• 🏡 Home
  • 🚨 GDPR Compliant
  • ⚡️ Data Science
  • 📌 Machine Learning
  • 🔒 Privacy Preserving
  • 🏡 Home
  • 🚨 GDPR Compliant
  • ⚡️ Data Science
  • 📌 Machine Learning
  • 🔒 Privacy Preserving
AI, machine-learning

Chatbot Case Studies PDF

Chatbot Case Studies PDF

Un chatbot è un sistema capace d’imitare le conversazioni umane attraverso mezzi quali testo e voce.

Amazon ci ha fatto conoscere Alexa, Google la famiglia Home Mini con Google Asisstant, Apple ha Siri e Microsoft Cortana.

Si tratta di esempi funzionali di chatbot con cui è possibile interagire e conversare in modo più o meno automatizzato.

Al di fuori dei giganti Hi-Tech: come possiamo noi offrire del valore al business attraverso queste tecnologie?

Lo scopriamo assieme in questo post!

Ho raccolto per te anche una serie di case studies, per capire in che modo le aziende sfruttano davvero i chatbot e magari stuzzicare qualche idea…

Chatbot Rule Based Vs A.I. Based

Prima di andare oltre occorre allinearci un attimo sui termini tecnici: è fondamentale.

Distinguiamo due tipologie:

  • Rule Based Chatbot, per intenderci sono quei sistemi che aprono pagine all’interno del sito in funzione delle richieste di un utente.
  • Artificial Intelligence Based Chatbot, sono sistemi avanzati che sfruttano il machine learning per apprendere e rispondere puntualmente alle richieste di un utente.

Perché?

Verrebbe dunque da chiedersi quale sia l’utilità di un sistema simile.

In effetti, i chatbot sono strumenti capaci di agevolare il business e incrementarne il valore.

Ecco perché è nostro dovere imparare a riconoscerli, comprenderne il funzionamento e saperne trarre il massimo valore: solo così potremmo offrire i nostri servizi ad altre aziende o stakeholder!

Questi sistemi sono convenzionalmente impiegati nei Customer Service aziendali (e di conseguenza nel Customer Care). Qui i bot hanno un valore difficilmente palpabile da un esterno, anche se migliorano considerevolmente i tempi di risposta e permettono di ridurre i costi.

Pensa che è persino necessario implementare un delay di risposta, affinché la conversazione appaia più naturale e le persone siano invogliate a rispondere. Puoi trovare un esempio in questo video.

Chatbot Case Studies

Abbiamo definito cosa siano e perché rappresentino una risorsa di formidabile valore per le aziende.

Esaminiamo qualche Case Study operativo?

Ho selezionato per te due esempi che sfruttano Google Dialogflow, una tecnologia che sperimenteremo insieme prossimamente.

KLM: Royal Dutch Airlines

KLM Royal Dutch Airlines è la più antica compagnia area a mantenere il suo nome originale.

Con più di 30 mln di passeggeri serviti annualmente, oltre 200 aerei e la bellezza di 163 destinazioni sparse per il globo, è facile intuire come un’azienda simile voglia automatizzare l’automatizzabile.

Il primo step è comprendere il business in cui l’azienda opera: siamo nel settore dei voli aerei.

Il secondo è capire l’utente-tipo, fruitore del servizio: per KLM Royal Dutch Airlines si tratta di una persona che in media vola 1.4 volte l’anno.

È un dato fondamentale, perché apprendiamo che il customer medio dell’azienda non scaricherebbe mai l’applicazione ufficiale per prenotare un solo volo e dimenticarla nel telefono in qualche pagina nascosta.

Per questa tipologia di utenti, l’azienda ha voluto realizzare un nuovo entry point che permettesse la prenotazione agevole di un posto a sedere.

Ecco le condizioni favorevoli a una simile tecnologia: si spalancano le porte per un Chatbot AI.

Il Social Media Manager di KLM ha infatti affermato:

A conversational experience allows for that personal approach. It brings warmth and personality to conversations with our customers

Ruben Klerks – KLM Social Media Manager

Un’atmosfera familiare e calda, in cui l’utente ha l’impressione di parlare effettivamente con un essere umano capace di comprendere i suoi reali bisogni.

Aproccio

Identificato il problema, l’azienda ha scelto di sfruttare una piattaforma di Google nota come Dialogflow, che sviscereremo con il nostro solito assetto prossimamente.

Questo ha consentito a KLM di offrire un prodotto funzionale in tempi brevi, sfruttando le potenzialità di algoritmi di Machine Learning e Natural Language Processing di Google.

KLM ha conferito all’agente una personalità femminile e amichevole, capace di comprendere i propri limiti e far intervenire un operatore umano all’occorrenza, per rispondere ai quesiti più complessi.

È persino capace di offrire consigli utili sulla base della destinazione come la necessità di portare con sé un passaporto o medicinali specifici, oltre a quelli relativi al meteo.

L’assistente, denominato BB (Blue Bot) in riferimento alla Brand Identity, è stato in gran parte sviluppato in-house e ha coinvolto differenti aree, tra cui: UX, Copywriting, IT, marketing, communicationm, engineering.

