Pengujian berkelanjutan membantu chatbots berkembang

Pengujian berkelanjutan membantu chatbots berkembang

Jika Anda telah berinteraksi dengan merek favorit Anda akhir-akhir ini, Anda mungkin memperhatikan bahwa chatbot tampaknya ada di mana-mana. Kami adalah masyarakat yang terobsesi dengan kepuasan instan. Kami menginginkan jawaban segera dan seringkali itu berarti melempar dadu menggunakan chatbot untuk melihat seberapa dekat mereka dengan apa yang kami cari. Seiring dengan berkembangnya penggunaan chatbots, jumlah kegagalan chatbot setiap hari juga meningkat. Pada saat yang sama, ekspektasi pelanggan tentang pengalaman chatbot yang ‘baik’ tidak pernah lebih tinggi. Dan tidak memenuhi ekspektasi yang ketat ini berarti mengecewakan pelanggan, yang juga dapat mengakibatkan hilangnya bisnis, atau lebih buruk lagi, rusaknya merek Anda.

Tidak peduli di industri apa chatbot beroperasi, menghubungkan dan berkomunikasi dengan orang-orang adalah fungsi utamanya. Formula kesuksesan chatbot sama dengan saluran layanan pelanggan tradisional: layanan cepat dan efektif. Meskipun AI percakapan telah membuat kemajuan teknologi yang hebat, pengalaman pengguna masih kurang, terutama dalam menangani pemrosesan bahasa alami (NLP), latensi, keamanan data, dan masalah lainnya.

Saat para eksekutif dan tim mereka yang bertanggung jawab atas pengalaman pelanggan (CX) berupaya mengatasi tantangan ini, mari kita periksa bagaimana kunci keberhasilan terletak pada merangkul pendekatan pengujian berkelanjutan untuk mengoptimalkan kinerja chatbot.

Mengadopsi Pola Pikir Pengujian Berkelanjutan

Hubungan pelanggan dengan sistem Contact Center Interactive Voice Response (IVR) modern dan chatbots diterima dan diapresiasi atas kenyamanan yang mereka berikan, terutama jika dirasakan sebagai respons manusia yang efisien dan autentik dalam memenuhi kebutuhan mereka. Seolah-olah pelanggan berkata, “Saya tidak keberatan berbicara dengan mesin, kecuali mesin itu mulai bertindak seperti itu.”

Untuk mendorong semakin banyak kasus penggunaan di bidang keuangan, perawatan kesehatan, telekomunikasi, dan terutama ritel, perusahaan sangat bergantung pada pengembang aplikasi dengan keahlian dalam kecerdasan buatan (AI), pembelajaran mesin (ML), dan desain percakapan untuk membuat chatbot yang semakin canggih. Yang mengatakan, organisasi tidak bisa hanya menekan tombol di awal dan mengharapkan sistem entah bagaimana bekerja dengan sempurna. Teknologi mungkin ada, tetapi perlu dilatih dan diuji secara berkelanjutan.

Faktanya, pengujian kinerja chatbot harus berkelanjutan. Tidak ada fase pengujian tunggal saat menghidupkan chatbot. Pengujian harus menjadi bagian dari bisnis sehari-hari, seperti pengkodean, desain, dan pemantauan. Saat perusahaan terus meningkatkan fitur dan kinerja chatbot untuk memenuhi kebutuhan klien, tim harus memahami bahwa siklus pengujian adalah proses yang tidak pernah berakhir.

Misalnya, biasanya hanya ada empat atau lima “niat” yang dimiliki pelanggan saat menggunakan chatbot, tetapi niat tersebut dapat diungkapkan dengan berbagai cara. Contohnya adalah jika pelanggan menyatakan nomor polis asuransinya dalam grup atau permutasi, chatbot dapat salah mengartikannya dan memberikan informasi yang tidak akurat mengenai cakupan polis asuransinya, hanya untuk menyadari kesalahan saat hal itu paling penting.

