Apa itu Chatbot Analytics? Ketahui lebih lanjut tentang analisis chatbot dan metrik chatbot utama

Analisis Chatbot adalah data masa nyata yang dihasilkan oleh chatbot anda melalui interaksinya dengan orang ramai. Data ini boleh menjadi sangat berguna dan memberikan nilai yang besar untuk perniagaan anda.

Apa yang Perlu Saya Cari dalam Platform Analisis Chatbot?

Analisis Chatbot adalah alat penting untuk meningkatkan prestasi chatbot dan pengalaman pelanggan keseluruhan

Set pertama analisis chatbot yang penting bagi pentadbir ialah statistik penggunaan generik. Metrik utama seperti chatbot digunakan, pada peranti apa, berapa kerap, bagaimana pengalaman pengguna, apakah kadar pengekalan dan apakah kadar pentalan dalam jangka masa tertentu, dan lain-lain? Ini adalah jenis pandangan berharga yang anda akan dapat dari alat analisis chatbot untuk laman web.

Statistik generik lain yang diperlukan untuk semua chatbots apabila pemprosesan bahasa semula jadi digunakan adalah analisis perbualan seperti frasa yang salah faham, perkataan yang paling kerap digunakan, bilangan intervensi manusia / insiden peningkatan dan lain-lain.

Apabila ia datang kepada statistik di atas, adalah penting bahawa statistik ini bukan sahaja diukur tetapi disepadukan ke dalam perisian dengan cara yang menjadikan chatbot lebih baik untuk interaksi pengguna. Sebagai contoh, frasa yang salah faham boleh ditambah secara automatik ke senarai frasa yang berkaitan dengan niat tertentu semasa menubuhkan NLP supaya bot mengembangkan aliran perbualan yang lebih baik. Adalah penting bahawa pentadbir atau ejen sokongan yang lebih berkemungkinan mempunyai cara mudah untuk menambah dan mengesahkan jenis frasa ini supaya bot bertambah baik dengan cepat.

Jangan memandang rendah kepentingan akses tersuai kepada analisis chatbot

Walaupun semua analisis generik di atas adalah penting, ternyata dalam banyak kes, akses tersuai ke data chatbot adalah lebih penting lagi. Ini benar terutamanya apabila chatbot sedang dilancarkan dan dipandu. Ini kerana pada permulaan projek bot, penaja tidak sabar-sabar untuk menunjukkan penggunaan dan penggunaan. Oleh itu, mereka akan cuba memastikan bahawa bot itu dipasarkan dengan secukupnya kepada pengguna perintis dan jika mereka telah melakukan tugas mereka dengan betul statistik akan menunjukkan penggunaan yang baik dan kejayaan chatbot. Ini juga sebahagiannya kerana platform chatbot adalah produk baru untuk pengguna yang mungkin ingin tahu menggunakannya pada mulanya dan ini dapat mengembung statistik penggunaan secara buatan.

Walau bagaimanapun, apa yang menarik minat pentadbir chatbot adalah tanda bahawa terdapat masalah dengan penggunaan bot yang memberi isyarat bahawa penggunaannya mungkin tidak sekuat yang ditunjukkan oleh statistik awal. Dan walaupun statistik jelas bahawa terdapat masalah penggunaan, penaja ingin tahu mengapa masalah penggunaan berlaku.

Masalahnya boleh dikenal pasti dengan mudah dan diperbaiki dengan analisis generik. Pada mulanya, sebagai contoh, sangat sering berlaku bahawa persediaan NLP tidak begitu komprehensif seperti yang sepatutnya supaya bot salah faham lebih daripada yang sepatutnya. Masalah ini biasanya diperbetulkan dengan cepat dengan menambah lebih banyak frasa kepada niat yang relevan dalam persediaan NLP.

Analisis Chatbot Tersuai

Bagaimana analisis tersuai dapat menangani masalah biasa dengan pengalaman chatbot

Selalunya analisis tersuai diperlukan untuk mendiagnosis masalah. Sebagai contoh, maklum balas eksplisit perlu dibina ke dalam aliran perbualan untuk dapat mengenal pasti isu.

