Chatbot Dialogflow : Tutoriel NoCode NLP pour les spécialistes du marketing | Landbot
2020 a débuté avec un grand battage médiatique sur l'IA, car les statistiques le placent parmi les principales priorités de la stratégie marketing. Mais se passe-t-il loin des graphiques et des tableaux des documents de recherche soigneusement compilés ? L'IA est-elle réellement capable d'affecter votre réalité marketing aujourd'hui ? Cet article laisse la théorie derrière. Voyez par vous-même… Plongez dans un guide étape par étape pour créer un chatbot de génération de leads IA sans écrire une seule ligne de code.
Qu'allez-vous apprendre ici ?
Génération de leads - Attentes 2020 de l'IA
Plus le marché est saturé, plus la demande de personnalisation des consommateurs est forte. En effet, les défis marketing deviennent de plus en plus difficiles. Le marketing par e-mail, le marketing des médias sociaux, le marketing vidéo, le marketing d'influence... essaient tous de suivre le rythme grâce à l'automatisation, mais cela ne fonctionne que dans une certaine mesure.
Heureusement, à l'aube de la pression pour offrir des expériences personnalisées en temps réel, les spécialistes du marketing appellent l'intelligence artificielle (IA) à la rescousse. Après tout, l'IA est la tendance la plus récente et la plus en vogue ! Ou l'est-elle ?
Une enquête menée par Demandbase fin 2016 a révélé que les marketeurs croyaient déjà sur-le- champ au potentiel de l'IA pour personnaliser l'expérience client. Parmi les principaux avantages attendus, ils ont répertorié de meilleures informations, l'accès à une analyse plus détaillée, l'identification des clients potentiels et la rationalisation des tâches quotidiennes.
D'autre part, les défis les plus redoutés par les spécialistes du marketing exprimés dans cette même enquête concernaient l'intégration de l'IA dans la technologie existante, la formation des employés, les difficultés de traitement et d'interprétation des résultats et, enfin, le coût.
Même en 2020, de nombreuses petites et moyennes entreprises, indépendants ou agences de marketing se détournent de l'IA par crainte d'un coût et d'une complexité écrasants qui réduiront le retour sur investissement. Alors pourquoi ce remue-ménage ?
Et si je disais que la réponse à « Comment utiliser l'IA pour la génération de prospects ? » n'est plus une question de codage minutieux ? Et si je disais que créer un bot conversationnel de génération de leads ne doit être ni coûteux ni chronophage ?
Grâce aux progrès incroyables des outils sans code, les technologies d'IA deviennent accessibles financièrement et en termes de compétences à un plus grand nombre de professionnels du marketing. , en particulier lorsqu'il s'agit d'assistants virtuels. Et donc, en ce qui concerne le processus de marketing et de génération de leads, le battage médiatique et l'agitation qui prévaut en 2020 sur l'IA sont assez justifiés. En d'autres termes, tout spécialiste du marketing, pigiste ou agence de publicité peut créer et lancer de manière indépendante et en temps chatbot intelligent pour leur entreprise ou leur client.
Et moi - un spécialiste du marketing de contenu avec aucune ou aucune expérience de codage - je vais vous montrer comment créer un chatbot conversationnel de génération de leads AI qui non seulement engage des clients potentiels, mais vous aide également à générer des leads en personnalisant et en rationalisant la communication.
Comment créer un chatbot de génération de leads IA sans codage
Des outils sans code tels que Landbot permettent aux spécialistes du marketing et aux indépendants de créer des robots intelligents pour le Web ou WhatsApp et, ce faisant, leur permettent de rivaliser avec des entreprises disposant de ressources nettement plus importantes. Naturellement, un certain niveau d'apprentissage est nécessaire pour comprendre le concept de conception conversationnelle et de structure de dialogue ainsi que les caractéristiques et les capacités de l'outil marketing en question. Pourtant, le contrôle et la flexibilité acquis dans le processus sont inestimables.
Alors, c'est parti !
1. Les bases
Avant de commencer, il est important de clarifier le rôle de l'IA dans les chatbots.
Quand on parle d'IA conversationnelle, on parle vraiment de Natural Language Processing (NLP) . La PNL n'est qu'une petite subdivision de l'intelligence artificielle, une division traitant de la linguistique et du langage naturel. Grâce à la PNL, le bot peut décomposer, traiter et identifier l'intention derrière les entrées en langage naturel. Un niveau plus élevé d'IA dans la PNL inclut l'analyse des sentiments, ce qui est particulièrement important pour les robots gérant les conversations où les émotions jouent un rôle clé, comme le support client.
Ensuite, un bot PNL peut mais n'a pas nécessairement l'apprentissage automatique (ML). Si c'est le cas, la seule différence est qu'il est capable d'apprendre de sa propre expérience. Cependant, la plupart des robots PNL nécessitent une révision et une formation « manuelle ».
2. Les outils
Eh bien, pour créer notre IA, ou mieux dit, notre bot de génération de leads NLP, nous utiliserons deux outils : Landbot ( constructeur de chatbot visuel ) et Dialogflow (la solution NLP de Google). Nativement, Landbot permet aux utilisateurs de créer des chatbots basés sur des règles sans code qui guident les utilisateurs à travers une arborescence de dialogue structurée et ne laissent pas beaucoup de place aux improvisations. Bien que ce type de bots ne puisse pas vraiment être qualifié de « intelligent », ils sont incroyablement efficaces et permettent une grande personnalisation grâce à l'utilisation de la logique conditionnelle, de la reconnaissance de mots clés et plus encore.
👉 Comment créer un chatbot avec Landbot : Tutoriel sans code
Dialogflow est un moteur de traitement du langage naturel qui vous permet de former des agents à analyser et à reconnaître les intentions des utilisateurs écrites dans leur langage naturel. Vous entraînez l'agent en introduisant des « phrases d'entraînement » qui sont essentiellement des variantes de formulation pour demander une chose spécifique. Bien qu'il soit idéal pour le traitement du langage naturel, il manque d'une interface compréhensible et pour lancer un bot, une connaissance du code est nécessaire.
👉 Comment créer un chatbot avec l'intégration Dialogflow de Landbot
C'est à moins que vous n'utilisiez l'intégration Landbot Dialogflow grâce à laquelle vous pouvez avoir le meilleur des deux mondes : un constructeur visuel avec des fonctions NLP . De plus, Dialogflow est gratuit si vous n'avez pas besoin de l'analyse des sentiments - ce que vous n'avez pas, pour être honnête.
3. Landbot : Cliquez pour créer un nouveau bot
Tout d'abord, vous devez vous inscrire (ou vous connecter) pour accéder à votre tableau de bord Landbot. Une fois là-bas, cliquez pour créer un nouveau bot à partir de zéro.
Vous serez redirigé vers l'interface de création sans code de Landbot.
