Les agents de support client d'aujourd'hui sont extrêmement puissants—Salesforce vient d'acquérir Fin pour 3 milliards de dollars, et le marché continue de se développer rapidement.
Mais ces agents ne sont pas parfaits. Lorsqu'ils échouent, c'est parce qu'ils répondent à des questions pour lesquelles ils n'ont pas été formés, pour lesquelles ils ne disposent pas de données, ou qu'ils n'anticipaient pas.
Quand un utilisateur ouvre un chat de support et tape « Je n'arrive pas à exporter mon rapport », l'agent entend cette phrase, mais il ne voit peut-être pas que l'utilisateur a tenté le processus d'exportation trois fois au cours des 20 dernières minutes, a échoué à la même étape à chaque fois, et est maintenant suffisamment frustré pour écrire en majuscules. Il renvoie donc une procédure générique que l'utilisateur a déjà essayée, et un ticket de support est soumis quand même.
L'information manquante entre ce qu'un utilisateur dit aux agents et ce qu'il a fait dans votre produit est là où la déflexion de tickets s'effondre. Mais les équipes CS commencent à combler ce manque grâce aux insights comportementaux.
Pourquoi les agents intelligents génèrent encore des tickets de support
La plupart des déploiements d'agents IA démarrent avec la même configuration : une base de connaissances, une interface de chat, et une attente raisonnable que les deux ensemble résoudront la plupart des problèmes des utilisateurs. Pour les questions simples et unidimensionnelles, cela fonctionne bien.
Le problème, c'est que la plupart des interactions de support ne sont pas simples. Elles sont spécifiques. Un utilisateur bloqué à l'étape trois d'un processus en six étapes n'a pas besoin d'une réponse générale sur la fonctionnalité. Il a besoin d'aide sur ce qui a mal tourné à l'étape trois. Un agent sans contexte comportemental ne peut pas faire cette distinction. Tous les utilisateurs se ressemblent, et chaque question est traitée comme si elle arrivait sans historique.
Pourquoi le volume de tickets reste stable après le déploiement d'un agent
C'est pourquoi vous pouvez déployer un agent IA véritablement capable et constater que le volume de tickets reste stable. Les agents manquent simplement de la couche d'information qui leur permettrait de répondre à ce qui se passe réellement.
Pourquoi le volume de tickets reste stable après le déploiement d'un agent
C'est pourquoi vous pouvez déployer un agent IA véritablement performant et constater que le volume de tickets reste stable. Les agents manquent simplement de la couche d'information qui leur permettrait de répondre à ce qui se passe réellement.
Voici à quoi cela ressemble en pratique :
- Un utilisateur rencontre une friction dans un flux de travail.
- Il ouvre le chat de l'agent et décrit son problème dans les termes les plus généraux qu'il peut trouver, car il ne connaît pas le nom technique de ce qui a mal tourné.
- L'agent fait correspondre des mots-clés, renvoie une réponse qui traite le sujet général, et passe complètement à côté de l'échec spécifique.
- L'utilisateur essaie la suggestion, elle ne l'aide pas, et il soumet un ticket.
Le ticket aurait pu être évité si vos agents avaient disposé de ce dont ils avaient besoin pour le prévenir.
Signaux comportementaux : le contexte qui manquait aux agents
Les données comportementales produit donnent aux agents ce que les bases de connaissances ne peuvent pas offrir : des informations sur ce que les utilisateurs ont réellement fait dans votre produit avant le début des conversations.
Les quatre signaux qui favorisent la déflexion des tickets
Quatre catégories sont les plus importantes :
- Les tentatives répétées indiquent à l'agent qu'un utilisateur a essayé la même action plusieurs fois sans succès. C'est différent d'un utilisateur qui découvre la fonctionnalité pour la première fois, et cela appelle une réponse différente.
- Le point d'abandon indique à l'agent exactement où dans un flux de travail un utilisateur s'est retrouvé bloqué, et pas seulement qu'il est bloqué. Si un utilisateur a effectué les étapes un à quatre et a abandonné à l'étape cinq à chaque fois, la réponse se trouve à l'étape cinq, pas à l'étape un.
- Les signaux de frustration, tels que les clics rageurs, les saisies répétées et la navigation rapide en va-et-vient, indiquent que la patience de l'utilisateur est déjà épuisée avant l'ouverture de la conversation. La première réponse doit faire mouche. Il n'y a pas de marge pour une erreur.
- Le contexte utilisateur indique à l'agent s'il s'adresse à quelqu'un qui utilise le produit depuis sa première semaine ou à un utilisateur expérimenté confronté à un cas limite. Un nouvel utilisateur a besoin d'une aide à la prise en main. Un utilisateur expérimenté a besoin d'une solution précise. Ce sont des conversations différentes.
