Het probleem van Rabobank
Rabobank had een grote wens: een virtuele assistent die vragen van klanten kon beantwoorden. De klantenservice dreigde namelijk overbelast te raken. Het project was al gestart, maar overzicht en structuur in het contentproces ontbrak. De bestaande schrijfwijzer en tone-of-voice van de Rabobank waren niet geschikt voor dit nieuwe kanaal. Ook was de kwaliteit van gemaakte gesprekken niet constant. Onze specialist Daphne ging aan de slag.
Onze oplossing
Ze bedacht een vaste werkwijze voor het contentproces, en vertaalde de bestaande tone-of-voice naar een schrijfwijzer en botpersona. De virtuele assistent ging soepele en vlot geschreven gesprekken voeren. Daphne trainde de herkenning van de botpersona, en met het team testte en optimaliseerde ze alles dat beter kon. En met resultaat: de virtuele assistent werd steeds beter gewaardeerd en helpt nog altijd duizenden klanten per dag.
Onze uitvoering
Toen onze specialist startte, was het project in volle gang. Er was al een technisch team, een ingericht contentmanagementsysteem en er waren gesprekken over dingen als design van chatvensters en een avatar. Alleen content, daar was er nog niet veel van. De virtuele assistent was nog niet live, maar er werd wel veel getest en onderzocht. Van onderzoek op de werkvloer, tot Wizard of Oz-testing, tot gebruikerstest. Met een interesse voor gebruiksvriendelijkheid en UX, wist onze specialist daar wel raad mee.
Houvast voor conversation designers: botpersona en schrijfwijzer
Met klantpersona’s, onderzoeken en data van de klantenservice ontwikkelde de specialist een botpersona. Door veel te proberen, testen en optimaliseren leerden zij en het team wat werkte voor de klanten van de Rabobank, en wat niet. Met die kennis ontwikkelde onze conversationalspecialist een praktische schrijfwijzer. Daarmee kregen de conversation designers handvatten voor bijvoorbeeld de opzet van gesprekken, het wel of niet doorverwijzen naar de klantenservicemedewerkers, woordgebruik, humor en empathie. Dit zorgde voor een constante kwaliteit en een toon die paste bij de Rabobank.
Training voor de chatbot: intentherkenning
Met alleen goed ontworpen gesprekken ben je er nog niet. De zogenaamde intent van de virtuele assistent moet ook goed zijn. Iedere vraag die een klant intypt, moet een passend antwoord krijgen. Ook als er nog geen content voor geschreven is. Dat betekent dat onze specialist samen met het serviceteam van de Rabobank veel tijd besteedde aan het trainen van deze herkenning. Meer trainingszinnen aanleren, gesprekken lezen, testen, en antwoorden aanpassen op de gestelde vragen.
Structuur voor het team: een vast contentproces
Het contentproces kreeg vaste stappen. Van analyse tot schrijven, testen en optimaliseren. Samenwerking, feedback en testen stonden hierin centraal. Daardoor verbeterde de kwaliteit van gesprekken, werd het niveau constanter én het werk beter over te dragen. De intentherkenning én klantwaardering van ieder gesprek werd doorlopend getest. Kon het beter, was het tijd voor optimalisatie. Echte oplossingen voor klanten, dat was – en is – altijd het doel.
Het resultaat? Een virtuele assistent die steeds beter gewaardeerd werd. Die dagelijks duizenden mensen helpt. En klanten die snel een antwoord op hun vraag krijgen, met steeds minder hulp van klantenservicemedewerkers.
