DocsReply, un chatbot intelligent pour l’hôtellerie

L’assistant de service à la clientèle doté du traitement du langage naturel pour la chaîne d’hôtels

Сontexte

Quand les gens planifient un voyage, ils choisissent normalement parmi un grand nombre d'hôtels. Dans le domaine hôtelier, l'un des facteurs déterminants dans la fidélisation des clients est le niveau de service clientèle qu’ils reçoivent.

L’hôtellerie est un des premiers domaines dans lequel la technologie des chatbots a été adopté. Aujourd’hui, les chatbots sont utilisés par les hôtels pour assurer le service clientèle 24/7.

“Quel est le mot de passe de Wi-Fi?”, “Où se trouve le restaurant le plus proche?”, ”Comment se rendre en centre-ville?”. Ce sont les questions générales que tous les clients posent et les chatbots peuvent y répondre vite et correctement en envoyant des informations demandées à l’adresse gmail des clients.

Quelques faits

Service: Gestion de projet
Equipe: Développeur full-stack, spécialiste ML/NLP, spécialiste assurance qualité et le chef de projet
Durée du projet: 2 mois (320 heures)
Technologies: Python (Flask) Gmail API, Api.ai/Watson IBM, MySQL, NLTK, Beautiful Soup, sklearn, Gensim (Word2Vec)

Description du projet

Le projet DocsReply est composé de trois parties: le chatbot lui-même, sa base de données et le panneau d’administration pour gérer les connaissances du bot, stocker les documents et suivre les conversations du chatbot. Nous avons fourni la documentation détaillée à notre client qui explique comment il peut former le chatbot pour répondre aux questions des clients en utilisant le panneau d’administration.

Les fonctionnalités du chatbot incluent:

  • Le traitement des requêtes des utilisateurs
  • La communication des réponses relevantes en se basant sur les informations stockées dans la base de connaissances
  • La recherche des documents dans cette base de données pour trouver des informations que l’utilisateur a demandé

Solution

Notre processus du développement de projet a commencé par la rédaction de la fiche technique et la préparation des prototypes pour le panneau d’administration. Ça nous a pris à peu près 15 jours pour faire les préparations nécessaires avant de commencer le processus du développement.

Nous avons réalisé le projet dans un délai de 2 mois avec l’équipe de spécialistes qui inclut le développeur full stack, le machine learning et le traitement automatique du langage naturel, le responsable assurance qualité et le chef de projet.

Nous avons utilisé Scrum-ban, une approche de développement basée sur les événements, où nous avons travaillé par les courtes itérations en planifiant une itération d’avance. Nous avons fourni les rapports sur le progrès réalisé à la fin de chaque sprint. Cette approche permet de rendre le processus de développement rapide et flexible.

Formation du chatbot

Au début le chatbot est censé traiter environ 1,000 emails par jour. Si le chatbot comprend tous les détails dans le texte, il envoie immédiatement les réponses aux requêtes des clients. Le client recevra un email avec la réponse et s’il faut - une pièce jointe.

Si le chatbot ne peut pas reconnaître certains mots clés ou les combinaisons des mots dans la question du client, il envoie la notification a l’opérateur humain avec le message disant “Je ne peux pas comprendre la question.”

L’opérateur envoie la réponse lui-même. Mais la question à laquelle le chatbot ne peut pas répondre va dans la base de connaissances linguistiques pour que le chatbot apprenne la réponse. Pour élargir la base de connaissances, tout ce que l’opérateur doit faire c’est d’entrer la question du client dans le panneau d’administration. Pendant que le chatbot apprend, le nombre d’e-mails avec les questions sans réponses diminue.

Nous avons utilisé DialigFlow et IBM Watson pour la reconnaissance du langage naturel dans les conversations. Nous avons également développé l’algorithme Python qui cherche des mots spécifiques dans le texte de l’e-mail et un document en question dans la base de donnée.

Description du projet

Le projet DocsReply est composé de trois parties: le chatbot lui-même, sa base de données et le panneau d’administration pour gérer les connaissances du bot, stocker les documents et suivre les conversations du chatbot. Nous avons fourni la documentation détaillée à notre client qui explique comment il peut former le chatbot pour répondre aux questions des clients en utilisant le panneau d’administration.

Les fonctionnalités du chatbot incluent:

  • Le traitement des requêtes des utilisateurs;
  • La communication des réponses relevantes en se basant sur les informations stockées dans la base de connaissances;
  • La recherche des documents dans cette base de données pour trouver des informations que l’utilisateur a demandé

Solution

Notre processus du développement de projet a commencé par la rédaction de la fiche technique et la préparation des prototypes pour le panneau d’administration. Ça nous a pris à peu près 15 jours pour faire les préparations nécessaires avant de commencer le processus du développement.

Nous avons réalisé le projet dans un délai de 2 mois avec l’équipe de spécialistes qui inclut le développeur full stack, le machine learning et le traitement automatique du langage naturel, le responsable assurance qualité et le chef de projet.

Nous avons utilisé Scrum-ban, une approche de développement basée sur les événements, où nous avons travaillé par les courtes itérations en planifiant une itération d’avance. Nous avons fourni les rapports sur le progrès réalisé à la fin de chaque sprint. Cette approche permet de rendre le processus de développement rapide et flexible.

Formation du chatbot

Au début le chatbot est censé traiter environ 1,000 emails par jour. Si le chatbot comprend tous les détails dans le texte, il envoie immédiatement les réponses aux requêtes des clients. Le client recevra un email avec la réponse et s’il faut - une pièce jointe.

Si le chatbot ne peut pas reconnaître certains mots clés ou les combinaisons des mots dans la question du client, il envoie la notification a l’opérateur humain avec le message disant “Je ne peux pas comprendre la question.”

L’opérateur envoie la réponse lui-même. Mais la question à laquelle le chatbot ne peut pas répondre va dans la base de connaissances linguistiques pour que le chatbot apprenne la réponse. Pour élargir la base de connaissances, tout ce que l’opérateur doit faire c’est d’entrer la question du client dans le panneau d’administration. Pendant que le chatbot apprend, le nombre d’e-mails avec les questions sans réponses diminue.

Nous avons utilisé DialigFlow et IBM Watson pour la reconnaissance du langage naturel dans les conversations. Nous avons également développé l’algorithme Python qui cherche des mots spécifiques dans le texte de l’e-mail et un document en question dans la base de donnée.

Résultats

Le chatbot DocsReply permet d’améliorer la réactivité et la qualité dans le service client en libérant le temps du personnel de l’hôtel. Grâce à ses capacités d’apprentissage, le chatbot deviendra plus puissant au fur et à mesure et le besoin en opérateur humain peut éventuellement disparaître.