Comment le contexte modifie les interactions avec les agents
Lorsqu'un agent a accès à ces signaux avant le début de la conversation, il comprend déjà la situation et peut répondre directement. Il s'agit avant tout de permettre de meilleures conversations avec les agents pour éviter les tickets.
Pendo Agent Analytics est ce qui capture et met en évidence ces signaux comportementaux, offrant à vos agents la couche de contexte qui leur manquait.
Observabilité des agents : les métriques qui indiquent si le détournement se produit réellement
Une fois que les données comportementales alimentent votre agent, vous avez besoin d'une visibilité sur les résultats obtenus grâce à l'observabilité des agents.
Le taux de résolution vous indique la fréquence à laquelle les agents clôturent des conversations sans transfert vers un humain, mais pas pourquoi les agents échouent lorsqu'ils le font. Pour cela, vous devez aller un niveau plus profond.
Les métriques d'agent qui comptent pour les responsables informatiques
- Le taux de prompts rageurs mesure les prompts contenant des grossièretés, des majuscules ou des demandes répétées. Un taux élevé de prompts rageurs signifie que les utilisateurs sont déjà frustrés avant que l'agent ait eu la chance d'aider. Si ce chiffre augmente, quelque chose dans l'expérience pré-conversation crée des frictions que l'agent hérite ensuite.
- Le taux d'abandon au sein de l'interaction avec l'agent vous indique où les utilisateurs se désengagent. Si les utilisateurs quittent systématiquement après la deuxième réponse de l'agent, le problème vient de cette deuxième réponse. C'est un problème corrigeable par l'entraînement une fois que vous pouvez le voir, mais encore faut-il pouvoir le voir.
- Le taux de complétion des tâches répond à la question que le taux de résolution ignore : l'utilisateur a-t-il réellement effectué l'action pour laquelle l'agent l'a aidé ? Un utilisateur peut fermer un chat sans soumettre un ticket et ne pas avoir résolu son problème pour autant.
Ces chiffres vous indiquent si votre investissement dans les agents est défendable au niveau budgétaire.
Command Center vous offre une vue au niveau du portefeuille des performances de chaque outil d'IA, afin que les métriques des agents ne soient pas isolées. Elles se connectent à la vue d'ensemble de ce qui fonctionne dans votre stack d'IA.
Le ROI de l'IA en pratique : 86 % des conversations résolues sans intervention humaine
Un utilisateur rencontre un obstacle dans un flux de travail. Les signaux comportementaux sont capturés en temps réel. Lorsque cet utilisateur ouvre le chat de l'agent, celui-ci dispose déjà du contexte : ce que l'utilisateur faisait, où il a bloqué, à quel point il semble frustré. La réponse traite la situation spécifique. Le problème est résolu avant de devenir un ticket.
C'est ce que Teachable a construit avec Fin, alimenté par les données Pendo :
« Parce que Fin est alimenté par les données Pendo, il intercepte les clients à des moments critiques et résout les questions entrantes avant qu'elles ne deviennent des tickets de support. Nous constatons déjà que Fin résout 86 % des conversations sans faire appel à un humain, tout en maintenant un score CX de 4/5 étoiles. »
— Kathleen Ross, Directrice associée du support produit, Teachable
Pourquoi il s'agit d'un indicateur métier, et non d'un indicateur de support
Chaque conversation que Fin résout sans transfert à un humain représente un coût évité et mesurable. Maintenir un score CX de 4/5 tout en y parvenant signifie que la qualité n'a pas été sacrifiée pour atteindre ce chiffre. L'agent lit le contexte réel, il n'a donc pas à deviner.
La boucle d'amélioration : comment le taux de déflexion s'améliore avec le temps
Le déploiement initial n'est qu'une partie de l'équation. Les données comportementales préparent l'agent avant une conversation et vous indiquent ce qu'il faut corriger après. Lorsque des signaux de frustration provoquent un pic ou que le taux d'abandon chute au même endroit de façon répétée, vous ajustez la réponse de l'agent, le réentraînez sur l'échec spécifique, ou remontez le problème de flux de travail à l'équipe produit. Le taux de déflexion s'améliore parce que la boucle de rétroaction est continue, et non parce que la configuration était parfaite dès le premier jour.
Les données comportementales sont ce qui permet à la déflexion de réellement fonctionner
La plupart des agents IA sont déployés avec de bonnes intentions mais sous-performent pour une raison remédiable : il leur manque du contexte. Les données comportementales produit constituent ce contexte. Elles préparent les agents avant le début de la conversation, révèlent leurs points de défaillance après coup, et donnent aux responsables informatiques la visibilité nécessaire pour prouver que l'investissement est rentable.
Les 86 % relèvent d'une logique simple : les agents qui savent ce que les utilisateurs ont fait résolvent davantage de problèmes que les agents qui savent uniquement ce que les utilisateurs disent à l'instant présent.
