El Machine Learning consiste en procesar y analizar un volumen inmenso de datos con fin de hacer predicciones de comportamientos, especialmente para casos de uso relacionados con ventas y web.
Hace unas semanas me interesé por un curso online impartido por Amazon Web Services de forma gratuito. Tenía curiosidad por saber más acerca de un concepto que está en boca de todos últimamente, en especial a la hora de hablar de Inteligencia Artificial o de transformación digital: el Machine Learning. A partir del vídeo de introducción del curso he podido llegar a esta definición sobre el Machine Learning con la que he comenzado el artículo.
De hecho, esta definición coincide plenamente con una práctica de Amazon, esta vez en calidad de web mundial de ventas de productos, que todos habremos experimentado: debajo del artículo que estamos a punto de comprar, el apartado introducido por la frase “Los clientes que vieron este producto también vieron”, que brinda otros artículos de posible interés.
La frase de introducción de esta sección refleja perfectamente el procedimiento llevado a cabo: Amazon recolecta millones de comportamientos de sus usuarios en cuanto a procesos de compra, los analiza con el fin de predecir los comportamientos futuros de sus clientes, y con alta probabilidad logra incrementar las ventas en la web. No cabe duda de que esta metodología resulta ser un arma extremadamente potente a la hora de hacer marketing dirigido, previsiones de demanda o por supuesto convertir las visitas a la web en ventas. ¿Pero qué pasa si se aplica la misma estrategia para dar soporte al cliente?
En el contexto de un canal de atención al cliente, como puede ser un Chatbot, es importante pararnos a pensar en el concepto de predicciones, que resulta poco compatible con la exactitud o la precisión que requiere el mundo del soporte. Si bien una predicción de venta recomendada no conlleva riesgos mayores – si se convierte la venta, bien, si no se convierte, también –, las respuestas que se dan a los usuarios por un canal de soporte oficial de la compañía pueden ser altamente sensibles: necesitan ser fiables, precisas y contextualizadas, tanto legal como comercialmente. El Chatbot no deja de ser un canal adicional para resolver dudas sobre billetes de avión, comprobar aspectos contractuales de una cuenta bancaria, descargar manuales de electrodomésticos, consultar datos de una reserva de hotel o el saldo de una línea telefónica…
El conocimiento sobre la compañía proporcionado a través del Chatbot no debe diferir del resto de la web ni tampoco de los otros canales de atención al cliente, sean estos canales automatizados o bien gestionados por agentes humanos. Una respuesta desacertada, en especial frente a una consulta delicada, podría tener consecuencias nefastas. Imaginemos un chatbot de atención al asegurado, en la web de una compañía de seguros, que a una consulta sobre mama o pecho deriva al usuario a respuestas sobre cirugía plástica, por ser más habituales según el Machine Learning, en vez de ofrecer una o más respuestas sobre patologías, ginecología, etc. La imagen de este aseguradora resultaría dañada debido a la poca fiabilidad del Chatbot, más exactamente debido al uso erróneo de una metodología predictiva, como es el Machine Learning, con un propósito de atención al usuario.
Además, para cumplir con este propósito, el requisito imprescindible del Machine Learning es disponer de un volumen – cuánto más amplio mejor – de datos históricos para procesar y analizar, a partir de los cuales construir modelos de comportamiento predictivos. Hoy en día, algunas macro-compañías cuentan con estos volúmenes de datos, después de llevar años monitorizando sus canales de atención y procesando la información manualmente para poder racionalizarla y clasificarla.
Sin embargo, la realidad es que la mayoría de las compañías no dispone de estas trazas de actividad de sus clientes, por lo tanto no pueden beneficiarse del Machine Learning de forma sencilla. La alternativa que les queda es ir creando datos manualmente, como si fueran trazas recopiladas de usuarios, para “entrenar” un modelo de Machine Learning ad-hoc. Este proceso de entrenamiento es altamente promovido por numerosos proveedores de chatbot, hasta tal punto que se ha creado la falsa creencia de que la única manera de implementar un chatbot es entrenando el sistema manualmente, durante meses, con cuantas más iteraciones mejor – siendo las iteraciones muchas maneras diferentes de expresar la misma intención.
Cultivan este mito aquellos que no cuentan con tecnología de Procesamiento del Lenguaje Natural para eludir la falta de datos previos. Asimismo, la creación manual de datos para encajar con modelos de Machine Learning implica un esfuerzo colosal para las compañías, que se traduce tanto en una dilatación del time-to-market del proyecto como en una desilusión para con la Inteligencia Artificial.
Por el contrario, un proveedor capaz de utilizar el Lenguaje Natural permite solventar las dos problemáticas que supone el Machine Learning para un Chatbot de atención al cliente: por un lado no requiere de volúmenes extensos de datos, por otro se basa en la ingeniería lingüística para ofrecer respuestas semánticamente relevantes, contextualizadas y altamente fiables.
Esto no significa que el Machine Learning sea una aproximación malvada sino más bien que no siempre es el enfoque más adecuado según qué caso de uso. Si bien para potenciar las ventas en la web con recomendaciones parece ser la metodología más indicada – y con éxito demostrable –, para algo tan sensible como un Chatbot de atención al cliente, es probable que peque de desacierto y de falta de precisión, desventajas que acaban perjudicando la imagen de las compañías. Apostar por el procesamiento del Lenguaje Natural, en cambio, permite garantizar la fiabilidad del Chatbot, pues de la compañía, así como favorecer un time-to-market ágil y la confianza de las empresas en la Inteligencia Artificial.
Frente a este panorama, la aproximación ideal podría consistir en juntar lo mejor de cada mundo: confiar plenamente en el Procesamiento del Lenguaje Natural como tecnología principal del Chatbot de soporte al usuario, y al mismo tiempo recurrir a algunas funcionalidades propias del Machine Learning para cumplir determinados propósitos, como por ejemplo analizar las interacciones de los clientes para sugerir nuevos contenidos para la base de conocimiento, o bien a partir de las estadísticas de clickthrough adaptar la interfaz para mejorar la experiencia de usuario.
(Laurie Reynaud, pre-sales engineer en Inbenta).