Come l’AI conversazionale può essere impiegata per migliorare la user experience in una banca

Ecco la soluzione adottata da un grande Gruppo bancario basata su strumenti di Digital Collaboration e Artificial Intelligence Conversazionale, grazie a un approccio platform-based e l’adozione delle tecnologie di riferimento del mercato e cloud ibrido [...]
Giampiero Giachetto Mena

Responsabile CRM, Artificial Intelligence Conversazionale, Application Mgmt Mobile, Internet e Contact Center, Banca Intesa Sanpaolo

  1. Home
  2. Intelligenza Artificiale
  3. Come l’AI conversazionale può essere impiegata per migliorare la user experience in una banca

Le tecnologie di intelligenza artificiale conversazionale, come chatbot e virtual assistant, grazie alla maturità raggiunta avranno un ruolo di primo piano nel percorso di trasformazione digitale delle aziende. In Italia gli investimenti, entro il 2022, raggiungeranno un volume di circa 300 milioni di euro, pari a 3,5 volte quello registrato nel 2018.

Gli early adopter guadagneranno un maggior vantaggio competitivo rispetto al passato, perché l’AI conversazionale ha superato la fase di entusiasmo, tipica delle prime applicazioni, raggiungendo un buon livello di maturità e utilizzo nel mercato dei financial services.

AI conversazionale, un caso d’uso

Per affrontare efficientemente ed efficacemente i cambiamenti imposti dal mercato, un grande Gruppo bancario ha deciso di approcciare strategicamente l’implementazione degli strumenti di Digital Collaboration e Artificial Intelligence Conversazionale grazie a un approccio platform-based, con l’adozione delle tecnologie di riferimento del mercato (Google e Cisco), l’utilizzo del cloud ibrido e di architetture a servizi che arricchiscono le funzionalità disponibili con i migliori insight.

La soluzione di AI conversazionale permetterà di migliorare la user experience di clienti e colleghi grazie anche alla personalizzazione su larga scala che la tecnologia può offrire, con l’evoluzione della banca in ottica data driven, sfruttando al meglio l’omnicanalità, garantendo il supporto di primo livello avanzato disponibile 24/7.

AI conversazionale

Questo prodotto è reso disponibile all’interno dell’App di riferimento della banca.

 

 

Accesso a “Parla Con Noi”

Il cliente effettua il login sull’App, accede alla nuova sezione di assistenza clienti in cui è presente la funzionalità di chat con chatbot integrata

Virtual assistance

Il cliente avvia la conversazione attraverso una richiesta che viene gestita dalla chatbot.

Conclusione

Al termine della conversazione, qualora la risposta della chatbot non risulti soddisfacente per il cliente, sarà possibile l’interazione via chat con l’operatore del contact center.

8E814E7B-9EB4-4A3D-8486-90EEA8B9A40B

AI conversazionale: la collaborazione con Google

La firma del master agreement con Google, avvenuta a marzo 2020, ha permesso di avviare l’integrazione con la Google Cloud Platform (GCP), abilitando così l’utilizzo di Dialogflow, il motore cognitivo di Google Cloud Based dedicato allo sviluppo di soluzioni di Natural Language Processing & Understanding.

L’adozione di un Mindset Agile durante la gestione del progetto ha permesso di soddisfare le esigenze del business sul progetto e, contemporaneamente, di realizzare un framework tecnologico scalabile volto ad agevolare l’integrazione di Virtual Assistant sui futuri canali della banca.

Sono stati attivati diversi stream progettuali con una visione olistica al fine di identificare soluzioni target da mettere a fattor comune per tutte le future progettualità che sfrutteranno le platform integrate dei partner di riferimento (Google, Cisco).

WHITEPAPER
Da CRM a CEM: l’experience sempre più al centro
CRM
Software

È stato utilizzato un approccio “cliente centrico” con una metodologia di lavoro agile basata su workshop e momenti di co-creazione con tutte le strutture aziendali e i partner tecnologici permettendo una gestione flessibile e snella delle attività di messa a terra delle soluzioni di intelligenza artificiale.

Questo ha permesso un cambio di cultura complessivo, grazie alla presenza all’interno del team di risorse con competenze di business che operavano direttamente sulle interfacce conversazionali (individuazione use case, disegno dialoghi, training del motore di machine learning).

 

Per garantire l’autonomia nella gestione e la robustezza delle chatbot, ai servizi Google è stata affiancata una console per la gestione del ciclo di vita degli assistenti virtuali al fine di:

  • automatizzare l’esecuzione dei test sugli agenti virtuali
  • gestire il processo di change management degli agenti

Grazie alle soluzioni implementate è possibile effettuare una continua attività di fine tuning e integrazione degli intenti al fine di adattare le funzionalità all’evoluzione delle esigenze della clientela, aumentando così il volume di richieste gestibili automaticamente.