Untuk menambah kompleksitas lebih lanjut, ketika pusat kontak melayani basis pelanggan multinasional atau bahkan global, variasi dalam ungkapan dan jumlah bahasa yang harus dinavigasi oleh chatbot tumbuh secara eksponensial. Chatbots yang mengaktifkan suara atau teks harus cukup pintar untuk beroperasi dengan aman saat menavigasi variasi ejaan yang tak terhitung jumlahnya, berbagai aksen dan bahasa sehari-hari yang diucapkan, kebisingan latar belakang, statis dari koneksi yang buruk dan banyak lagi. Ini memerlukan pengujian komprehensif yang mungkin mencakup pengujian skor NLP otomatis, pengujian alur percakapan, pengujian keamanan, pengujian kinerja, dan pemantauan yang menganalisis pengalaman dari ujung ke ujung di semua saluran.

Keamanan data adalah prioritas penting lainnya yang hanya dapat dilakukan oleh pengujian berkelanjutan. Saat chatbots menjadi lebih pintar dan lebih dipercaya oleh pelanggan untuk memenuhi kebutuhan mereka, orang menjadi lebih nyaman memberikan data pribadi mereka ke chatbots. Hal ini meningkatkan jumlah situasi di mana chatbot bekerja dengan informasi identitas pribadi (PII) atau data yang sangat sensitif lainnya. Pengujian diperlukan untuk memastikan penanganan data ini tetap aman dan sesuai di semua kasus penggunaan.

Mengoptimalkan Pendekatan Pengujian

Mengingat bahwa pengujian perlu dilakukan dalam skala besar, dalam pengaturan tingkat produksi dan secara berkelanjutan, tidak ada cara untuk melakukannya secara manual. Itu karena kasus penggunaan sangat berbeda, dan volume pengujian yang tinggi sering kali diperlukan untuk menunjukkan dengan tepat perubahan atau penyesuaian tertentu yang memberikan dampak positif terbesar.

Ini semua mungkin tampak menakutkan bagi eksekutif puncak yang khawatir bahwa pengujian terus-menerus berarti terjebak dalam kerumitan. Untungnya, bukan itu masalahnya. Dengan menghormati praktik terbaik dan melakukan investasi teknologi strategis yang tepat dalam sistem otomatis yang digerakkan oleh AI/ML, pemimpin C-suite yang bertanggung jawab atas pengalaman pelanggan dan tim yang mereka kelola dapat menerapkan pengujian berkelanjutan dengan cara yang lancar dan dapat diskalakan.

Pendekatan terbaik mencakup pengujian end-to-end yang mampu menghasilkan lalu lintas sintetik untuk meniru interaksi pelanggan secara real-time. Idealnya, skenario yang menantang, seperti input pengguna yang tidak terduga, harus disertakan dalam skenario pengujian bersamaan dengan pemantauan berkelanjutan.

Otomasi adalah kuncinya, terutama pada saat permintaan puncak seperti Open Enrollment layanan kesehatan, Black Friday, Cyber ​​Monday, dan hari libur sepanjang tahun. Pengujian beban hingga 1.000 permintaan bot per detik, atau lebih, dapat membantu memastikan perusahaan dapat menangani semua lalu lintas yang diperlukan. Dan di era kerja fleksibel dan audiens milenial/Gen Z berinteraksi dengan bot setelah jam kerja dan akhir pekan, pengujian harus dirancang untuk menganalisis dan mengoptimalkan kinerja chatbot 24 jam per hari, 365 hari setahun.

Terakhir, sangat penting bagi organisasi untuk memastikan bahwa data pelatihan bersih sehingga mesin natural language understanding (NLU) chatbot mereka dapat bekerja secara optimal sejak awal. Ini membantu menemukan kekurangan dengan segera dan menawarkan langkah-langkah yang jelas dan proaktif untuk meningkatkan keandalan dan kinerja chatbot.

Pendekatan Pengujian Berkelanjutan Meningkatkan Kinerja Chatbot

Namun, ketika organisasi memindahkan pengujian berkelanjutan lebih awal dalam siklus pengembangan chatbot, ini akan menemukan masalah lebih cepat sebelum merusak reputasi mereka dengan pelanggan, menghemat waktu di bagian belakang, menyisakan ruang untuk lebih banyak perbaikan, dan merupakan satu-satunya pilihan untuk berinovasi dengan cepat.

Kredit gambar: phonlamai/depositphotos.com

Christoph Börner adalah Direktur Senior Digital di Cyara.

Author: Kenneth Henderson