4. Landbot : Configurer le message de bienvenue
L'interface vous accueillera avec un bloc de bienvenue par défaut. C'est là que nous commençons. L'information est le bloc de bienvenue est ce que l'utilisateur voit lorsqu'il ouvre le bot. C'est une excellente occasion de définir les « règles » des conversations et de gérer les attentes des utilisateurs.
Nous allons créer un bot de génération de leads B2B basé sur la PNL qui collecte des informations de qualification clés auprès de chaque visiteur intéressé par un service et souhaitant entrer en contact pour en savoir plus sur le produit ou effectuer un achat/un abonnement.
Lors du premier tour d'échange conversationnel, j'ai proposé une simple réponse par bouton pour démarrer les choses sans aucune confusion.
5. Landbot : démarrez la conversation selon vos conditions
Ensuite, tracez une flèche pour créer le bloc suivant, dans ce cas, le bloc "Nom" pour demander le nom de l'utilisateur.
Même si j'utilise la PNL pour déchiffrer les entrées en langage naturel, je veux toujours rester en charge de la conversation et servir le client le plus rapidement possible.
Donc, créez le bloc "Nom" MAIS changez la variable @name existante et créez-en une nouvelle avec un nom plus générique tel que @user_input. Étant donné que l'utilisateur a la liberté d'écrire librement, il peut répondre en une phrase complète ou ne pas fournir toutes les informations dont vous avez besoin. Par conséquent, l'enregistrer sous une variable générale nous permettra de l'envoyer à Dialogflow qui décomposera l'entrée et nous renverra des données propres.
6. Landbot : Bloc de dialogue de configuration
C'est là que les choses deviennent intéressantes. Dessinez une flèche à partir du bloc Nom pour enfin configurer le bloc d'intégration Dialogflow. Une fois cela fait, vous remarquerez que pour commencer à configurer le bloc, vous devez d'abord télécharger une clé JSON.
La clé JSON est un fichier de données qui permet à Landbot de communiquer avec un agent Dialogflow spécifique. C'est assez facile à mettre en place.
7. Flux de dialogue : créer un nouvel agent
Pour récupérer un fichier JSON, vous devez vous connecter à votre compte Dialogflow. Si vous n'en avez pas, vous pouvez le configurer gratuitement. (Les informations de carte de crédit sont requises, assurez-vous simplement que vous êtes une personne réelle, mais aucun frais ne sera prélevé.)
Un agent dans Dialogflow est essentiellement un autre mot pour un chatbot. Cliquez donc sur "Créer un nouvel agent". Ensuite, renseignez le nom et associez votre agent à un nouveau projet Google. Cliquez sur « Créer » pour valider.
8. Dialogflow + Landbot : téléchargez la clé JSON et téléchargez-la sur DF Block
Maintenant, pour récupérer JSON, sélectionnez les paramètres de votre agent nouvellement créé et cliquez sur le lien dans le champ Compte de service.
Vous serez redirigé vers Google Project où vous pourrez télécharger le JSON comme suit :
Revenez ensuite simplement à l'interface du constructeur Landbot et importez le fichier téléchargé dans votre bloc Dialogflow :
9. Flux de dialogue : créer des intentions
Les intentions sont des sous-sections de votre agent qui l'aident à identifier ce que dit l'utilisateur. Dialogflow vous propose deux intentions prédéfinies : bienvenue et secours. L'intention de bienvenue répond aux plaisanteries et l' intention de secours est activée lorsque l'agent ne parvient pas à identifier l'intention - vous pouvez les modifier et les améliorer à votre guise.
Donc, puisque ma première question était de demander un nom, ce sera la première intention que je créerai. Normalement, un agent identifierait les questions ou les demandes des utilisateurs. Mais puisque j'ai inversé le processus en posant d'abord la question, j'utiliserai les réponses des utilisateurs pour m'aider à identifier l'intention et à passer à la question suivante. Ainsi, chaque réponse de chatbot inclura la question suivante - cela rend le processus beaucoup plus simple. Ainsi, ce qui aide l'agent DF à identifier l'intention, ce sont les phrases d'entraînement. En d'autres termes, différentes manières de demander ou de dire la même chose.
Je veux que mon agent identifie et différencie le prénom et le nom des personnes et ne laisse pas la conversation se poursuivre sans obtenir les deux.
Par conséquent, à l'aide d'entités système Dialogflow prédéfinies, j'entraîne le bot à capturer séparément le prénom et le nom. Comme il s'agit d'une entité système, je n'ai pas besoin de lui apprendre tous les noms. L'agent les reconnaîtra automatiquement.
Note: L'entité du système ne reconnaît que les noms anglais communs ainsi, si vous vous attendez conduit d'autres pays , vous pouvez toujours ajouter de nouvelles valeurs (noms) pour élargir la portée de l'entité du système . Ensuite, pour vous assurer que l'utilisateur ne poursuivra pas la conversation avant que le bot n'ait son prénom ainsi que son nom, marquez les deux comme OBLIGATOIRES.
Et au cas où les informations ne seraient pas soumises au premier essai, des phrases d'invite définies :
Enfin et surtout, nous identifions la réponse finale de l'agent - réponse après que toutes les entités requises aient été collectées. Je voulais accuser réception des informations soumises tout en passant au bit de données suivant. Par conséquent, j'ai formé l'agent à appeler l'utilisateur par son nom et à lui proposer la question suivante :
Sur le côté droit de l'interface Dialogflow, vous pouvez vérifier si la formation a fonctionné.
N'oubliez pas que de cette façon, vous obtenez non seulement des données propres, mais vous éliminez également les demandes de faible valeur pour lesquelles aucun vrai nom ou nom de famille n'est fourni.
10. Landbot : Configurez le reste du bloc Dialogflow
Maintenant que nous avons quelque chose avec quoi travailler, nous pouvons configurer le reste du bloc et tester l'interaction dans le même environnement que l'utilisateur final.
Ne vous inquiétez pas, nous allons créer plus d'intentions pour rendre les choses plus intéressantes, mais pour des raisons de configuration, il est préférable de vous le montrer tout de suite, pendant que tout est frais dans votre cerveau . Dans la section numéro 2 du bloc DF ( Configurez la demande), la seule chose que vous devez faire est de définir le texte d'intention . Rappelez-vous comment nous avons changé la variable @name en @user_input ? Eh bien, c'est pourquoi !
Vous l'envoyez en tant qu'entrée utilisateur et le récupérez comme beau et propre @first_name @last_name sans aucun des extras indésirables du langage naturel.
Dans la partie 3 du bloc DF (Enregistrer la réponse), vous devez principalement définir les entités que vous souhaitez ramener à Landbot ET créer une variable pour extraire les réponses de l'agent que vous avez définies dans la console Dialogflow.a
Ok… ce sont les bases… mais les efforts de génération de leads ne se limitent pas à obtenir le prénom et le nom. Alors, collectons un peu plus d'informations.
