Complete Guide to Chatbot Containment Rates [2025]

1. Subaybayan ang kabuuan at dumami na mga pakikipag-ugnayan

Bilangin ang kabuuang bilang ng mga pakikipag-ugnayan ng user sa chatbot sa isang partikular na panahon. Kabilang dito ang lahat ng pag-uusap, query, o gawaing pinasimulan ng mga user.

Pagkatapos ay subaybayan ang bilang ng mga pakikipag-ugnayan na itinataas sa mga ahente ng tao o na-flag bilang hindi nalutas ng chatbot. 

Maaaring kabilang sa 'Escalation' ang mga direktang handoff sa mga ahente ng tao o mga kaso kung saan ang mga user ay tahasang humihiling ng tulong.

2. Kalkulahin ang rate ng containment

Gamitin ang formula:

Rate ng Containment = (1− [Escalated Interaction / Total Interaction]​) × 100

Halimbawa, kung pinangasiwaan ng iyong chatbot ang 900 sa 1,000 na pakikipag-ugnayan nang walang pagdami, kakalkulahin mo ang: 

Rate ng Containment = (1−1000/100​) × 100 = 90%

3. O gumamit ng mga tool sa analytics

Gamitin ang chatbot analytics o mga platform ng serbisyo sa customer na awtomatikong sumusubaybay at nag-uulat ng mga sukatan tulad ng mga rate ng containment. Ang mga tool na ito ay kadalasang nagbibigay ng mga karagdagang insight sa mga dahilan ng mga pagdami at kasiyahan ng user.

Sa pamamagitan ng patuloy na pagsubaybay at pag-optimize batay sa sukatang ito, mapapahusay mo ang kahusayan at karanasan ng user ng iyong chatbot.

Gamitin LLMs sa halip na mga intent classifier

Ang mga chatbot na may mataas na nilalaman ay karaniwang pinapagana ng LLMs sa halip na mga intent classifier. 

LLMs mahusay sa pag-unawa ng nuanced, free-form na wika at pag-angkop sa iba't ibang parirala, na ginagawang perpekto ang mga ito para sa paghawak ng kumplikado o hindi inaasahang mga query. 

Inalis nila ang pangangailangan para sa mahigpit na mga pagmamapa ng layunin, na nagpapahintulot sa chatbot (minsan ay tinatawag na ahente LLM ) na madaling tumugon sa mas malawak na hanay ng mga input ng user nang may katumpakan.

Tulad ng ipinaliwanag ng aming COO sa kanyang artikulo , Botpress gamit LLMs over intent classifiers, hindi katulad ng aming mga kakumpitensya.

Disenyo para sa adaptive na pag-uusap

Sa halip na umasa sa mga static na daloy ng trabaho, dapat na buuin ang mga chatbot upang dynamic na umangkop sa gawi ng user sa real time. 

Sa pamamagitan ng paggamit ng contextual awareness at mga algorithm sa paggawa ng desisyon, maaaring isaayos ng bot ang diskarte nito sa kalagitnaan ng pag-uusap. Tinitiyak nito na ito ay nananatiling may-katuturan, kahit na ang mga gumagamit ay lumipat ng mga paksa, magbigay ng hindi kumpletong impormasyon, o magtanong ng mga follow-up na tanong, pagpapabuti ng pangkalahatang mga rate ng paglutas.

Ang pinakamadaling paraan upang magdisenyo ng isang dynamic na chatbot ay ang paggamit ng agentic AI ; sa ganoong paraan, ang iyong bot ay makakapagdesisyon kung paano pinakamahusay na lapitan ang isang isyu batay sa mga tool na magagamit nito.

Gamitin ang retrieval-augmented system

Ang pagsasama-sama ng retrieval-augmented generation (RAG) sa mga integrasyon tulad ng mga CRM at knowledge base ay magbubukas sa buong potensyal ng isang chatbot. 

Sa pamamagitan ng pagkuha ng real-time, impormasyong tukoy sa domain mula sa mga mapagkakatiwalaang source, masasagot ng bot ang mga kumplikadong tanong at kumpletuhin ang mga multi-step na gawain nang hindi dumadami sa mga ahente ng tao.

1. Pagbutihin ang pagkilala sa layunin gamit ang LLMs

Ang paglipat mula sa tradisyonal na mga intent classifier sa LLMs malamang na mapabuti ang iyong rate ng pagpigil.

Hindi tulad ng mahigpit na layunin sa pagmamapa, LLMs nakakaunawa ng nuanced, malayang anyo na wika at umangkop sa magkakaibang parirala. Binabawasan ng advanced na pag-unawa na ito ang mga hindi pagkakaunawaan at binibigyang-daan ang mga chatbot upang pangasiwaan ang kumplikado, hindi mahuhulaan na mga pag-uusap nang may katumpakan at pagkalikido.

2. Palawakin ang mga base ng kaalaman

Ang pagpapanatiling updated sa knowledge base ng iyong chatbot ay susi sa kasiya-siyang pakikipag-ugnayan. 

Regular na magdagdag ng mga bagong FAQ, impormasyon ng produkto, at solusyon sa mga karaniwang isyu. Sinasangkapan nito ang chatbot na pangasiwaan ang mas malawak na hanay ng mga query, na tinitiyak na makakatanggap ang mga user ng tumpak at napapanahong mga sagot.

3. Palakihin ang iyong mga mungkahi na landas

Bago maging tao, sinusubukan ng iyong chatbot na lutasin ang mga query nang nakapag-iisa. Kung hindi ito magtagumpay, subukang magdagdag ng higit pang mga pathway para sa mga user na pumili.

Ang pagdaragdag ng mga opsyon sa fallback, tulad ng paglilinaw ng mga tanong o alternatibong solusyon, ay nagbibigay dito ng mas maraming pagkakataon upang matugunan ang mga pangangailangan ng user. 

4. Bumuo ng suporta sa buong proseso

Kung ang iyong daloy ay may kasamang mga kumplikadong daloy ng trabaho - tulad ng mga appointment sa pag-book o pag-troubleshoot - tiyaking magagawa ang mga ito nang maayos ng iyong user nang walang tao. Ang mga chatbot na maaaring gumabay sa mga user sa mga prosesong ito ay pumipigil sa pangangailangan para sa interbensyon ng tao.

5. Malinaw na ipaliwanag kung para saan ang iyong chatbot

Magtakda ng malinaw na mga inaasahan mula sa simula. Gabayan ang mga user sa kung ano ang kayang hawakan ng chatbot at kung saan ito mahusay. Iniiwasan nito ang pagkabigo sa pamamagitan ng pagdidirekta ng mga pag-uusap patungo sa mga lugar kung saan ang bot ay pinaka-may kakayahan, na nagse-set up para sa tagumpay.

6. Subaybayan ang pagganap

Subaybayan ang mga pangunahing sukatan tulad ng mga hindi nalutas na query, mga rate ng pagtaas, at mga marka ng kasiyahan upang masukat kung gaano kahusay ang performance ng iyong chatbot. Gamitin ang mga insight na ito upang matukoy ang mga lugar para sa pagpapabuti at suriin ang tagumpay ng mga update.