Un bot est, selon Andrew
Ces chatbots ont pour ambition de se perfectionner grâce aux échanges qu'ils peuvent avoir avec les clients et aux avancées de l'IA qui leur permettront au final de mieux réagir. À tel point que Gartner prévoit déjà que 20 % des interactions via mobile passeront par des agents conversationnels d’ici 2019, tous secteurs confondus. Le cabinet va même plus loin en estimant que, d’ici 2020, un individu, quel qu’il soit, aura un nombre plus élevé de conversations avec un bot qu’avec son
Le déploiement des chatbots
Fort de ces avantages et de ces prévisions, combinés au développement exponentiel actuel de l’usage du mobile, les entreprises tendent à utiliser de plus en plus ces chatbots dans leurs différents outils et canaux de gestion de la relation client. Que ce soit pour faciliter un achat, gérer une réservation ou pour répondre à une question, ils sont utilisés à toute heure du jour et de la nuit avec pour objectif de délivrer une expérience personnalisée. MAAF Assurances et Allianz ont notamment développé des dispositifs en ce sens sur leurs pages Facebook, capables de délivrer une tarification après un court échange avec leur interlocuteur. Au-delà des réseaux sociaux précédemment cités, on les retrouve également dans des environnements propriétaires comme l’application Ôji de la MGEN qui s’est adjoint les services d’un chatbot afin de permettre à ses utilisateurs de simuler leurs remboursements de frais de santé. Un renfort qui serait par ailleurs apprécié, selon une étude réalisée par Facebook IQ auprès des utilisateurs actuels de Facebook
De plus en plus de banques sont tentées de confier une partie de leur service client à ces assistants virtuels, offrant une plus grande disponibilité à moindres coûts. Il s’agit pour les banques de pouvoir réduire l’activité des centres d’appel et réorienter, si besoin, les clients vers des conseillers dès lors que les questions et demandes seront qualifiées de trop complexes et/ou demandant une expertise. Une tendance de fond selon Juniper Research qui estime que les chatbots dégageront des économies de plus de 8 milliards de dollars (7,3 milliards d’euros) par an d’ici
Les applications bancaires
L'intérêt des banques pour ces systèmes intelligents qui apprennent de leurs erreurs est manifeste : ils leur permettent de répondre aux clients via un canal simple d’utilisation, 7 jours sur 7 et 24 heures sur 24, et leur offrent ainsi la perspective de réduire l'insatisfaction des clients tout en jouant sur leurs coûts opérationnels. Dans ce contexte, les banques multiplient les initiatives et les services offerts sont très variés.
Services non bancaires. Société Générale propose à ses clients qui consultent sa page Facebook « par amour du rugby » d'échanger avec son chatbot. Grâce à lui, l’ensemble des utilisateurs de Facebook Messenger peut désormais visualiser instantanément la programmation d’une journée de TOP 14 (v. Image 2), le championnat de France de rugby de première division, les résultats des matchs ainsi que d’autres contenus exclusifs. La banque a ici pour objectif affiché de tester le potentiel de cette nouvelle technologie, et notamment le mode de relation, considéré comme plus simple, plus personnalisé et instantané.
Questions d’argent. Dans le même esprit, la banque a noué un partenariat avec Jam, une start-up spécialisée dans les conseils aux étudiants, qui a conçu une application de messagerie instantanée automatique se présentant comme « l'intelligence artificielle pour les bonnes choses de la vie », axée sur les « bons plans » pour simplifier le quotidien des jeunes (v. Image 3). Pour la banque, l’objectif de ce partenariat est de mieux comprendre les besoins et les attentes des moins de 30 ans. Le chatbot aura ainsi pour mission de rediriger un vivier de jeunes prospects – Jam revendique 100 000 inscrits et 150 000 messages reçus par semaine – vers Société Générale pour répondre à leurs questions d’argent, le tout sur un ton décalé avec un tutoiement de rigueur et une efficacité de la réponse par algorithme.