11. Flux de dialogue : intention d'e-mail (suivi personnalisé)
Les contextes permettent à votre agent de se souvenir des données saisies pour un nombre spécifié d'échanges au sein de la conversation. Par exemple, imaginez que vous demandez : quel temps fait-il à New York en ce moment ?
Les réponses de bot et vous demander « Et le temps? » Pour que le bot se souvienne de ce dont vous parlez, il doit fonctionner dans un contexte - dans ce cas, le contexte de la ville. Il en va de même pour la réservation d'une réunion. Le bot doit comprendre que des informations telles que à quelle date et à quelle heure et avec qui - entrent dans le même contexte de prise de rendez-vous.
Il existe deux manières de créer un contexte : vous pouvez définir le contexte au sein de chaque intention individuelle ou créer une « intention de suivi » liée à son intention « mère » . Pour créer un suivi, cliquez sur le texte qui apparaît sur le côté droit de l'intention principale.
Sélectionnez la forme du suivi. Choisissez « Personnalisé » si vous souhaitez créer le suivi à partir de zéro.
Lorsque vous cliquez sur Créer, Dialogflow attribue automatiquement un contexte OUTPUT pour l'intent principal "NAME" :
Et le contexte INPUT pour l'intention de suivi « Adresse e-mail » nouvellement créée :
Ensuite, vous procédez comme d'habitude, en définissant des phrases d'entraînement, en entraînant l'agent à capturer l'entité d'adresse e-mail. Encore une fois, Dialogflow a une entité système pour cela, donc pas besoin d'en créer une par vous-même.
Définissez l'entité d'e-mail comme requis dans la section Action et paramètres :
Et enfin, définir les réponses… Je voulais donner aux utilisateurs la possibilité de s'assurer que leur email est correct. Ici, l'utilisateur peut répondre OUI ou NON, ce qui nous donne l'opportunité d'un autre
12. Flux de dialogue : offrez la possibilité de corriger l'e-mail (suivi OUI & NON)
De la même manière que j'ai créé le suivi pour l'intention « Nom », vous pouvez créer un suivi du suivi pour permettre à l'utilisateur de corriger l'adresse e-mail fournie. Comme mentionné précédemment, l'intention de suivi ne peut être activée que si sa principale, disons que l'intention « mère » a été activée. Ainsi, si une personne ne fournit pas d'abord le nom et l'adresse e-mail, les intentions de confirmation oui-non ne peuvent pas être activées accidentellement. J'ai donc créé des intentions de suivi OUI et NON pour l'intention Adresse e-mail.
L'avantage d'utiliser ces intentions de suivi spécifiées (à l'exception de celle « personnalisée ») est qu'elles sont livrées avec des phrases d'entraînement prédéfinies , ce qui vous fait gagner beaucoup de temps !
Avec une confirmation positive, l'utilisateur sera invité à répondre à la question suivante.
Mais que se passe-t-il lorsque les utilisateurs répondent « Non, j'ai fait une erreur… » et active le non-suivi ? Notre agent demandera à l'utilisateur de retaper l'e-mail. Dans le backend, cela signifie que nous devons créer un autre suivi pour la branche « Non » de la conversation qui accepte la version corrigée de l'e-mail et pose ensuite une autre question.
Encore une fois, je l'ai entraîné à reconnaître l'adresse e-mail comme déclencheur d'intention et j'ai conçu une réponse qui incite la conversation plus loin
13. Flux de dialogue : créez votre propre entité
Dans de nombreux cas, vous n'aurez pas besoin de créer vos propres entités, mais l'option sera néanmoins extrêmement utile dans d'autres. Vous pouvez créer des entités qui représentent des groupes de produits ou de prix, des tailles de produits ou des quantités... n'importe quoi de vraiment.
Notre intention finale dans Dialogflow sera de demander le rôle/la position de l'utilisateur au sein de l'entreprise. Nous avons donc besoin que notre agent soit capable de reconnaître quand quelqu'un partage son rôle.Cliquez sur la section « Entités » dans le menu de gauche.
Ensuite, cliquez sur "CRÉER UNE ENTITÉ". En haut, vous devrez définir le nom de l'entité en majuscules et sans espaces. J'ai choisi de définir des synonymes pour les entités ainsi que d'activer la correspondance floue.
Les synonymes signifient que vous pouvez regrouper différentes réponses sous la même valeur d'entité. Dans notre exemple, nous ne nous intéressons pas au rôle précis de l'utilisateur mais plutôt à son niveau de responsabilité au sein de l'entreprise. Ainsi, que l'utilisateur indique qu'il est PDG ou CMO, le bot le classera comme « C -Niveau".
Remarque : Si vous préférez identifier chaque valeur séparément, désélectionnez simplement l'option synonyme et notez simplement toutes les valeurs possibles que vous souhaitez prendre en compte.
L'activation de la « correspondance floue » permet au bot de reconnaître les mots malgré les fautes de frappe. Par conséquent, si quelqu'un tape « managr », le bot saura que cela signifie « manager ».
Maintenant, il est temps de ramener la fête au constructeur Landbot… Je sais, j'ai terminé la dernière intention avec une question, c'est parce que j'ai une autre question, mais celle-ci est mieux gérée dans Landbot avec des réponses de bouton.Pour vous donner un aperçu, notre ensemble final d'intentions Dialogflow pour notre bot léger de génération de leads IA sans code comprend :
14. Landbot : assurez-vous que les réponses DF apparaissent sur l'interface Landbot
Le bloc Dialogflow dans Landbot a trois sorties différentes : vert, jaune et rose. Pour faire coopérer les deux outils, vous devez dessiner une flèche à partir de chacun d'eux et créer le bloc « Questions - TEXTE ».
Tout d'abord, remplacez la question dans le champ "Texte de la question" par la variable que nous avons choisie pour représenter les réponses Dialogflow - @df_responseSecond, mettez à jour le champ "Enregistrer les réponses dans une variable" avec @user_input pour vous assurer que la nouvelle entrée de chaque utilisateur est renvoyée à Dialogflow pour l'analyse.
Pourquoi devez-vous le faire trois fois ? Lorsque le bot prend :
15. Landbot : Configurer le validateur d'e-mails
Avant de passer à cette dernière question, il est bon de s'assurer que l'adresse e-mail que vous obtenez est réelle et précieuse.
Dans des circonstances normales, il faudrait un codeur expérimenté pour créer une connexion API avec une base de données tierce pour obtenir la validation des e-mails. Cependant, ce n'est pas le cas avec Landbot. Il vous suffit de :
Maintenant, une brique (une collection de blocs de construction landbot) apparaîtra dans votre constructeur.
Pénétrer. (Si vous avez envie de jeter un coup d'œil, des notes explicatives utiles sont disponibles.)
MAIS
Nous n'avons pas besoin de tout le shebang…
Maintenant que nous avons tous les matériaux de construction, rassemblons-les ! Ainsi, au lieu de renvoyer directement la conversation à Dialogflow, dessinez une flèche verte et créez un nouveau bloc CONDITIONS et définissez une condition simple pour l'instance que Dialogflow a récupéré une adresse e-mail de l'entrée en langage naturel.
