Comment l’IA générative optimise la satisfaction et l’expérience clients ?
Découvrez comment l’IA Générative permet d’exploiter les informations échangées lors des appels téléphoniques afin d’optimiser l’expérience et la satisfaction des assurés.
Vous trouverez à la fin de l’article le retour d’expérience de notre intervention à l’évènement Who Run the Tech, détaillant la démarche que nous avons mis en place.
Les objectifs du projet :
Détection automatique des appels insatisfaits :
L’objectif premier consistait à améliorer la formation des équipes du service client. Auparavant, les managers écoutaient aléatoirement des appels en espérant tomber sur des appels où la relation avec le client a été compliquée pour pouvoir les utiliser lors des formations. Désormais, grâce à l’utilisation d’un modèle CamemBERT, les appels insatisfaits sont détectés automatiquement. Ceci élimine la nécessité d’écouter plusieurs enregistrements pour les sessions de formation, optimisant ainsi le processus.
Traçage des appels insatisfaits :
Un deuxième défi résidait dans l’absence d’historique des appels insatisfaits. Nous avons créé des modèles pour extraire automatiquement un résumé de l’appel et le motif d’insatisfaction du client. Ces informations sont maintenant accessibles dans le logiciel des conseillers, offrant une vue claire des interactions passées.
Automatisation des actions commerciales en réponse aux appels insatisfaits :
Une autre initiative a été la création automatique d’actions dans le logiciel des commerciaux en réponse aux appels insatisfaits détectés. Lorsqu’un appel insatisfait est identifié, un résumé de l’appel et des actions (comme rappeler le client) sont générés automatiquement dans le logiciel des commerciaux. Cette automatisation renforce ainsi la réactivité et la pro activité des équipes et contribue à une meilleure gestion des problèmes soulevés par les clients.
Tableaux de bord pour le suivi des motifs d’insatisfaction :
En parallèle, nous avons mis en place des tableaux de bord pour permettre aux managers de suivre l’évolution des motifs d’insatisfaction. Ces tableaux offrent une visibilité claire sur la proportion des motifs, facilitant ainsi la prise de décision pour améliorer les processus.
Réalisation technique avec trois modèles :
Pour concrétiser ces objectifs, nous avons mis en place trois modèles distincts, chacun répondant à une dimension spécifique du projet.
- Classification binaire : Fine-tuning d’un modèle CamemBERT pour détecter les appels insatisfaits.
- Résumé des appels : Exploration de modèles d’IA génératifs tels que Falcon, Vigogne, et Mistral pour la génération de résumés d’appels. Puis, adoption de Mistral fine-tuné sur des résumés générés par l’API GPT.
- Modèles pour motifs d’insatisfaction : Tests avec des modèles d’IA générative bruts (Falcon, Vigogne) insatisfaisants donc choix d’utiliser l’API GPT pour labéliser les appels, puis de fine-tuner Mistral sur cette base labellisée.