Informations et opérations bancaires. À ce stade, seules quelques banques ont confié une partie de leur service client à des robots conversationnels pour répondre aux questions des clients. Mais les initiatives se multiplient. Parmi elles, on retrouve la Royal Bank of Scotland qui a annoncé, dès septembre 2016, le lancement d'un pilote avec IBM pour mettre à disposition de 10 % de ses clients les services d'un chatbot. Celui-ci a pour finalité de désengorger les centres d'appels de la banque en prenant en charge les demandes les plus simples et d’orienter les clients vers un conseiller pour prendre en charge les questions plus complexes. On retrouve aussi BBVA qui propose un premier chatbot, accessible dans Facebook Messenger et dans Telegram qui permet essentiellement à son interlocuteur de consulter les soldes de ses différents comptes et cartes de crédit. Elle en propose un deuxième, disponible dans tous les outils de messagerie (puisqu'elle repose sur un clavier personnalisé), qui permet d'envoyer très facilement de l'argent à un contact. Outre RBS et BBVA, la banque de Singapour DBS teste aussi les services d'un assistant virtuel. Proposé depuis la fin de l'année 2016 aux clients à Singapour et en Inde pour échanger avec la banque sur Facebook Messenger, ce chatbot permet aussi d'effectuer des paiements. La consultation des soldes de compte représentant aujourd'hui plus de 90 % des accès aux applications bancaires et le paiement entre amis étant fréquent, ces banques se positionnent dans la logique de pouvoir répondre à des usages communs. MasterCard propose également, depuis début 2017, un bot bancaire à destination des établissements permettant aux consommateurs de consulter le solde de leur compte, de surveiller leurs dépenses, de recevoir des offres promotionnelles, d’effectuer des transactions et de réaliser leurs achats via des plates-formes de messagerie ainsi que par SMS (v. Image 4).
Coaching financier. Bankin', la FinTech spécialisée dans l’agrégation de données bancaires, a également lancé fin septembre un chatbot fonctionnant sur Facebook Messenger. Celui-ci permet d’obtenir des informations sur son solde, ses dernières opérations, etc. Mais il est également capable de se comporter en coach financier, en proposant par exemple à l’usager de mettre de l’argent de côté sur la base de son solde. Aux États-Unis, Bank of America a aussi une ambition de coaching financier et teste un bot dénommé Erica intégré à l'appli et qui donne des conseils de gestion de ses comptes (v. Image 5).
Chatbots « vitrine » et chatbots « de service client »
Dans l'ensemble, mêmes si les initiatives se sont multipliées ces derniers mois, les banques restent toutefois assez prudentes, estimant que la technologie des chatbots n'est pas encore assez mûre pour traiter de questions aussi sérieuses que des opérations bancaires. Selon Forrester, la fiabilité des bots serait en effet encore trop aléatoire pour permettre aux banques de les utiliser sereinement dès à présent. Selon l’institut, sur un tiers des requêtes effectuées, les bots fourniraient une réponse erronée, sans rapport, ou ne seraient simplement pas en mesure de répondre. On ne peut occulter ici les conséquences potentielles en termes d’image pour la banque. Sachant que des précédents ont déjà eu lieu dans d’autres secteurs. Le bot Tay de Microsoft s’est par exemple mis à donner des réponses à caractère raciste et négationniste au bout de seulement 24 heures d’activité, ceci après avoir conversé avec des personnes qui se sont amusées à faire évoluer le bot en twittant avec lui.
Dans ce cadre, il n’est donc pas surprenant qu’une banque telle que Bank of America, qui compte 65 millions de clients dont 22 millions utilisateurs de son application mobile, prenne du temps avant de lancer son chatbot Erica prévu fin 2017 (v. Image 5). Les ingénieurs qui travaillent sur le projet tiennent notamment à ce qu’Erica soit capable de maîtriser les nuances du langage humain. Parmi les objectifs pluriels d’Erica, Bank of America mentionne une meilleure navigation via le vocal ou l’écrit que via une série de menus, les virements, le paiement de factures ou encore la commande de chéquiers. Erica aura également pour vocation d’être un agent conversationnel. Il pourra ainsi répondre à des questions basiques comme la date à laquelle le débit de la carte bancaire est prévu. En cas de cartes multiples, il demandera de quelle carte il s’agit. Même chose pour un virement, il demandera à partir de quel compte le débit doit être initié et à force d’apprentissage des habitudes et des préférences du client, il sélectionnera à terme par défaut un compte et ne demandera plus que la validation. Erica a également pour ambition d’être capable de faire des recommandations au client. Erica devrait à titre d’exemple être capable d’adresser des messages prédictifs du type « j’ai trouvé une opportunité pour réduire votre endettement et vous faire économiser 300 $ ». En cas de diminution du score FICO (notation de crédit), Erica pourra aussi donner des conseils pour favoriser l’épargne ou pour réduire les dépenses ou encore rediriger vers du contenu éducatif grâce à un partenariat avec la Khan Academy.