Liez seulement maintenant le bloc WEBHOOK importé au flux de conversation. Le webhook est complètement configuré. Il ne vous reste plus qu'à vous l'approprier :
La réponse du test apparaîtra juste en dessous, vous permettant de voir le type de valeurs que vous pouvez obtenir à partir de la validation.
Le webhook a été prédéfini pour collecter presque toutes ces valeurs qui s'affichent dans le test. C'est à vous de choisir celles que vous considérez comme cruciales pour votre processus de validation. Dans la section Enregistrer la réponse, créez des variables pour celles que vous souhaitez suivre et cliquez sur Enregistrer :
De loin, les valeurs les plus importantes sont mx_found et smtp_check car si ces deux réponses reviennent FAUX, l'e-mail ne vaut rien et n'existe pas. Par conséquent, juste après le bloc WEBHOOK vient le bloc CONDITIONS importé.
Si @ mx_found et @ smtp_check reviennent comme False, nous informerons poliment notre visiteur que l'e-mail qu'il a fourni est 💩.
Voici à quoi cela ressemblera en pratique :
Si @ mx_found et @ smtp_check sont vrais, l'utilisateur peut continuer la conversation.
16. Landbot : posez cette dernière question (offrez une réponse riche)
Alors, qu'en est-il de la dernière question?
Je voulais savoir quelle était la taille de l'entreprise représentée par l'utilisateur. Cependant, étant donné que les gens sont susceptibles de répondre à ce type de demande d'un million de manières différentes, il est préférable de leur donner une certaine structure. Dans un tel cas, nous ajouterons une condition supplémentaire qui finira par rompre la boucle Dialogflow NLP.
Ainsi, SI l'email n'est pas encore défini (lors de la demande du nom de l'utilisateur) ou si les paramètres de validation sont VRAI, nous vérifions une condition supplémentaire :
SI @df_reponses contient les mots « une question » , nous SAVONS l'utilisateur est passé par toutes les intentions de Dialogflow et peut donc maintenant procéder.
Le faux (rose) issue de la conditionneront boucle de retour à Dialogflow conversation , mais le résultat vrai (vert) va continuer à un bloc BOUTONS à base de règles simples.
Pour configurer les réponses des boutons et créer une variable pour stocker ce type de réponse de la même manière que nous avons créé des variables pour les entités DF dans le bot Dialogflow.
17. Landbot : stocker des données sur Google Sheets
Que pourrions-nous faire d'autre pour faire basculer ce bot conversationnel de génération de leads d'IA ? Eh bien, nous lui donnons plus de fonctionnalités "pas si intelligentes" dont l'une est une intégration simple mais PUISSANTE de Google Sheets.
Ci-dessous, vous pouvez voir comment les données apparaissent sur la feuille de calcul :
Vous pouvez voir que les instances où smtp_check et mx-found étaient toutes les deux FAUX, n'apparaissent pas dans la liste. De plus, bien que la valeur mx_found soit TRUE car Gmail et Landbot.io sont tous deux des domaines légitimes, le smtp_check montre que ces adresses e-mail particulières n'existent pas ou ne sont pas configurées pour recevoir des e-mails (non actifs), ce qui vous fait gagner du temps en essayant de les contacter.
D'un autre côté, si un utilisateur a sélectionné WhatsApp comme mode de contact préféré et a réussi la validation du numéro de téléphone, ses coordonnées seront automatiquement ajoutées à votre base de données de prospects WhatsApp Business Manager .
18. Landbot : recevez une notification Slack sur les principaux prospects
La rapidité avec laquelle vous répondez à vos prospects potentiels influence fortement votre taux de conversion .
Par conséquent, pour rendre votre bot de génération de leads NLP toujours plus efficace, vous pouvez créer des conditions supplémentaires pour sélectionner les meilleurs leads et leur accorder une attention particulière.
Dans le cas de notre exemple de bot, j'ai mis en place une condition pour diverger sur un chemin séparé des pistes qui représentent des entreprises de 50 employés ou plus et la personne qui nous contacte est un décideur de niveau C.
Par conséquent, dans un cas où une personne ayant ces qualités converse avec notre bot, je recevrai une notification SLACK instantanée ! La configuration des alertes Slack est aussi difficile que la configuration de l'intégration de Google Sheet - donc pas du tout.
Voici à quoi ressemblera la notification dans Slack :
19. Landbot : organisez une prise de contrôle humaine pour les meilleurs prospects
Les principaux prospects méritent l'attention immédiate de votre équipe marketing ou de votre équipe de vente. Une attention immédiate équivaut à configurer un déclencheur de transfert chatbot-humain ! Dessinez une flèche et sélectionnez le bloc « Reprise humaine ».
Lorsque le menu de blocage s'ouvre, vous pouvez utiliser le flux d'affectation par défaut ou créer le vôtre.
20. Landbot : demandez la préférence de canal de contact
Si vous n'avez pas le temps d'offrir une assistance en direct, même à quelques-uns des sélectionnés - ou si vous voulez simplement vous assurer que vos prospects n'ont pas l'impression que leur demande sera oubliée sous un tas de poussière virtuelle - vous pouvez demander comment ils préfèrent être contacté. Cela montre que vous vous souciez de vous et améliore considérablement l'expérience.
Par exemple, les prospects qui ne se sont pas qualifiés comme TOP dans mon entonnoir seront accueillis par un autre choix de « bouton » et indiqueront s'ils préfèrent être contactés par courrier ou par WhatsApp.
Une fois la décision prise, les informations seront mises à jour dans la feuille Google :
Le bot recherchera la colonne e-mail et dans la ligne où l'e-mail correspond à l'utilisateur, il mettra à jour la colonne « Préférence de contact » avec son choix.
21. Landbot : Configurez l'inscription à WhatsApp
Qu'en est-il des prospects qui ont sélectionné WhatsApp ? N'avez-vous pas besoin d'une autorisation spéciale pour cela ?
En effet, vous le faites ! Et dans Landbot, il vous faudra environ 5 secondes pour le configurer. Si la @contact_preference de l'utilisateur est une adresse e-mail, il recevra un message indiquant que l'un des représentants le contactera sous peu.
Si, toutefois, la préférence est WhatsApp, vous aurez besoin que l'utilisateur s'inscrive officiellement.
Il suffit d'importer la brique « Opt-in WhatsApp ». Le processus d'inscription est configuré avec le validateur de numéro de téléphone.
La seule chose que vous devez faire est d'accéder à votre Landbot WhatsApp Business Manager et de copier le code généré automatiquement pour votre extrait WhatsApp et de le connecter à votre flux. Ça c'est fait.