Il journey to cloud, avviato con il progetto Chatbot Google su Mobile App, mira alla realizzazione, in termini prospettici, di un Digital Twin sul cloud che permetterà di gestire le chatbot e i relativi modelli AI di riferimento completamente in cloud.

Già dai primi deliverable la tecnologia cloud based ha garantito la scalabilità con una soluzione e billing in modalità pay-per-use.

Oggi sono presenti in azienda asset e capability “ready to use”: flussi conversazionali, training set, processi e test case, sistemi di monitoraggio, ecc, già realizzati per estendere le soluzioni di intelligenza artificiale anche su altri canali e domini applicativi potenziali.

AI conversazionale: l’approccio progettuale

L’approccio progettuale della soluzione di AI conversazionale adottato è basato su fasi iterative di Test & Learn:

  • Analisi e progettazione della soluzione

Per individuare e prioritizzare i principali use case di implementazione della soluzione, è stata condotta una fase di analisi dei motivi di contatto dal cliente. A partire da un campione di analisi di oltre 210.000 mail ricevute per richieste di assistenza e circa 390.000 ricerche effettuate tramite App, sono stati identificati i 117 key topic. Sulla base di tali topic, sono stati identificati e classificati 89 casi d’uso univoci associati alla gestione di differenti esigenze cliente. Per ciascun caso d’uso sono stati definiti i flussi conversazionali di dettaglio e oltre 200 dialoghi della App, assicurando la consistenza di “tone of voice” utilizzato e i dati a supporto del motore di intelligenza artificiale.

  • Soluzione Architetturale

Il gruppo di lavoro ha definito l’architettura target della soluzione basato su alcune componenti base delle piattaforme:

    • Dialogflow: componente della Google Cloud Platform (GCP) su cui definire flussi conversazionali e realizzare la componente di intelligenza artificiale
    • Cisco Webex Teams: strumento di chat persistente integrato sui canali, già utilizzato dai clienti per contattare in maniere asincrona il gestore di Filale Online (FOL) e all’interno del quale è stato integrata la chatbot.
    • Orchestratore: rappresenta la componente principale del sistema, sviluppata all’interno della platform capace di gestire le componenti Cloud Based citate precedentemente, integrarsi con il front-end del canale e con altri servizi banca necessari per il corretto instradamento dei flussi conversazionali. Tale componente garantisce l’integrazione con diversi partitari della banca e l’accesso ai dati enterprise al fine di fornire un “contesto” personalizzato all’utente e una customer interaction ottimale. È fornito il migliore accesso possibile alle informazioni, arricchendo quest’ultime con gli insight disponibili, sviluppando anche la capacità di reagire, con azioni e processi, a quanto questi insight fanno emergere.
    • Data Loss Prevention (DLP): strumento anch’esso della piattaforma GCP che si occupa di gestire gli aspetti di privacy (privacy by design) come oscurare i dati sensibili potenzialmente inseriti dai clienti sul canale di contatto
  • Sviluppo e integrazione in ottica DevOps

    • È stato effettuato il training della soluzione partendo dai flussi conversazionali individuati nell’analisi e utilizzando ca. 4.000 frasi di training e oltre 9.000 frasi di test.
    • È stato sviluppato l’orchestratore e, inoltre, specializzato in modo da gestire al meglio i flussi conversazionali previsti
    • Sono stati creati i servizi applicativi operanti nell’ambito del sistema informativo ISP al fine di rendere disponibili capacità elaborative e dati che vanno oltre alla sola utilità informativa.
  • Rilascio e Continuo Fine Tuning

    • La soluzione ha seguito un modello di rilascio incrementale con cicli di crowd-testing ed estensione a tutta la clientela a fine novembre
    • Al fine di monitorare le performance e abilitare un modello di miglioramento continuo, è stata attivato un monitoraggio “quantitativo” di KPI di business e tecnici, affiancato da una analisi “qualitativa” tramite lettura delle conversazioni per valutare la pertinenza dei dialoghi e la soddisfazione dei clienti. I primi giorni dopo il rilascio hanno evidenziato oltre 5.000 richieste giornaliere al servizio, senza handover su operatori della contact unit.