Analisis tersuai juga menarik minat apabila bot adalah chatbot yang lebih disesuaikan.

Pendekatan Mudah vs Pendekatan Kompleks Chatbot

Sekiranya chatbot mudah, sebagai contoh, ia memerlukan pengguna melalui sejenis pokok keputusan, dan terdapat masalah penggunaan, mungkin mudah untuk mengenal pasti masalah dari statistik penggunaan generik sahaja. Analisis boleh menunjukkan titik dalam perbualan chatbot di mana pengguna kehilangan minat dan meninggalkan perbualan atau ia dapat menunjukkan jumlah masa yang dibelanjakan untuk bot sebelum pengguna meninggalkannya dan dalam kedua-dua kes ini dapat menunjukkan masalah dengan aliran atau dengan kes penggunaan bot secara keseluruhan.

Sekiranya bot lebih rumit, iaitu ia mempunyai logik tersuai, statistik generik tidak akan menceritakan kisah penuh. Mereka mungkin dapat memberitahu anda titik bahawa pengguna meninggalkan, tetapi mereka tidak akan dapat memberitahu anda mengapa pengguna meninggalkannya.

Bayangkan sebagai contoh mudah. Anda membina chatbot untuk membantu kanak-kanak mempelajari jadual waktu mereka. Pendekatan asas mungkin bahawa kanak-kanak memilih jadual masa yang dipersoalkan dan bot rawak soalan mengenai jadual masa yang dipilih. Masalahnya di sini ialah kanak-kanak yang mempelajari jadual waktu berada pada tahap yang berbeza dan oleh itu kadar penglibatan yang berjaya mungkin jatuh jika mereka mendapati soalan-soalan terlalu sukar pada mulanya atau bahkan pada titik kemudian dalam interaksi.

Untuk mengambil ini, kita memerlukan analisis untuk juga mencerminkan kesukaran soalan antara lain (dan idealnya menyesuaikan tahap secara automatik). Ini perlu dibina ke dalam analisis tersuai. Dan ini hanya boleh dilakukan jika platform bangunan chatbot menyokong analisis tersuai (atau lebih tepat, dengan mudah menambah analisis tersuai).

Sebaik sahaja analisis tersuai tersedia, pembangun boleh menggunakan wawasan yang boleh diambil tindakan yang diperoleh untuk melaksanakan pendekatan canggih seperti menggunakan algoritma untuk memadankan tahap kanak-kanak dengan soalan yang diminta untuk memaksimumkan pengekalan pengguna dalam permainan.

Ujian A / B untuk Chabot Analytics

Ini membawa kita kepada subjek kritikal dan berkaitan dengan analisis tersuai dan itu adalah ujian A / B. Dengan mana-mana perisian, sukar untuk mengetahui pada permulaan apa yang paling sesuai dari segi fungsi, grafik dan kandungan dan satu-satunya cara untuk mengetahui pasti adalah dengan menguji A / B alternatif yang berbeza.

Ini juga berlaku untuk chatbots. Analisis tersuai perlu dihubungkan dengan enjin ujian A / B di dalam platform bangunan chatbot. Sudah tentu, dalam platform bot itu sendiri bukan sahaja penting untuk dapat menjana dan mengetag analisis tersuai, tetapi juga untuk menentukan ujian A / B dalam aliran perbualan.

Peranan Ahli Pasukan untuk Chatbot Analytics

Penaja, pengurus, dan pemaju chatbot semuanya bertanggungjawab untuk membantu menentukan analisis yang diperlukan. Seperti yang dinyatakan, analisis tersuai sekurang-kurangnya bergantung kepada kes penggunaan yang ditangani oleh bot.

Penaja jelas berminat dengan penggunaan antara muka perbualan dan cuba menyelesaikan sebarang halangan untuk diterima pakai atau sebarang isu lain yang mungkin memberi kesan negatif kepada tahap kepuasan pengguna.

Apakah metrik prestasi penting untuk analisis chatbot?