Lors de l'inscription, l'utilisateur recevra un modèle de message de bienvenue WhatsApp que vous avez configuré pour lui et qui peut être connecté à un autre bot ou à un agent en direct. Ce sera le résultat :
Pour résumer les choses
La génération de leads B2C et B2B est un défi et ce sera toujours le cas en 2020.
Cependant, aucun outil de code qui fait de l'IA et de la PNL ne peut vous aider à vous connecter et à créer un rapport interactif avec les visiteurs de votre site Web dès le début de l'entonnoir de vente. Après tout, de toutes les stratégies et tendances de génération de leads, la personnalisation est celle qui ne semble pas disparaître.
Prenez ce bot comme un petit exemple de ce que vous pouvez créer. Vous pouvez faire des bots AI les gardiens du contenu bloqué, des commerciaux prêts à rechercher les produits les plus adaptés 24h/24 et 7j/7, des filers de leads les plus conviviaux, des compagnons engageants, des assistants de réservation et bien plus encore. Il n'y a vraiment pas de limite !
Que vous travailliez dans le domaine de la vente ou du marketing, il est temps pour vous d'explorer certaines options de génération de leads par IA, de préférence celles qui ne nécessitent pas de codage.
??
Lorsque vous envisagez de créer un chatbot à l'aide de Dialogflow ou d'un outil NLP similaire, vous n'envisagez probablement même pas les plates-formes de création de robots sans code. Concevoir un arbre de conversation bloc par bloc, contrôler les saisies de l'utilisateur à chaque étape, ce n'est pas la méthode PNL…
Cependant, comme nous l'avons souligné dans notre article précédent sur le concept et l'utilité des chatbots de traitement du langage naturel , être puritain à propos des robots d'IA et de PNL n'est pas l'approche la plus conviviale pour les entreprises . En d'autres termes, se concentrer trop sur la création d'un bot indiscernable d'un humain prend du temps (et c'est toujours impossible) et souvent hors de propos. En affaires, l'efficacité l'emporte.
Alors, comment créer un chatbot, l' outil ultime du marketing conversationnel, d'une manière qui semble naturelle mais pas chaotique et vous permet de garder le contrôle ?
Racine votre PNL dans une plate - forme chatbot sans code intuitif .Landbot est célèbre pour son interface sans code intuitive qui permet aux utilisateurs de créer choisir-votre-aventure bots. Ici, la logique conditionnelle , les variables et les identifiants de mots clés plus simples sont ceux qui conduisent à l'hyper-personnalisation (plutôt que le langage naturel).
D'autre part, Dialogflow est réputé pour rationaliser le développement du traitement du langage naturel. Pourtant, malgré les implications, l'outil reste assez complexe et généralement inaccessible à un spécialiste du marketing moyen. En introduisant l'intégration de Dialogflow, Landbot vous permet de combiner des éléments de NLP avec des fonctionnalités sans code.
De plus, la création d'un chatbot à l'aide de Dialogflow au sein de l'infrastructure Landbot vous donne un meilleur contrôle sur la conversation et permet une combinaison d'entrées basées sur des règles et des NLP .
Continuez à lire pour en savoir un peu plus sur Dialogflow ou passez directement au processus et à l'exemple d' intégration Landbot-Dialogflow .
Comprendre le traitement du langage naturel DialogFlow
Avant d'être racheté par Google, Dialogflow était connu sous le nom d'API.AI. Suite à l'acquisition, l'ensemble du service est devenu gratuit et disponible pour tous Google Cloud Platform. (Le prix du GSP est basé sur l'utilisation, mais offre un niveau gratuit).
Dialogflow se présente comme l'outil incontournable pour les solutions d'intelligence artificielle et d'apprentissage automatique. Alors que Google travaille peut-être sur quelque chose du genre en arrière-plan, Dialogflow est, par essence, un moteur de traitement du langage naturel avec un accent majeur sur la compréhension du langage naturel (NLU), la partie « compréhension » de la PNL.
NLU est tout à aider l'algorithme d' identifier ce que l'utilisateur parle et de recueillir les données nécessaires pour générer une réponse viable. Bien que le moteur Dialogflow soit capable d'apprendre et de s'améliorer, cette amélioration ne peut être attirée que par une formation active de la part du développeur/concepteur narratif. Le système ne peut pas apprendre de sa propre expérience et vous ne pouvez donc pas vraiment parler d'apprentissage automatique dans ce cas.
Les développeurs utilisent Dialogflow de trois manières principales
Les composants de base de Dialogflow :
Interface
L'interface utilisateur de Dialogflow comprend trois sections principales :
Agent
En termes simples, l'agent de Dialogflow est le bot que vous créez. Étant l'unité la plus basique de l'outil, il gère la conversation avec vos utilisateurs finaux. Considérez-le comme un agent de centre d'appels humain qui doit être formé avant de pouvoir travailler.
La configuration d'un agent est la première étape vers la création d'un chatbot NLP Dialogflow.
Vous pourrez voir ou basculer entre les agents dans le menu déroulant à gauche ou en cliquant sur « Afficher tous les agents ». Un agent est composé d'un ou plusieurs intents.
Intentions
En termes simples, les intentions aident votre agent à identifier ce que l'utilisateur veut dire en écrivant ou en prononçant une phrase ou une phrase particulière. Ils aident votre agent à percevoir et analyser la saisie de l'utilisateur et à sélectionner la réaction la plus pertinente.
Par exemple, l'intention dans le flux de dialogue peut identifier que la signification de « Salut » est un « salutation » et ainsi décider d'une réponse appropriée. En ce sens, vous pouvez former votre agent à faire la différence entre l'intention de trouver des informations, l'intention d'acheter ou l'intention de faire une réservation.
La section Intents de Dialogflow comporte plusieurs composants : Contextes, Phrase d'entraînement (l'utilisateur dit), Événements, Action, Réponse et Accomplissement. Cependant, tous ne sont pas obligatoires pour que l'intention fonctionne correctement.
Phrases de formation (l'utilisateur dit)
Ainsi, dans votre intention, vous pouvez définir une liste illimitée de phrases d'entraînement « User Says » qui aident l'agent à identifier et à déclencher cette intention particulière.
L'idée est de répertorier différentes variantes de la façon dont la même demande/question peut être utilisée par un utilisateur. Plus vous définissez de variations, meilleures sont les chances qu'un agent « comprenne » et déclenche une intention correcte.
Ci-dessous, vous voyez une liste de salutations différentes qui garantissent que l'agent sera capable de le reconnaître. mais il me serait possible de développer encore plus cela. Par exemple, lorsque vous parlez de vouloir apprendre à jouer un accord de guitare, la phrase peut commencer par de nombreux mots exploitables différents :
Prenons un cas plus complexe… ci-dessous, une liste de phrases garantit qu'un agent est capable de reconnaître que l'utilisateur demande des instructions de transport en utilisant une variété de formulations différentes :
Entités
Les entités sont utilisées pour identifier et extraire des données exploitables utiles à partir des entrées en langage naturel des utilisateurs (quelque chose comme @variables dans Landbot seulement un peu plus intelligent).