Pour diminuer les risques potentiels analogues à ceux auxquels Microsoft a été confronté, la banque a créé de très nombreux filtres. Le chatbot intègre également régulièrement de nouvelles idées émanant des employés, notamment via l’organisation de challenges dédiés à l’innovation, et il apprend au contact des différentes interactions avec ces mêmes employés.
À travers ces exemples, on observe ainsi deux approches dans le domaine bancaire : les chatbots « vitrine », qui ont pour principal objectif de créer du bruit autour d’une marque, et les chatbots « de service client ». Là où les premiers pourront se contenter d’un parcours simple, avec pour finalité de donner une information dans le cadre d’un échange court et dans un champ d’action très étroit, les seconds font nécessairement l’objet d’une phase de conception plus structurée.
Prendre du recul sur les vraies capacités de l’IA
Malgré les avancées spectaculaires des algorithmes d’IA ces dernières années, il convient de prendre en considération le fait que nous sommes encore face à des IA « faible », selon une terminologie populaire dans la communauté scientifique. Au contraire d’une IA forte, capable de mimer le comportement humain en capitalisant sur l’information pour prendre des décisions, les IA faibles sont conçues pour exécuter des scénarios précis dans un cadre restreint et maîtrisé.
Le champ d’action d’un chatbot de service client relève du « selfcare », aux côtés des FAQ dynamiques et autres espaces connectés. Pour rappel, les canaux de selfcare ont pour objectif de donner de l’autonomie aux utilisateurs, en leur permettant d’effectuer des opérations simples comme le téléchargement d’une attestation ou des modifications mineures de leurs contrats. Avec en ligne de mire le plus haut taux de résolution possible.
Le temps du chatbot multifonctions, susceptible de remplacer en intégralité un site web, n’arrivera pas avant quelques années. Les projets actuels se fixeront plutôt pour objectif de délivrer un résultat anticipé, à l’issue d’un arbre de décision qui privilégiera des parcours étroits.
À ce jour, le principal facteur différenciant en termes d’expérience utilisateur se trouve dans la capacité de la technologie à interagir en langage naturel. Le langage naturel est le mode de communication inné des humains. Ce sont les langues que nous connaissons et utilisons au quotidien : le français, l’anglais, etc. Elles présentent des subtilités du fait notamment des différents niveaux de langage (familier à soutenu) et de leur caractère changeant.
En effet, le langage naturel, au contraire des langages formels (comme les langages informatiques), évolue en permanence : des mots apparaissent, d’autres disparaissent au fil du temps. C’est une matière complexe, difficile à comprendre pour un algorithme informatique. C’est pourquoi les solutions de chatbot les plus simples se contentent de proposer une navigation par bouton, et parfois d’identifier des mots-clés dans les intentions exprimées par les utilisateurs.
Pour autant les interactions en langage naturel à l’écrit, voire, de plus en plus souvent, via la voix, sont la clé de l’adoption des chatbots par le plus grand nombre.
Approches probabilistes et déterministes
La discipline qui s’attache à analyser et modéliser informatiquement le langage humain est appelée le traitement automatique du langage naturel (en anglais, Natural Language Processing – NLP).
Au sein de cette science se distinguent deux approches :
- l’approche déterministe : elle repose sur l’implémentation d’un comportement contrôlé dans l’IA, en capacité de reproduire un raisonnement considéré comme bon par son concepteur ; par exemple en établissant des relations sémantiques entre des concepts, une IA déterministe saura proposer de renouveler une carte bancaire à un internaute qui s’exprime sur la « perte de CB » ;
- l’approche probabiliste : aussi appelée approche statistique, celle-ci consiste à programmer l’IA pour apprendre à partir de l’observation des comportements ; ainsi dans le cas de notre exemple précédent, l’IA pourra proposer le renouvellement d’une carte bancaire en déduisant que les internautes s’exprimant sur la perte d’une carte bleue consultent souvent le formulaire de demande de renouvellement par la suite.
