모든 대행사가 고객을 위해 고객 서비스 Chatbots 를 구축해야 하는 이유

샘은 디지털 에이전시에서 봇 개발 역량을 강화하기 시작했습니다.

비즈니스 개발 프로세스의 일환으로 그는 많은 고객을 방문하여 봇의 이점을 설명했고, 그 과정에서 흥미로운 사실을 발견했습니다.

그가 설명한 모든 다양한 시나리오에 관계없이(그리고 많은 고객이 그의 말에 감동하고 관심을 보였습니다) 모든 고객이 고객 서비스 사용 사례에 대해 chatbots 에 관심을 보였습니다.

고객 서비스 사용 사례는 직관적으로 이해할 수 있는 것이었습니다:

• 고객 서비스 상담원 비용이 많이 들었습니다.
• 대부분의 시간을 단순하고 반복적인 질문에 답하는 데 보냈습니다.
• 봇은 많은 경우 상담원보다 이러한 유형의 질문에 더 효과적으로 답변할 수 있습니다.
• 일부 고객 서비스 상담원을 봇으로 대체하면 인건비 절감으로 봇 비용을 매우 빠르게 회수할 수 있을 정도로 봇에 대한 비용이 저렴했습니다.
• 뿐만 아니라 이 봇은 시간이 지남에 따라 더욱 개선되어 다른 많은 혁신의 문을 열었습니다.

따라서 Sam은 고객 서비스 봇에 대한 수요가 높고 고객 및 다른 에이전시와의 논의를 통해 경제성이 좋다고 판단하여 봇 비즈니스를 고객 서비스 봇에 특화하기로 결정했습니다. 이 틈새 시장을 공략한 후 그는 인접 시장으로 이동했습니다.

그는 자연어 처리(NLP)와 관련된 일부 기술이 정교하긴 했지만, 지금은 도구가 워낙 좋아서 거의 모든 사람이 좋은 NLP 솔루션을 구현할 수 있다는 것을 알고 있었습니다. 당시에는 데이터 과학 업무라기보다는 구성 업무였습니다. 즉, 솔루션을 구현하는 데 필요한 기술은 가장 말단 개발자도 충분히 수행할 수 있는 수준이었습니다.

그는 또한 훌륭한 고객 서비스 솔루션이 너무 많은 것을 시도하지 않는다는 것을 알고 있었습니다. 기술은 고객과 인간과 같은 대화를 나누기에는 충분하지 않았습니다. 자연어 처리 엔진은 고객의 첫 번째 질문을 이해하는 데는 매우 능숙했지만, 대화가 그보다 더 복잡해지거나 봇이 처음에 고객을 이해하지 못하면 사람이 즉시 개입하는 것이 중요했습니다.

자연어 처리의 주요 초점이 첫 번째 질문이나 상호 작용이라는 사실은 기술적 관점에서 작업이 훨씬 더 간단하다는 것을 의미하기도 했습니다. 일부 회사들이 진정한 대화형 경험을 구축하려는 길을 가고 있었던 것은 사실이지만, 지금까지 이러한 접근 방식은 복잡성과 실패를 증가시키는 결과를 초래했습니다. 샘은 이 길을 택하는 데 관심이 없었습니다.

그는 시중에 고객 서비스 봇을 위한 새로운 제품들이 많이 출시되어 경쟁이 치열할 것으로 예상했습니다. 동시에 모든 기업이 어떤 형태로든 이러한 유형의 솔루션을 필요로 하고 있었기 때문에 기회는 매우 컸습니다! 사실 샘은 현재 이 시장에 서비스가 크게 부족하다고 보았고 적어도 몇 년 동안은 이런 상황이 지속될 것이라고 믿었습니다.

고객 서비스를 위한 독점적인 기성 솔루션을 제공하는 회사들이 많았습니다. Sam은 이러한 유형의 솔루션의 리셀러가 되는 것을 고려했지만 장기적으로 이러한 독점 솔루션이 최고의 솔루션이라고 생각하지 않았습니다. 자신의 비즈니스에는 사용하지 않을 것이기 때문에 고객에게도 이러한 유형의 솔루션을 제공해서는 안 된다고 생각했습니다.

그는 몇 가지 이유로 독점 시스템에 종속되는 것을 좋아하지 않았습니다:

• 그는 자연어 처리 엔진(NLP)을 나머지 소프트웨어와 긴밀하게 결합하는 아이디어가 마음에 들지 않았습니다. 자연어 엔진의 최고 제공업체는 분석 서비스의 최고 제공업체나 채팅 플랫폼에 대한 커넥터의 최고 제공업체와 다를 수 있습니다.
• 지금 당장은 자연어 솔루션이 최고라고 해도 미래에도 최고가 될 것이라는 보장은 없었습니다. 향후에는 자연어 엔진을 교체할 수 있어야 합니다.
• NLP 엔진마다 잘하는 분야가 다를 수 있으므로 두 개 이상의 엔진을 사용하는 것이 좋습니다. 예를 들어 한 NLP 엔진은 IT 질문에 적합하고 다른 엔진은 일반 FAQ에 적합할 수 있습니다.
• 훌륭한 고객 서비스 봇에 필요한 기능은 NLP만이 아니었습니다. 텍스트와 NLP에만 의존하는 것은 놀라운 고객 경험을 창출하는 방법이 아니었습니다.
• 텍스트 인터페이스는 매우 제한적이므로 그래픽 인터페이스로 보강해야 합니다. 향후 이러한 인터페이스를 제공하기 위해 공급업체에 의존해야 하는 것은 최적이 아닙니다.
• 휴먼 인 더 루프 기능(봇이 말을 이해하지 못할 경우 인간 상담원에게 에스컬레이션할 수 있는 기능)은 고객 서비스에서 매우 중요합니다. 휴먼 인 더 루프 기능은 앞으로 더욱 정교해질 것입니다. 여기에는 미리 준비된 답변이나 맞춤형 답변을 포함하는 상담원을 위한 맞춤형 인터페이스가 포함될 것입니다. 사내 봇 개발자를 포함하여 누구나 공급업체에 의존하지 않고 자신의 목적에 맞게 휴먼 인 더 루프를 커스터마이징할 수 있어야 합니다.
• 콘텐츠 팀은 A/B 테스트 및 기타 시장 관련 분석을 위한 사용 도구를 개발할 수 있어야 하며, 콘텐츠를 쉽게 관리할 수 있어야 합니다.
• 내부 개발자가 공급업체에 의존하지 않고도 내부 시스템과 서비스를 쉽게 통합할 수 있어야 했습니다.
• 예를 들어 호텔 방에 대해 문의하는 고객에게 동일한 채널에서 할인 혜택과 함께 즉시 예약할 수 있는 기회를 제공할 수 있습니다(
  ). 사내 또는 타사 개발자는 원래 공급업체에 가지 않고도 채널에서 이러한 추가 서비스를 코딩할 수 있어야 합니다.

하지만 그는 자신이 제안한 솔루션이 단순하기를 원했습니다. 미래에 대비하고 확장할 수 있는 것도 중요했지만, 동시에 초기 솔루션을 쉽게 구축하고 실행할 수 있어야 했습니다.

Botpress 을 사용하면 확장성 문제를 해결할 수 있습니다. Botpress 은 시중에 나와 있는 모든 최고의 챗봇 도구에 대한 미들웨어 역할을 효과적으로 수행할 수 있을 뿐만 아니라 많은 표준 구성 요소를 기본적으로 제공합니다. 이러한 구성 요소는 향후 필요에 따라 타사 구성 요소로 전환하거나 사용자 지정할 수 있습니다.

고객에게 최고의 솔루션을 제공하기 위해 그는 고객에게 최고의 가치 솔루션을 제공한다고 생각되는 도구 세트를 선택했습니다.

아키텍처부터 시작하는 것은 매우 간단합니다. 주요 NLP 공급업체(Google, Facebook, Microsoft, IBM, Rasa)에서 최고의 NLP 엔진을 선택한 다음 Botpress 의 표준 구성 요소를 사용하여 필요한 메시징 플랫폼에 연결하고 분석, 휴먼 인 더 루프, 역할 기반 보안과 같은 지원 기능을 제공하면 됩니다.

이 기본 솔루션이 고객과 함께 실행되고 나면 필요한 경우 개선에 대해 생각할 수 있습니다. 이를 위해 NLP 엔진을 추가하거나, 분석 패키지를 업그레이드하거나(필요한 경우 타사 제공업체로), 휴먼 인 더 루프 기능에 사용자 지정을 추가하는 등의 방법을 사용할 수 있습니다.

물론 시스템과의 고객 상호 작용을 분석하여 시스템을 추가로 사용자 지정하거나 새로운 구성 요소 또는 서비스를 추가하는 결정을 내릴 수 있습니다. 적절한 개발자가 필요에 따라 신속하게 변경할 수 있습니다.

Sam은 먼저 자신의 비즈니스에 솔루션을 구현하는 것부터 시작하기로 결정했습니다. 이를 통해 사용 가능한 몇 가지 도구를 실험해보고 초기 설정에 가장 적합하다고 생각되는 제품을 선택할 수 있었습니다.

Sam은 즉시 많은 고객 서비스 프로젝트를 수주하기 시작했을 뿐만 아니라, 고객 서비스를 성공적으로 구현한 후에는 고객들이 채널에 다른 서비스를 추가하기를 원한다는 사실을 알게 되었습니다.

고객 서비스는 전 세계 모든 기업이 어느 정도 필요로 하는 것이기 때문에 고객사가 부족하지 않았습니다.

이러한 방식으로 솔루션을 구현하기 시작한 후에야 그는 확장성이 없는 단일 블로트웨어 솔루션에 고객을 묶어두는 대신 비즈니스에 가장 적합한 도구를 선택할 수 있도록 도와줄 수 있다는 사실을 고객이 얼마나 소중하게 여기는지 깨달았습니다.

Sam과 그의 팀은 고객 서비스 봇을 사용하여 회사의 고객 서비스 기능을 매우 빠르게 개선하고 높은 가치를 창출하는 방법을 알아내는 데 매우 능숙해졌습니다.