Ainsi, alors que les intentions permettent à votre agent de comprendre la motivation des utilisateurs derrière une entrée particulière, les entités sont un moyen de sélectionner des informations spécifiques mentionnées dans une entrée en langage naturel non structuré. Une entité typique peut être une heure, une date, un lieu ou un nom.
Dialogflow contient déjà une grande variété d'entités intégrées appelées entités système (par exemple @sys.geo-city ou @sys.date). Par conséquent, vous pouvez associer de nombreuses entités en entrant les phrases d'entraînement et Dialogflow les identifie automatiquement.
Si les paramètres système ne suffisent pas, vous pouvez créer vos propres entités en cliquant sur la section correspondante dans le menu de gauche. (Je vais passer en revue le processus de création d'entité dans un instant !)
Si vous souhaitez qu'une entité soit mappée, vous devez la spécifier dans la section Actions et paramètres de l'intention que vous modifiez .
Accomplissement
La conception pour l'accomplissement dans Dialogflow est très similaire à la mise en œuvre d'un webhook dans Landbot. Il permet à votre bot/agent de récupérer, vérifier ou vérifier les informations d'une base de données tierce via une connexion API. Pour vous donner un exemple, imaginez que l'utilisateur demande :
Dialogflow identifie l'intent et les entités clés :
Et envoie les informations au webhook conçu qui gère la demande et renvoie les données requises.
Néanmoins, l'accomplissement n'est pas requis pour que votre bot PNL fonctionne correctement si la récupération d'informations n'est pas nécessaire pour qu'il fonctionne correctement. En d'autres termes, ne vous en souciez pas trop.
Réponse
La section de réponse comprend le contenu que Dialogflow fournira à l'utilisateur final une fois l'intention ou la demande d'exécution terminée. Selon l'appareil hôte de votre bot, la réponse sera présentée sous forme de contenu textuel et/ou riche ou de contenu vocal.
Vous devez concevoir une variation de réponses pour chaque intention. Les réponses peuvent contenir du texte statique ou des variables qui afficheront les informations collectées ou récupérées.
Contexte
Considérez le « contexte » comme le ciment qui enchaîne des intentions apparemment sans rapport.
Dans Dialogflow, le contexte est utilisé pour que l'agent puisse se souvenir (ou mieux dire « stocker ») une référence aux valeurs d'entité capturées lorsque l'utilisateur passe d'une intention à une autre tout au long de la conversation.
Ils peuvent être utilisés pour réparer des conversations interrompues ou pour brancher des conversations . Un exemple intelligent de ce cas d'utilisation de contexte a été décrit dans un article de Medium par Moses Sam Paul . Il montre comment le contexte aide l'utilisateur à passer de la réservation d'un vol (intent 1) à la réservation d'une chambre (intent 2) sans avoir à ressaisir les paramètres cruciaux de l'entité : date d'arrivée et de départ.
Les contextes vous offrent également un bien meilleur contrôle sur des conversations plus complexes en vous permettant de définir des états/étapes spécifiques dans lesquels une conversation doit se trouver pour déclencher une intention. L'un des exemples les meilleurs et les plus simples que j'ai trouvés représentant cette utilisation du contexte est présenté dans l'article The Chatbots Life de Deborah Kay à travers un exemple intelligent de blagues Knock-knock. Assurez-vous de le vérifier!
Pourtant, bien que les contextes puissent être très utiles, si vous construisez un dialogue linéaire simple, vous n'en aurez peut-être pas du tout besoin.
🔶 Agents prédéfinis et Small Talk
Outre les éléments mentionnés ci-dessus, il est important de mentionner que Dialogflow propose également une variété d'agents prédéfinis , qui peuvent être d'une grande aide si vous cherchez à couvrir certains des sujets de conversation les plus élémentaires.
De plus, pour n'importe quel agent, vous pouvez également activer (mais ce n'est pas obligatoire) une intention « Smalltalk » . Cette fonctionnalité est capable d'effectuer les petites discussions typiques par défaut - en plus des intentions que vous avez créées, le bot semble un peu plus convivial.
Cependant, avant de prendre l'un des raccourcis , je vous recommande d' essayer de comprendre et de créer vous - même des intentions et d'essayer de comprendre comment elles fonctionnent. Cela risque de vous éviter bien des ennuis, car en matière de PNL, même les raccourcis sont délicats.
Comment créer un chatbot Dialogflow : simple et linéaire
Mais assez de théorie ! Pour vous aider à démystifier un peu Dialogflow et vous aider à comprendre son fonctionnement, je vais passer en revue la création d'un agent simple. Naturellement, pour commencer, vous avez besoin d'un compte Dialogflow. Comme mentionné, la configuration de Dialogflow est gratuite, bien que Google vous demande les informations de votre carte de crédit ou de débit principalement pour s'assurer que vous n'êtes pas un robot mais une personne réelle.
1. Activez le compte Dialogflow et créez votre premier agent
Pour créer votre premier agent, cliquez simplement sur l'option « + Créer un agent » dans le menu latéral à gauche.
Remplissez le nom de l'agent, la langue par défaut, etc.
Une fois cela fait, Dialogflow vous redirigera vers l'interface utilisateur principale. Sans plus tarder, il vous invitera à créer la première intention pour votre agent.
2. Familiarisez-vous avec les intentions par défaut
Comme vous pouvez le constater, deux intents par défaut sont déjà disponibles :
3. Créez votre intention personnalisée
Pour les besoins de cette démonstration, j'ai décidé de créer un agent simple avec une intention de réservation simple .
Avant toute chose, donnez à votre intention un nom descriptif clair . Quelque chose comme « Intent 1 » peut fonctionner si vous n'avez que quelques intentions, mais avec quelque chose de plus complexe, cela risque de causer des problèmes.
Ensuite, ignorez le « Contexte » et les « Événements » car aucun des deux n'est nécessaire pour que cette intention fonctionne. Au lieu de cela, concentrez-vous sur les phrases d'entraînement.
🔺 DÉFINIR DES PHRASES DE FORMATION
Ainsi, pour former mon agent à l'intention de réservation, j'ai tapé une liste de phrases que les gens sont susceptibles d'utiliser lors d'une réservation de restaurant.
Notez que Dialogflow a automatiquement mis en évidence les entités avec lesquelles il était déjà familier (entités système).
IDENTIFIER LES ENTITÉS ESSENTIELLES À LA RÉALISATION DE L'INTENTION
Le système a analysé le langage naturel et isolé ainsi que les données clés classifiées nécessaires pour effectuer une réservation : date, heure et nombre d'invités.
Toutefois, pour compléter la réservation avec succès, j'ai aussi besoin de recueillir un nom et le numéro de téléphone de la personne. Par conséquent, j'ai ajouté quelques phrases d'entraînement pour m'assurer que l'agent sera en mesure d'identifier ces informations dans la saisie en langage naturel.
