Tout d’abord, je souhaiterai en quelques phrases, redéfinir ce qu’est un questionnaire conversationnel.

Ces questionnaires ont pour caractéristiques de pouvoir converser avec l’interviewé sous forme de chat et de dérouler une arborescence logique en s’aidant de questions fermées (qui guident l’entretien) mais aussi (et c’est ce qui nous intéresse aujourd’hui) de questions ouvertes.

Alors qu’une arborescence liée à des questions fermées est aujourd’hui résolue par des solutions d’enquêtes très courantes et utilisant des outils appelés CAWI (Computer Assisted Web Interview), un déroulement logique basé sur des questions ouvertes (donc du verbatim) est bien plus complexe, et demande des outils sophistiqués (je pense notamment aux techniques d’analyse lexicale et à l’Intelligence Artificielle).

Donc, pour répondre à votre question sur la nécessité d’approfondir le sujet, je pense que trop souvent, les futurs candidats à l’élaboration d’un questionnaire conversationnel ou tout simplement d’un chatbot, pensent qu’il suffit « d’appuyer sur un bouton » pour que cela fonctionne.

Je souhaite que l’entretien d’aujourd’hui montre qu’il n’en est rien, et que pour mener à terme une telle mission, il faut non seulement des outils adaptés mais aussi un savoir-faire significatif !

En effet, mais j’insisterais plutôt sur la durée de cette première étape. Ce que nous appelons le paramétrage du setup du futur chatbot (ou du questionnaire chatbot), est la phase stratégique à l’origine du bon fonctionnement de la « machine ».

Pour bien faire, il faut donc se laisser du temps pour concevoir l’arborescence logique et intelligente du dispositif.

Pour bien comprendre, il faut savoir qu’il y a deux sortes d’intelligence Artificielle (I.A.) à savoir l’I.A. forte et l’I.A. faible.

L’Intelligence Artificielle forte, c’est l’intelligence du futur. Elle repose sur des algorithmes et des bases de données tellement performants que dans un questionnaire conversationnel ou un chatbot connecté à une telle intelligence, aucun paramétrage (ou presque) n’est nécessaire. La machine comprend comme vous et moi ce qu’écrit le client durant le déroulement du chat.

Pour ce faire, il faudrait développer des bases de connaissances extrêmement importantes alliées à des algorithmes ultrarapides.

Ce type d’intelligence demande des moyens technologiques encore inaccessibles même pour les GAFA (Google, Apple, Facebook et Amazon).

L’Intelligence Artificielle faible est celle qui a aujourd’hui cours sur le marché des études et des chatbots.

Pour fonctionner, elle nécessite la création d’une base de connaissance spécifique à l’agent conversationnel, ou, pour être plus précis, à la (ou les) question(s) posée(s).

En restant très schématique à ce stade de notre conversation, l’idée est de prévoir les réponses de l’interviewé, d’entrer ces réponses dans une base de données, et de s’en servir pour alimenter la conversation.

Le paramétrage d’un bot est clairement réservé à des spécialistes.

Pour que cela réussisse, il faut des outils informatiques d’I.A. adaptés, des experts en analyse lexicale, de la patience et, pour bien faire, beaucoup de minutie et d’application.

En résumé, il faut des compétences mais aussi un peu de temps.

Si nous mettons de côté la phase de conseil préliminaire (au demeurant fondamentale) consistant à bien définir le périmètre d’intervention du futur chatbot, la première étape sera de se concentrer sur l’arborescence logique des futurs entretiens avec le robot.

Pour être efficace lors de la programmation d’un chatbot (ou d’un questionnaire conversationnel), il faut, autant que possible, guider l’interviewé de manière à canaliser au maximum le discours du client lors de sa réponse.

Tout à fait, la qualité de l’arborescence d’un formulaire tient bien sûr à la parfaite cohérence du déroulement de l’entretien, mais aussi à la manière dont les questions sont formulées. Pour ces deux raisons, une expertise de chargé(e) d’étude sénior(e) est la bienvenue.

Plus les questions du bot seront précises et plus les commentaires libres de l’usager seront cadrés. L’algorithme d’I.A. stocke des réponses possibles, donc plus les questions seront prévisibles, plus les réponses de l’automate seront pertinentes.

