Support aux agents d'un centre d'appel
Situation initiale
L’entreprise de centre d’appel effectue des appels sortants pour vendre des produits et services d’assurance.
- Les conseillers posent souvent des questions communes sur :
- les produits et services
- les politiques de l’entreprise clientes
- les procédures spécifiques à suivre
- Cette charge de travail élevée entraîne une surcharge pour les superviseurs, qui doivent :
- répondre de manière répétitive à ces questions
- fournir des informations à jour aux conseillers
- Le taux de rotation élevé des employés entraîne des besoins de formation des nouveaux conseillers, qui :
- sollicitent encore les superviseurs pour des questions basiques
- ont besoin d’informations précises, facilement accessibles et à jour pour répondre efficacement aux questions des clients et conclure des ventes.
La solution proposée
Pour résoudre le problème de charge de travail élevée des superviseurs et de besoin d’informations à jour pour les conseillers, l’entreprise nous a sollicités pour mettre en place des automatisations.
- Nous avons proposé d’implémenter un chatbot basé sur l’IA et des données de l’entreprise pour fournir des réponses rapides et précises aux questions des conseillers.
- Le chatbot a été entraîné à répondre à une variété de questions courantes en utilisant les données mises à jour par les superviseurs dans un fichier Excel.
- Le chatbot a été conçu pour apprendre en continu à partir des interactions avec les conseillers grâce à la mise en place d’une mémoire, ce qui lui permet de s’améliorer constamment et d’offrir des réponses encore plus précises au fil du temps.
Résultats
Après une période d’adaptation, le centre d’appel constaté :
- Une augmentation de 5,12% du volume d’appel. Les conseillers recevaient des réponse rapides du chatbot. Ils avaient tendance à interroger le chatbot en même temps que leurs appels
- Une augmentation des conversions de 4,76%. Les conseillers sont plus surs de leurs informations. Ils hésitent moins. La vente est plus fluide, le prospect est rassuré
Les superviseurs ont également bénéficié de cette solution, car ils ne sont plus interrompus par des questions courantes et peuvent se concentrer sur des tâches plus importantes, telles que la formation des conseillers et l’amélioration des processus du centre d’appel.
L'après
2 autres Chatbot ont été mis en place pour les 2 autres plateaux téléphoniques. Nous attendons les résultats … affaire a suivre …
Rédactrice augmentée avec l'IA
Situation initiale
Une société éditrice de magazines et de blogs publie régulièrement des articles sur une variété de sujets. Cependant, la rédaction d’articles de qualité prend du temps et nécessite l’intervention de plusieurs rédacteurs et éditeurs. La société souhaite gagner en productivité et réduire les coûts associés aux recherches et à la rédaction d’articles.
Elle souhaite aussi garder son style éditorial et son identité rédactionnelle
La solution proposée
Afin de facilité la rédaction d’article a destination du blog ou du magazine, nous avons mis plusieurs automatisation en place :
- Recherche automatiser.
Grace à l’ia perplexity, nous avons automatiser la recherche sur le theme de recherche Précis.- Nous avons aussi solliciter l’IA Mistral afin de suggérer des themes de rechercheNous avons organisé une recherche avec l’API SerpAPI qui permet de récupérer les résultats de recherches de google
- Nous avons aussi automatiser les “Google also ask” et les Google suggest.
Grace a toutes ces informations, nous avons suggéré un sommaire du contenu avec les idées principales.
Les rédacteurs n’avaient plus qu’à compléter ou corriger les sommaires.
- L’identité rédactionnelle respectée.
Nous avons demandé à l’ia (Mistral Large) d’étudier le style rédactionnel des plusieurs articles représentatifs du style de la rédaction.
Puis nous avons demandé a Mistral de définir le style de manière la plus précise possible
Cette description du style a été intégré pour la génération d’articles avec les sommaires précédemment générés
Résultats
Une fois les automatisations mis en place:
l’équipe produisait 4,63 fois plus d’articles.
Le traffic a fait x3 en 3,5 mois