En faisant défiler les phrases d'entraînement, les entités identifiées sont stockées dans la section « Actions et paramètres » :
DÉFINIR LES ENTITÉS REQUISES ET LEURS INVITES
BUT Going through the variations of the training phrases, you can notice that some of them include more information than others. In fact, some include no data whatsoever. So, how do you make sure that after the agent identifies intent, it proceeds to collect ALL of the needed information?
The solution is quite simple.
All you need to do is tick a box to classify the entity as required and create PROMPTS (questions) the agent will ask if any of the required information is missing.
To edit a prompt, click on the blue text under the PROMPTS column corresponding to the entity for which you want to design it. A pop-up window will open giving you space to create not one but different variations of the prompt:
La création d'une invite pour chacune des entités garantira que votre bot identifiera ce qui manque et le demandera. Par exemple, si un utilisateur dit simplement "Je veux faire une réservation", le bot posera une question pour chaque entité. Mais si l'utilisateur dit "Réservez-moi une table pour 4 demain à 19 heures", le bot ne demandera que le nom et le numéro de téléphone s'il aurait identifié les 3 autres entités requises dès la première entrée de l'utilisateur. Assurez-vous de SAUVEGARDER tous vos changements dans le coin supérieur droit !
CRÉER DES ENTITÉS PERSONNALISÉES
Et si notre restaurant avait plus d'un emplacement ?
Bien sûr, ce bot est capable de faire une réservation, mais ce n'est pas bon si nous ne savons pas lequel des restaurants l'utilisateur envisage de visiter. Dans ce cas, nous pouvons créer une ENTITÉ PERSONNALISÉE pour l'emplacement du restaurant.
Alors, assurez-vous d' enregistrer toutes les modifications dans la section Intention et cliquez sur l' option ENTITÉ dans le menu de gauche.
Cliquez pour créer votre première entité.
Tout d'abord, Dialogflow vous invite à définir le nom de votre entité et à créer ses paramètres.
En ce qui concerne cette intention échantillon cas d'utilisation, j'ai décidé de définir deux lieux de restauration différents qui seront classés dans la même entité.
Après avoir cliqué sur « Cliquez ici pour modifier l'entrée » , Dialogflow vous invite à saisir « Valeur de référence » et un « Synonyme » de cette valeur .
Étant donné que mon entité est « Restaurant_Location », les valeurs de référence qui relèvent de cette entité sont les noms de nos emplacements de restaurant : NAP Mar et NAP Antic.
Cependant, disons que tous mes clients fictifs ne connaissent peut-être pas le nom spécifique d'une succursale en particulier. Par conséquent, pour faciliter les choses, j'ai créé une liste de synonymes que les clients pourraient utiliser pour décrire ces emplacements :
Si vous voulez être sûr à 100% que le bot détecte l'emplacement, quelle que soit la faute de frappe, activez FUZZY MATCHING dans les options sous le titre de l'entité. De cette façon, si quelqu'un tape "Balard" au lieu de "Baluard", le bot saura que l'utilisateur parle de l'emplacement de NAP Antic.
Appuyez sur ENREGISTRER pour stocker l'entité et allons l'essayer ! Tout d'abord, pour m'assurer que votre bot reconnaît l'entité, j'ai essayé d'ajouter une phrase d'entraînement comprenant l'emplacement.
Comme vous pouvez le voir, grâce aux synonymes que nous avons définis, l'agent sait que le mot « plage » fait référence à l'une des succursales du restaurant et l'identifie donc comme emplacement du restaurant :
De la même manière, il identifie le nom réel de notre succursale en tant qu'emplacement :
Testons si j'ai correctement entraîné le bot… Dans la vidéo, vous pouvez voir qu'à partir d'une phrase assez confuse, le bot a réussi à récupérer les 4 entités mentionnées et a posé des questions sur celles qui manquaient encore .
RÉPONSES D'INTENTION DE CONCEPTION
Enfin et surtout, j'avais besoin de définir une liste de réponses que je souhaiterais que les utilisateurs reçoivent. Dans ce cas, les réponses incluent un récapitulatif de toutes les valeurs d'entité saisies confirmant la réservation :
Voir le traitement et la réponse du test ci-dessous :
Comment intégrer Dialogflow à Landbot
Landbot s'est fait un nom en permettant aux professionnels non avertis de créer une interface conversationnelle du début à la fin sans coder. Cependant, jusqu'à présent, ces interfaces conversationnelles devaient être basées sur des règles, s'appuyant sur une logique conditionnelle et une reconnaissance de mots clés pour l'hyper-personnalisation.
Il n'y a rien de mal à cela... Cependant, si vous avez une interface telle que WhatsApp qui ne permet pas vraiment de réponses riches, la conception de la conversation devient un peu plus difficile. Auparavant, j'ai discuté d'une variété de trucs et astuces pour la conception de conversation WhatsApp lorsque vous travaillez avec un bot basé sur des règles .
Mais, toutes les astuces ont leurs limites.Maintenant, grâce à l'intégration Dialogflwo, vous pouvez tirer parti de toutes les fonctionnalités sans code de Landbot tout en utilisant la PNL. Voyons donc comment intégrer un agent Dialogflow dans le générateur de chatbot de Landbot. !
1. Créer un bloc de flux de dialogue dans Landbot
Dessinez une flèche à partir du point de sortie vert pour créer un nouveau bloc comme d'habitude. Recherchez l'intégration Dialogflow et sélectionnez.
Il y a trois sections principales à l'intérieur du bloc Dialogflow.
2. Section I du bloc Dialogflow : Télécharger la clé JSON du projet
La première section est la clé de l'intégration. Cela vous oblige à télécharger une clé Google Project JSON qui correspond à un seul agent Dialogflow.
Pour pouvoir le faire, vous devez télécharger cette clé à partir de Dialogflow .
Voici comment!
Cliquez pour accéder aux paramètres de votre agent que vous souhaitez vous connecter Landbot. Dans notre cas, ce serait notre assistant de réservation.
Ensuite, cliquez sur le lien dans le champ « Compte de service ».
Un nouvel onglet s'ouvrira. Cliquez sur les trois points sous « Actions » et sélectionnez « Créer une clé ».
Ensuite, confirmez que vous souhaitez créer un fichier JSON .
Le fichier sera téléchargé sur votre PC :
Une fois tout cela fait, retournez dans votre constructeur Landbot et téléchargez la clé JSON.
Ci-dessous, vous verrez un champ appelé « Identifiant de session Dialogflow » avec la variable @id . Il s'agit d'un ID de conversation unique permettant à Dialogflow de distinguer les conversations. Pas besoin de s'inquiéter à ce sujet.
3. Bloc de dialogue Section II : Configurer la demande
Dans ce champ, vous définirez les informations que vous souhaitez envoyer à Dialogflow.