Laisser trop de liberté à l’utilisateur, c’est prendre le risque de ne pas être compris par le « bot » et de rendre l’arborescence incohérente donc inefficace.

Pour compenser un degré de liberté trop grand dans les commentaires du client (appelons-le comme ça), la base des réponses possibles du bot devra être bien plus grande et probablement moins efficace.

Vous avez tout compris ! Evidemment dans un futur plus ou moins proche, l’I.A. devenant plus forte, le cadrage du client pourra être plus souple. Mais nous n’en sommes pas encore là.

Cela dépend du contexte de la mission que nous avons. Deux cas de figure apparaissent.

Premier cas : La marque possède déjà une base de questions et de réponses possibles reconstituant tout ou partie du discours client dans le domaine qui nous intéresse. Dans ce cas, nous récupérons et analysons ces données pour les intégrer à nos algorithmes.

Second cas : Nous n’avons aucune donnée sur lesquelles nous reposer pour démarrer la configuration de notre chatbot. Dans ce cas, il va falloir travailler pour imaginer l’ensemble des réponses possibles.

Une partie de cette réflexion pourra être alimentée par des recherches sur Internet ou les questions et réponses de notre futur chatbot existent déjà probablement. Enfin, des séances de travail avec les commanditaires (qui, ne l’oublions pas, sont les premiers experts sur lesquels il faudra s’appuyer) permettent d’aboutir à la version 1 du setup.

Enfin, je voulais ajouter que nous ne partons jamais de zéro. Nous possédons une base de connaissances primaire sur laquelle viendra s’incrémenter la base spécifique de notre client.

Prenons l’exemple d’une marque ayant un centre d’appel (SAV) et qui possède un historique des questions/réponses sur les thèmes les plus abordés par les clients qui contactent cette plateforme. La marque peut aussi posséder une base de connaissances liée à la FAQ présente sur son site internet.

Cette base de données sera alors analysée et codifiée par notre équipe. Nous structurons notre base de connaissance avec les thèmes et sous thèmes abordés mais aussi avec les mots et expressions employés en lien avec le sujet.

Notre outil permet d’enrichir au fil de l’eau la base de connaissance en nouvelles expressions ou nouveaux mots employés. L’intelligence du chatbot s’accroit alors avec le nombre de requêtes.

Prenons un autre exemple. Un client qui réalise des enquêtes de satisfaction depuis longtemps, et qui, par conséquent, possède de nombreux verbatims en lien avec des questions stratégiques comme la satisfaction globale ou la note de recommandation.

Nous possédons alors le discours des clients satisfaits ou non ou recommandant ou pas la marque.

Les verbatims seront analysés et codifiés, pour, dans un deuxième temps, reconfigurer un nouveau questionnaire sur le même thème mais plus « intelligent » et surtout plus efficace.

Tout simplement avec un tel questionnaire, une analyse lexicale automatique pourra être mise en place permettant d’éditer dynamiquement les statistiques descriptives du discours client. On pourra enfin automatiser des alertes pour contacter des clients insatisfaits mais aussi proposer des stratégies pour limiter l’attrition.

Mais on touche là à un autre domaine du feedback management tout aussi passionnant.

Oui, et cet aspect est très général, il peut donc s’appliquer aux agents conversationnels au sens large. Je veux parler de l’esthétique du dispositif.

Durant le chat, le bot devra avoir une personnalité, donner l’impression à l’utilisateur de converser avec un presque humain « sympathique » et qui réfléchit (temps de latence volontaire et icône expressif de mise en attente entre la question et la réponse pour simuler une réflexion).

Créer de l’empathie avec la machine n’est pas un gadget, cela permet d’améliorer la qualité de l’échange. En rendant le bot sympathique, l’utilisateur s’adapte rapidement, et peut alors se concentrer dans les meilleures conditions possibles sur la qualité rédactionnelle et la précision de ses questions (ou de ses réponses).

Nous créons là un cercle vertueux qui génère moins de rejets de la machine.

Qu’on le veuille ou non, ces automates seront de plus en plus présents dans notre vie, alors, autant rendre la relation conviviale !