Risultati

Data la natura del prodotto, molti utenti hanno sfruttato il servizio mossi dalla curiosità di provare un sistema unico nel suo genere e ancora parzialmente sconosciuto.

La compagnia sta ora lavorando alla fusione del flusso di prenotazione e post-prenotazione così da alleggerire le responsabilità dei clienti.

Our goal is to help travellers throughout the entire customer journey

Ruben Klerks – KLM Social Media Manager
PDF Case Study

Ticketmaster

Ticketmaster è tra le aziende leader nella vendita di ticket per eventi live. Vende oltre 500 mln di biglietti in 29 paesi.

Evidentemente anche qui il focus è nell’offrire un’esperienza di acquisto rapida e personalizzata per singolo utente sfruttando le novità in campo machine learning e natural language processing.

Approccio

Anche in questo caso Dialogflow è stato scelto per diverse ragioni:

  • Velocità e semplicità di sviluppo, servono poche righe di codice per sviluppare un bot funzionante.
  • Ottima esperienza di sviluppo, l’interfaccia pulita e con una curva di apprendimento semplice migliora l’esperienza globale.
  • Scalabile, una caratteristica fondamentale per sistemi di questo tipo.

Ticketmaster ha collegato il proprio bot con Google Asisstant offrendo un’integrazione seamless che permette agli utenti la massima fruibilità.

Risultati

Il team è riuscito a creare un sistema molto vicino all’esperienza che si avrebbe con un operatore umano, e programma l’integrazione con altre piattaforma quali Amazon Alexa, Facebook Messenger e Cortana, anche su market internazionali.

Once we know users better, we can make better recommendations for events that might interest them and help them purchase tickets effortlessly. I’d love to do that for more people and that’s how we’ll know we’ve succeeded

Patrick Jackson, Ticketmaster software engineer
PDF Case Study

Un caldo abbraccio, Andrea.

Per ricevere un case study in più, entra nel team d’elite!

Written by Andrea Provino - Novembre 5, 2019
Tags | machine learning, teoria

You Might Also Like

exploration-policies-exploration-policy-reinforcement-learning-machine-learning-data-science-markov-decision-process

Exploration Policies: ε-greedy policy | Reinforcement Learning

Agosto 17, 2020
airbnb-data-scientist-job-interview-questions-data-science-machine-learning-colloquio-di-lavoro-domande-airbnb-data-science

Airbnb: il profilo del Data Scientist | Domande colloquio di lavoro

Novembre 27, 2019
global-differential-privacy-local-differential-privacy-deep-learning-data-science-scaled

Global Differential Privacy vs Local Differential Privacy

Febbraio 13, 2020

2 Comments

  • Dialogflow Tutorial: Chatbot & Mailchimp Api - Machine Learning & Data Science Blog Novembre 9, 2019 at 11:29

    […] accennato a dialogflow esaminando alcuni chatbot case studies: compagnie aeree come KLM: Royal Dutch Airlines, e società come Ticketmaster usano questo sistema […]

    Reply
  • Recommender Systems - Machine Learning & Data Science Blog Novembre 14, 2019 at 20:20

    […] una potenziale fonte di grande valore per le aziende, come visto qualche tempo fa esaminando i case studies dei chatbot e provando a realizzarne […]

    Reply
  • Please Post Your Comments & Reviews
    Annulla risposta

    Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *

    Next Post
    Previous Post

    Una pubblicità che non vedi se usi AdBlock

    EXPAND YOUR KNOWLEDGE

    • Blockchain

      Patricia Merkle Trie

      Maggio 30, 2023
    • Artistic representation of a tree Blockchain

      Tree Data Structure: cos’è un Merkle Tree

      Maggio 26, 2023
    • Cover image for Bitcoin UTXO explanation post Blockchain

      UTXO: come funziona il modello Unspent Transaction Outputs

      Maggio 23, 2023
    • Blockchain

      Cos’è Ethereum

      Maggio 15, 2023
    • Blockchain Developer

      Circuito aritmetico

      Novembre 1, 2022
    • machine-learning

      Un nuovo inizio

      Settembre 4, 2021
    • Zero Knwoledge Proof Article Privacy Preserving

      Zero Knowledge Proof: zk-SNARK e zk-STARK | Prova a conoscenza zero

      Luglio 8, 2021
    • oblivious-transfer-spiegazione-italiano-ot-explanation Privacy Preserving

      Oblivious Transfer (OT)

      Luglio 6, 2021
    • Aleo Studio Website Preview machine-learning

      Aleo Studio: un IDE per Zero-Knowledge Proofs Applications

      Luglio 1, 2021
    • privacy-enhancing-technologies-data-machine-learning-data-science Privacy Preserving

      Perché il Privacy Tech è un vantaggio competitivo micidiale

      Giugno 17, 2021

    Quello che Google pensa ti possa piacere

    Prodotti che i Cookie dicono potresti trovare interessanti

    AI Blog - © 2019-2021 Andrea Provino