Pour les besoins de notre exemple, le seul champ dans "Définir la demande" que nous devons définir est le texte d'entrée. Nous passons directement du message de bienvenue à réponse ouverte au bloc Dialogflow . Par conséquent, notre texte d'entrée sera cette réponse qui est stockée sous la variable @welcome par défaut. (Vous pouvez le vérifier en cliquant sur les trois points dans le coin droit du bloc de bienvenue.
4. Bloc de dialogue Section III : Enregistrez la réponse
Dans la dernière section du bloc d'intégration Dialogflow, nous devons définir les données que nous voulons extraire du moteur NLU vers Landbot.
J'ai conçu l' intention de réservation pour collecter les données suivantes : date, heure, nombre d'invités, lieu, nom et numéro de téléphone . Par conséquent, ce seront les mêmes entités que je souhaiterai ramener au constructeur Landbot pour un traitement ultérieur.
Pour que cela fonctionne, le nom de paramètre que vous saisissez dans la section doit être le même que le nom de paramètre que vous avez défini dans Dialogflow.
Maintenant, associez simplement chaque paramètre à une variable (créez la vôtre ou utilisez l'une des variables prédéfinies de Landbot).
Suivant... Vous vous souvenez de la façon dont nous avons créé les réponses Dialogflow ? Ou les invites de données que nous avons définies pour obtenir toutes les informations dont nous avons besoin du client ?
La partie suivante de la section "Configurer la réponse" vous permet de créer une variable pour représenter les réponses Dialogflow (qu'il s'agisse de réponses finales ou d'invites) et de les afficher sur votre interface Landbot. J'ai nommé la variable - simplement - @response_1
Dans la plupart des cas, vous n'aurez pas besoin du contexte de sortie ou des charges utiles, alors ignorez les champs et cliquez sur ENREGISTRER.
5. Créez le flux pour chaque sortie
Il est maintenant temps de connecter le bloc d'intégration Dialogflow au reste du monde. Comme vous pouvez le voir, le bloc a trois sorties différentes : vert, jaune et rose.
La sortie verte est l'itinéraire emprunté par le bot lorsque l'entrée en langage naturel que vous avez envoyée à Dialogflow et correspond à un intent avec succès. Si vous avez demandé des entités, le bot n'empruntera ce chemin qu'une fois toutes les entités requises collectées. La sortie de réussite permet au bot de poursuivre le flux de conversation.
Votre bot empruntera la route jaune au cas où Dialogflow aurait collecté certaines mais pas toutes les entités requises. Par conséquent, après avoir fait correspondre l'intention avec succès, il renverra la conversation à Dialogflow, ce qui lui permettra de demander les invites prédéfinies.
Le bot emprunte ce chemin au cas où Dialogflow ne parviendrait pas à faire correspondre l'intention à l'entrée en langage naturel. Par conséquent, le chemin de la conversation suit l'intention de secours par défaut qui permettra à l'utilisateur de réessayer.
Qu'est-ce que cela signifie en pratique? Dessinez une flèche à partir de chaque sortie pour créer un
Question: Le texte bloc qui permet l'entrée en langage naturel sur une partie de l'utilisateur. (Remarque : si vous créez un flux PNL pour le Web et que vous souhaitez rendre la fin de la conversation plus évidente, sélectionnez le bloc « Envoyer un message » qui fera que ce champ de saisie utilisateur n'apparaîtra pas du tout. Naturellement, cela ne changez rien sur les interfaces telles que WhatsApp ou Facebook Messenger où le champ de saisie fait naturellement partie de l'interface.)
Cependant, au lieu de taper une question dans le champ « Question texte », saisissez la variable de réponse de flux de dialogue créé dans le bloc avant. Ensuite, changez la variable de réponse de @text à @welcome car c'est l'entrée que j'ai configurée pour l'envoyer à Dialogflow dans le bloc principal :
De cette façon, lorsque le bot prend :
Merci à l'intégration de la PNL, les clients peuvent effectuer la réservation d'une manière qui semble naturel peut fournir des informations leur contenu.Ils bit par bit :
Ou tout à la fois :
Le bot saura quoi faire !
Les avantages de créer un chatbot Landbot à l'aide de Dialogflow
Maintenant que vous avez vu comment créer un chatbot Dialogflow avec Landbot. Examinons de plus près les avantages de cette connexion.
Collecte de données intelligente
Tout d'abord, l'utilisation de Dialogflow permet à Landbotters de collecter des données plus efficacement.
Pour être plus précis, lorsque votre bot basé sur des règles demande « Quel est votre nom ? » et le client écrit "Mon nom est John Smith" le tout est enregistré sous la variable @name dans votre CRM.
Cependant, si vous exécutez la même question simple via Dialogflow, l'agent pourra sélectionner l'entité de nom et renvoyer uniquement « John Smith » à Landbot pour qu'il soit stocké sous la variable @name. Une simple amélioration qui peut amener la génération de leads de votre chatbot à un tout autre niveau.
Contrôle & Efficacité
Le problème habituel avec les robots PNL est qu'ils laissent souvent trop de liberté aux utilisateurs. Cela crée un problème car les utilisateurs finissent par être confus quant à ce qu'ils peuvent et ne peuvent pas demander ainsi que la manière appropriée de le demander. En utilisant Landbot, vous pouvez créer une expérience NLP dans la structure d'un bot basé sur des règles. .
Cela ne fait que structurer le parcours client pour éviter les doutes et la confusion, mais facilite également la création d'agents NLP, car vous pouvez décomposer des conversations autrement complexes en intentions plus simples.
Pour être plus précis, vous avez peut-être remarqué que mon exemple de bot de réservation n'a pas donné beaucoup de choix à l'utilisateur en demandant « Voulez-vous faire une réservation ? » De cette façon, il est assez clair ce que le bot peut et ne peut pas faire.
Mais!
Vous devez toujours tenir compte des exceptions, il y aura des gens qui répondront " Non, ....... " tout ce que j'avais à faire est de créer une intention " Sans réservation " et de l'essayer avec des phrases comme " Non " " Non " "Pas maintenant" et fournissez une réponse appropriée :
Interface visuelle PNL et sans code dans UN
Enfin, Landbot vous permet de concevoir un bot NLP dans une interface visuelle claire et conviviale .
Par conséquent, vous pouvez utiliser Dialogflow uniquement dans ce qu'il fait le mieux (le bit de compréhension du langage naturel) et laisser des choses telles que les intégrations et la configuration frontale à Landbot où vous pouvez le faire par quelques glisser-déposer.
Inscrivez-vous, connectez-vous ou effectuez une mise à niveau pour créer dès aujourd'hui votre premier site Web basé sur Landbot ou votre chatbot WhatsApp à l'aide de Dialogflow !
Commentaires
Enregistrer un commentaire
🖐 Hello,
N'hésitez pas à commenter ou vous exprimer si vous avez des trucs à dire . . .👉