eerste onderwerpen en tijdelijke antwoorden

Ruim een jaar voor de lancering werd een begin gemaakt met de conversationele content voor de virtuele assistent. Op basis van een zoekwoordonderzoek, live-chat en traffic-analyse van de meest bezochte pagina’s op Rabobank.nl werden uiteindelijk 5 onderwerpen als eerste uitgewerkt: BIC / Swift / IBAN, creditcard, pinpas, Rabo Scanner en Rabo Betaalverzoek.

Bij de livegang was het dus nog niet mogelijk om de chatbot antwoord te laten geven op vragen over onderwerpen die nog niet waren uitgewerkt. Om te voorkomen dat de virtuele assistent in veel gevallen de reactie “Ik begrijp niet wat je zegt” of “Kun je dat anders formuleren” zou geven, werden voor incomplete onderwerpen algemene ‘tijdelijke antwoorden’ geformuleerd. Denk aan: “Ik begrijp dat je een vraag hebt over hypotheken. Binnenkort kan ik je er alles over vertellen, maar voor nu is het beter dat een medewerker je helpt. Zal ik je doorverbinden met een medewerker om te chatten?” Nu – na de lancering van de virtuele assistent – gebruikt Rabobank de vragen die gesteld worden om inzicht te krijgen in klantbehoeften en zo te bepalen welke onderwerpen nog meer relevant zijn om uit te werken.

Databronnen 

Naast klantvragen gebruikt Rabobank ook andere processen, rapportages en tooling om te bepalen welke nieuwe content nodig is of welke content ze moeten optimaliseren. Van alle beschikbare data zijn dit de processen/bronnen die Rabobank het meest gebruikt:

1: Conversation Review

Iedere dag loopt een tweetal door chatbotconversaties van de vorige dag. De conversaties worden daarbij gekoppeld aan bepaalde intents (zie kader hieronder). Een tijdsintensieve klus, maar wel waardevol vanwege de volgende redenen:

  • In een duo houd je elkaar scherp in het herkennen van de vraag achter consumentenvragen.
  • Je herkent in een vroeg stadium de problemen waarmee klanten worstelen
  • Je krijgt een goed beeld van de content waar klanten behoefte aan hebben

Omdat er meer conversaties gevoerd worden via de virtuele assistent dan via de Rabo Assistent vindt de conversation review respectievelijk op dagelijkse en op tweewekelijkse basis plaats.

2: Chat coaching

In het begin konden agents meelezen met chatgesprekken die klanten met de virtuele assistent van Rabobank voerden. Op het moment dat de chatbot er niet uitkwam vanwege een onduidelijke vraagstelling, kon een agent ingrijpen en een antwoord formuleren dat beter aansloot bij de vraag van de klant. Zo zorgde Rabobank voor een betere klantervaring én trainden ze tegelijkertijd het herkenningsvermogen van de chatbot. Inmiddels is Rabobank hiermeer gestopt en is er een adviseurspanel van voormalige coaches in leven geroepen die alle content doorneemt.

3: Klantenservice

Tussen het team dat verantwoordelijk is voor de conversationele content en de klantenservice bestaan korte lijnen. De Rabobank-klantenservice verschaft op wekelijkse basis rapportages over waar klanten voor bellen. Ook dit geeft de nodige inzichten om content te maken of te optimaliseren. Onderwerpen met een hoog belvolume worden snel opgepakt. Zo doken er aan het begin van de coronacrisis veel vragen op over vakantiereserveringen.

4: Appstore ratings

Uitingen van ongenoegen over de dienstverlening van Rabobank zijn heel nuttig gebleken. Zo zijn Appstore-reviews voor Rabobank erg waardevol. Juist de één-ster-recensies bevatten nuttige informatie waar meerdere teams naar kunnen kijken om meer inzicht te krijgen in klantbehoeften. Reviews laten vaak in een paar woorden zien waar klanten mee worstelen en worden bij Rabobank daarom geanonimiseerd opgeslagen en beschikbaar gesteld in een business intelligence dashboard. Via het dashboard is het zelfs mogelijk om klantenfeedback per individuele feature te bekijken. Erg waardevol voor ontwikkelteams, maar ook als inspiratiebron voor nieuwe conversaties. Daarom zijn diverse API’s beschikbaar om de data van deze reviews voor eigen gebruik op te slaan.

5: Feedback via Usabilla

Overal op de website, in de app en op het online banking platform vraagt Rabobank klanten om feedback achter te laten via Usabilla. Deze feedback wordt door meerdere teams gebruikt voor het optimaliseren van content en functionaliteiten en het verbeteren van de gebruiksvriendelijkheid.

6: Google Analytics / Datastudio

Om bezoekersgedrag op onze website, het gebruik van de chatbot, maar ook de voice action beter te meten wordt Google Analytics gebruikt. In Google Datastudio zijn diverse handige dashboards gebouwd die goede inzichten geven in de prestaties van deze kanalen. 

Chat en voice bot analytics: waar rapporteert Rabobank op? 

Bij Rabobank wordt op maandelijkse basis aan de belangrijkste stakeholders, het klantenservice-centrum en de ontwikkelaars over chat en voice bot analytics gerapporteerd. De laatste actuele informatie is ook beschikbaar via een KPI-dashboard. De metrics die in deze rapportages worden meegenomen verschillen per kanaal (zie onderstaande tabellen). De volgende analysetools worden gebruikt voor de rapportages:  Google Analytics, Google Data Studio, Google Action Console, Nuance, Dialog Flow en Microsoft Power BI.

Volgende stap: data-opslag in een datalake

Binnen Rabobank is er al enige tijd een Enterprise data lake beschikbaar. De bank is op dit moment druk om alle data afkomstig van de  virtuele assistent hierin op te slaan. Het streven is om de klant te kunnen volgen over meerdere kanalen en inzicht te verkrijgen in hoe ieder kanaal een plek inneemt binnen de customer journey.

Wat kunnen we nog meer verwachten over conversational analytics?

Wil je meer weten over conversational analytics? In de Whitepaper: ‘The Ultimate Guide to Conversational Analytics wordt nog dieper ingegaan op de bovengenoemde typen metrics en hoe die kunnen bijdragen aan de verbetering van jouw chat- en/of voiceplatformen en een optimale klantervaring. 

Over de auteur: Justin Meijer is Product Manager – Sites, search & bots bij Rabobank en lid van de DDMA Commissie Voice.

Deel dit bericht

Plaats een reactie

Uw e-mailadres wordt niet op de site getoond