Dari sudut pandang analisis chatbot generik, syarikat chatbot akan berminat dengan metrik dan KPI chatbot utama berikut:

• Bilangan interaksi (nod) Bilangan aliran
• Chat Tempoh
• Peratusan kenyataan yang salah faham / difahami
• Peta perkataan pernyataan
• Peta perkataan kenyataan yang salah faham
• Senarai pertanyaan pengguna yang salah faham
• Bilangan aliran yang dimulakan
• Bilangan aliran ulangan
• Kedudukan aliran mengikut penggunaan
• Kedudukan aliran dengan kenyataan yang salah faham
• Bilangan pengambilalihan manusia
• Bilangan log masuk
• Bilangan penyelesaian yang berjaya
• Bilangan pengguna berulang
• Bilangan pengguna aktif setiap tempoh
• Bilangan log masuk
• Peratus aktif kepada bernama / pengguna

Mereka mungkin berminat untuk melihat statistik di atas dalam tempoh tertentu atau menggunakan penapis lain tentu saja.

Bagaimanakah pembangun menggunakan data analisis chatbot tersuai untuk meningkatkan interaksi chatbot?

Dari segi analisis tersuai, mereka mungkin berminat dengan maklum balas yang biasanya dimasukkan secara manual sebagai nod dalam aliran perbualan, terutamanya di titik akhir setiap aliran (sama ada hasilnya berjaya atau tidak). Mereka mungkin berminat dalam kedudukan aliran dengan penarafan maklum balas.

Sebagai contoh yang kami berikan pada chatbot meja masa, mereka mungkin berminat untuk melihat sama ada terdapat sebarang korelasi antara tahap kesukaran dan penglibatan (bilangan nod yang dilalui).

Pengurus bot sudah tentu berminat dengan statistik di atas tetapi juga berminat untuk memastikan kelancaran operasi bot. Mereka mungkin memerlukan analisis mengenai prestasi bot merentasi peranti dan statistik yang berbeza mengenai ketersediaan bot. Adakah terdapat sebarang isu infrastruktur atau keselamatan?

Mereka mungkin berminat bukan sahaja dalam tingkah laku pangkalan pengguna tetapi juga dalam tingkah laku pengguna super seperti berapa kerap mereka mengemas kini kandungan atau mengubah suai aliran. Maklumat seperti ini juga boleh diwajibkan atas sebab-sebab keselamatan.

Mereka tentu saja juga berminat dengan maklumat mengenai perkembangan bot dari pembangunan, pementasan, persekitaran pengeluaran, dan statistik pelepasan pemaju, dll.

Pemaju berminat dengan semua perkara di atas sehingga mereka dapat menggunakan maklumat tersebut untuk menjadikan chatbots perusahaan mereka lebih baik. Sudah tentu, mereka akan berminat dengan statistik yang mengenal pasti pepijat, seperti statistik yang keluar dari proses ujian yang akan mempunyai ujian khas untuk bot seperti ujian untuk kejayaan NLP. Walau bagaimanapun, dalam amalan, pemaju dan pengguna super lebih terlibat dalam melaksanakan analisis tersuai daripada memantau mereka.

Kesimpulan - Masa Depan Chatbot Analytics

Saya menyebut secara ringkas bahawa mengintegrasikan analisis ke dalam fungsi bot sangat penting untuk pembinaan bot yang berjaya. Ujian A / B perlu mengintegrasikan analisis tersuai dan kemudian boleh menggunakan algoritma mudah untuk mengoptimumkan perbualan. Integrasi yang lebih kompleks boleh digunakan untuk mengoptimumkan prestasi bot, seperti pengoptimuman yang disebutkan sebelumnya untuk memastikan kesukaran bot jadual waktu (atau lebih realistik permainan yang lebih kompleks) dioptimumkan.

Banyak syarikat perisian besar, seperti Google, Microsoft, dan IBM menawarkan perkhidmatan analisis chatbot. Walaupun perkhidmatan ini dapat dengan mudah memberikan analisis generik, apa yang saya telah membuat kes yang jelas ialah untuk mendapatkan manfaat penuh analisis analisis perlu disesuaikan dan digabungkan dengan fungsi bot dengan cara yang berbeza daripada perisian bukan perbualan seperti laman web misalnya. Oleh itu, adalah penting bahawa rangka kerja chatbot yang digunakan membolehkan pemaju menyesuaikan panel pentadbir.

‍