L’approche probabiliste, sur laquelle reposent les méthodes d’apprentissage de machine learning et de deep learning, produira une intelligence capable de construire des réponses à partir des interactions observées, à la condition que ces interactions soient suffisamment nombreuses (des dizaines, voire des centaines de milliers). Cela demande néanmoins une phase de configuration initiale poussée car l’intelligence doit être préalablement « entraînée » (validation humaine des réponses apportées) avant de pouvoir être mise au service de cas d’usage réels.
Les approches déterministes, bien que plus simplistes, réduisent drastiquement le risque d’erreur. Leur comportement est programmé par l’humain, et elles sont en mesure de lever des alertes lorsque le résultat produit est en décalage avec l’attendu. Elles s’avèrent donc particulièrement pertinentes dans une approche business, où les réponses erronées ou inadaptées peuvent avoir des conséquences importantes en termes d’expérience client. On ne se verrait pas conseiller un visiteur sur des questions bancaires en tolérant une marge d’erreur de 30 ou 40 %.
Mobiliser la connaissance et en imprégner le bot
Dans le cas d’une application de service client, l’intelligence dispose principalement de deux sources d’information pour composer ses réponses :
- une base de connaissances, partagée ou non avec d’autres applications. Il s’agit de la matière de base à laquelle un bot peut faire appel pour répondre à un besoin. Elle est principalement statique mais un bon accompagnement linguistique permettra de détecter les manques de contenus afin de l’optimiser au fil des interactions ;
- des sources de données tierces : système d’information, CRM, applications métiers ou même des webservices externes (type météo, cours de bourse, etc.).
Les données issues des systèmes d’information viendront personnaliser les réponses apportées : plutôt que communiquer une grille de tarifs génériques, on l’adaptera au contrat de service dont dispose l’interlocuteur.
L’exposition de ce type de données demande néanmoins le développement de connecteurs spécifiques qui peuvent alourdir le projet. Et dans le cas d’un déploiement de chatbots sur des plates-formes tierces de type Facebook Messenger, il convient de bien évaluer le risque de faire transiter des données sensibles sur un espace non propriétaire. Les politiques de confidentialité des géants du « messaging » restent d’ailleurs assez floues sur le sujet.
Mettre en œuvre un projet de bot
Avant même de se plonger dans des questions de solutions ou d’architecture technique, un certain nombre de sujets sont à éclaircir dans le cadre du lancement d’un projet de chatbot.
Le premier et le plus crucial reste la réelle valeur ajoutée apportée par l’interface conversationnelle et les arbres de décision. Le chatbot doit-il être circonscrit à un périmètre restreint avec un scope étroit ou doit-il être le mouton à cinq pattes, qui saura à la fois traiter des demandes clients, promouvoir des offres, escalader vers un conseiller ?
De manière générale, un projet de bot réussi repose sur la valeur ajoutée apportée par le dispositif, qui complète l’offre multicanale et offre de nouvelles modalités de résolution de points de douleur dans les parcours client. On s’attachera à ne pas reproduire des fonctionnalités déjà couvertes par d’autres dispositifs de self-care (FAQ dynamiques ou espace client).
Les réponses à ces questions vont dimensionner le projet, en termes de timing et de périmètre. Le temps de réalisation et la complexité peuvent varient très sensiblement selon que le bot deviendra un premier niveau de filtrage avant d’atteindre les canaux humains de la relation client, un collaborateur virtuel voué à promouvoir des offres ou des actualités produits (découverte du besoin, simulation, tarification, etc.), ou encore un dispositif capable de traiter des actes clients de bout en bout.
Par ailleurs, il peut être judicieux de prévoir de capitaliser sur les données collectées, qui pourront par exemple être reportées dans un CRM. On sera ainsi en mesure de tracer les contacts clients gérés par le bot, afin de s’inclure parfaitement dans la stratégie multicanale. Dans l’idéal, un conseiller en agence devrait être en mesure de consulter les échanges passés d’un client avec le bot.
Aussi passionnante soit l’expérience à concevoir, dans un contexte d’enjeu business, il faut garder en tête l’intérêt du client final et ne jamais perdre de vue l’importance de l’expérience utilisateur, qui peut être dégradée par une interface trop complexe.
Selon les contextes, les budgets et les contraintes de timing, les attentes doivent être en phase avec la réalité. Pour cela une bonne démarche est d’expérimenter les bots en production, de rencontrer et d’échanger avec les éditeurs de solutions, afin de mieux se rendre compte de la ou des opportunités et des contraintes sur le terrain.
