Förbättra e-handels chatbot noggrannhet med Chain-of-Thought resonemang

Utnyttja steg-för-steg AI-resonemang för att hantera komplexa kundförfrågningar och förbättra tillfredsställelsen inom onlinehandel

Projektöversikt

Kunden försökte förbättra kundupplevelsen på sin plattform genom att förfina sin AI-chatbot, som hanterade produktförfrågningar, returer och felsökning. Chatboten kämpade med komplexa kundfrågor, särskilt när flera problem eller produkter var inblandade i en enda fråga. Kunder frågade till exempel ofta om returpolicyn för två olika produkter köpta under olika villkor.

Vi introducerade Chain-of-Thought (CoT)-uppmaning för att hjälpa chatboten att bryta ner dessa komplexa frågor och vägleda den genom steg-för-steg-resonemang, vilket resulterar i mer exakta och heltäckande svar.

Nyckelstatistik

Kundinteraktioner behandlade med CoT-baserade resonemang.

100,000+

Minskad svarstid för flerprodukter och felsökningsfrågor.

27%

Ökad kundnöjdhet från förbättrad problemlösning.

30%

Projektets omfattning

Projektet fokuserade på att träna chatboten att bearbeta kundförfrågningar i flera delar för över 100,000 XNUMX unika interaktioner över olika produktkategorier, såsom elektronik, mode och hushållsapparater. CoT-metoden gjorde det möjligt för AI att hantera:

Förfrågningar om flera produkter: Ta itu med frågor som involverar flera föremål i samma interaktion.
Steg-för-steg-problemlösning: Hjälper kunder att felsöka produktproblem genom att guida dem genom detaljerade lösningar.

Utmaningar

Komplexa frågor

Kunder ställde ofta flerdelade frågor som krävde att olika problem löstes samtidigt.

Inkonsekventa svar

Chatbotens tidigare svar var inkonsekventa när de hanterade produktreturer och tekniska problem i en enda konversation.

Skalbarhetsfrågor

När kundinteraktionerna ökade var det svårt att upprätthålla chatbotens prestanda över olika produktlinjer.

Lösning

CoT Prompt Engineering: Vi skapade uppmaningar för att vägleda AI genom logiken i att svara på flerdelade frågor. Chatboten tränades till exempel i att ställa klargörande frågor innan man drar några slutsatser.
Användarfeedback loopar: Vi inkorporerade kundfeedback för att förbättra CoT-uppmaningar, så att chatboten kan lära sig av verkliga interaktioner.
Exempelvis för tankekedja

Kundfråga:

”Jag beställde en smartphone och ett par hörlurar. Smarttelefonens skärm är sprucken och hörlurarna paras inte ihop med mina enheter. Jag måste också uppdatera min leveransadress för en ny beställning som jag gjorde igår, men den låter mig inte uppdatera den på mitt konto. Kan du hjälpa mig med dessa frågor?"

Steg 1: Identifiera och kategorisera problemen

"Det verkar som att du har att göra med tre separata problem: (1) en skadad smartphone, (2) ihopkopplingsproblem med dina hörlurar och (3) att uppdatera din leveransadress för en ny beställning. Låt oss ta dessa en efter en."

Steg 2: Adressera den skadade smartphonen

"För smartphonen, eftersom skärmen är sprucken, kan du vara berättigad till en ersättning eller reparation, beroende på garantistatus. Kan du bekräfta om du har köpt utökad garanti eller om detta hände inom 30-dagars returperioden?”

Gren 1: Om garantin eller inom returfönstret:"Stor! I så fall hjälper jag dig att starta en ersättningsbegäran. Kan du bekräfta leveransdatum och om du föredrar en ersättning eller en återbetalning?”
Gren 2: Om utanför returfönstret eller ingen garanti:"Eftersom telefonen är utanför returfönstret och inte har en utökad garanti, du kan fortfarande vara kvalificerad för en betald reparation. Vill du att jag hjälper dig att sätta upp en reparation begäran?"

Steg 3: Diagnostisera problemet med parning av hörlurar

"För hörlurarna, låt oss först testa ett felsökningssteg. Har du testat att återställa hörlurarna genom att hålla ned strömknappen i 10 sekunder och sedan försöka para ihop igen?"

Gren 1: Om kunden bekräftar att felsökningen inte fungerade:

"Tack för att du provade det. Om problemet kvarstår kan jag kontrollera om dina hörlurar är kvar inom retur- eller garantiperioden. Kan du ange köpdatum så att vi kan gå vidare med en reparation eller utbyte?"
Gren 2: Om felsökningen fungerar:

"Jag är glad att felsökningen fungerade! Om du behöver hjälp med något annat angående hörlurarna får du gärna meddela mig.”

Steg 4: Hjälp med uppdatering av leveransadress

"För den nya beställningen du gjorde, låt mig kontrollera om leveransadressen fortfarande kan uppdateras. Vänligen håll ut ett ögonblick medan jag verifierar beställningens status."

Gren 1: Om beställningen ännu inte har skickats:

"Goda nyheter! Beställningen har inte skickats än, så jag hjälper dig att uppdatera leveransadressen genast. Kan du snälla ange rätt adress?"
Gren 2: Om beställningen redan har skickats:

"Det verkar som om beställningen redan har skickats och inte kan uppdateras. Men du kan fortfarande kontakta fraktfraktaren direkt för att begära en adressändring. Vill du ha spårningsinformation för din beställning?"

Steg 5: Ge en sammanfattning och nästa steg

"Här är en snabb sammanfattning av vad vi har gjort: (1) Vi har påbörjat processen för din smarttelefonbyte/reparation, (2) löste felsökningen för dina hörlurar och (3) försökte uppdatera leveransadressen. Jag har också delat spårningsinformationen för dina senaste beställa. Finns det något mer jag kan hjälpa dig med idag?"

Logisk grund:

Denna CoT-prompt är mer komplex, eftersom den hanterar flera olika problem (produktretur, teknisk felsökning och kontohantering) samtidigt som den guidar chatboten genom varje steg i en logisk sekvens. Den innehåller beslutsgrenar baserade på kundsvar (t.ex. om garantin täcker smarttelefonen eller om felsökning löser hörlursproblemet) och uppdaterar dynamiskt dess handlingssätt beroende på situationen. Detta förbättrar chatbotens förmåga att hantera kundförfrågningar i flera lager med hög noggrannhet och effektivitet.

Den Utfall

100,000 XNUMX kommenterade kunder Interaktioner levererade enligt projektets tidslinjer
27 % minskning i svarstid: Med CoT-uppmaning levererade chatboten snabbare svar genom att bearbeta varje fråga mer effektivt.
30 % ökning i kundnöjdhet: Kunder rapporterade högre tillfredsställelse med chatbots förmåga att hantera komplexa frågor, särskilt för felsökning och förfrågningar om flera produkter.
Skalbarhet mellan avdelningar: Den CoT-baserade chatbotlogiken utökades enkelt till kundsupport, orderspårning och betalningslösning, vilket förbättrade chatbotens totala effektivitet.

Implementering av Chain-of-Thought-resonemang förändrade hur vår chatbot hanterar kundfrågor. Steg-för-steg-logiken gjorde det möjligt för den att hantera även de mest komplexa frågorna, vilket dramatiskt förbättrade både hastighet och noggrannhet.

— Chef för Customer Experience