Inoltre, contestualmente alle attività di sviluppo della chatbot, nell’ambito progettuale sono stati realizzati strumenti a elevato grado di automazione, con l’obiettivo di garantire l’autonomia del Business Owner nella gestione del ciclo di vita della soluzione. Questo ha reso il business autonomo nella gestione del modello e nella sua evoluzione nell’ottica di abilitare i diversi citizen data scientist.

Gli strumenti sviluppati sono:

  • Console di gestione della chatbot: la console è stata realizzata al fine di garantire l’autonomia del business e l’automazione dei processi in ottica di evoluzione continua del modello di intelligenza artificiale per soddisfare le seguenti necessità:
  • Automazione dei test del modello: la console permette di “sfruttare” un dataset contenente le richieste dei clienti al fine di testarne massivamente il corretto riconoscimento da parte del motore cognitivo, riducendo esponenzialmente i tempi di sviluppo di nuovi nuovi chatbot e l’effort richiesto per verificare l’esito del fine tuning. In aggiunta al riconoscimento delle frasi dei clienti, la console permette di testare il funzionamento del modulo di Data Loss Prevention, al fine di verificare che venga rispettato il principio di privacy by design;
  • Delivery management in ottica DevOps: la console permette di gestire i processi di Change Management della chatbot, riducendo le possibilità di errore umano grazie all’automazione del processo di delivery
  • Reportistica avanzata con soluzione di Business Intelligence: la soluzione di reportistica sviluppata permette di:
    • Monitorare le performance della chatbot e l’engagement dei clienti
    • Verificare e individuare i motivi di contatto da parte della clientela, estraendo le frasi dei clienti, così che queste possano essere utilizzare per il training dell’agente e per integrare il dataset utilizzato per l’esecuzione dei test massivi;
    • Individuare gli ambiti di evoluzione della soluzione su cui attivare nuovi cicli di sviluppo agile attraverso l’analisi delle richieste dei clienti attualmente non gestite.

In sostanza le attività progettuali hanno portato alla realizzazione di un ecosistema composto dalle platform leader di mercato Google e Cisco integrate con una piattaforma sviluppata all’interno del sistema informativo della banca “capace” di coordinare tecnologie in cloud e on premise.

I principali elementi di valore creati con l’innovazione del presente progetto sono:

  • Ottimizzazione del servizio offerto al cliente: estensione del servizio di assistenza 24/7 e miglioramento dei livelli di servizio (es. riduzione tasso di abbandono, aumento first contact resolution, riduzione tempo medio di attesa in coda)
  • Generazione di nuove opportunità commerciali (up/cross-sell): abilitazione di nuovi customer journey per veicolare ai clienti/prospect offerte commerciali personalizzate sulla base del loro profilo e supportare i Gestori Online nell’identificazione di nuove opportunità di vendita
  • Miglior qualità delle risposte fornite ai clienti: maggiore coerenza e uniformità delle risposte fornite ai clienti sui diversi touchpoint della banca e supporto ai gestori online per la ricerca di informazioni utili a gestire la conversazione con il cliente
  • Raccolta della “voce del cliente”: individuazione dei topic più discussi dai clienti su tutti i touchpoint, al fine di intercettare in breve tempo gap formativi/ informativi su prodotti e servizi della banca e anomalie massive, effettuare attività continue di fine tuning delle soluzioni di AI e migliorare l’allocazione dei gestori online
  • Maggiore efficienza: semplificazione delle attività manuali propedeutiche alla gestione/ analisi dei contatti da parte dei gestori online e spostamento del loro effort verso attività a maggior valore commerciale/ relazionale
  • Capitalizzazione del percorso di evoluzione digitale: valorizzazione delle partnership create dalla banca con vendor tecnologici e degli strumenti digitali messi a disposizione dei clienti (es. chat asincrona e persistente su App mobile)

Il progetto è, inoltre, da considerarsi fortemente innovativo in quanto costituisce uno dei più avanzati esempi di evoluzione del modello operativo di una realtà enterprise per la gestione su scala di soluzioni di artificial intelligence conversazionale.

Nell’ambito del progetto, infatti, la banca ha avviato un percorso mirato all’evoluzione del proprio modello operativo, per assicurare una gestione ed evoluzione industrializzata di questa soluzione e, più in generale delle capability di AI.

Per la gestione industriale della piattaforma si sta facendo riferimento ai più avanzati modelli organizzativi osservati sul mercato (e.g. product-centric organization), alla definizione di nuovi ruoli e competenze (e.g. conversational AI specialist, conversational AI product owner)

 

WHITEPAPER
Digital marketing 2021: 9 trend del new normal, fra MarTech e dimensione human
Marketing
Advertising

 

FacebookTwitterLinkedIn