اخیرا با پژوهشی که به وسیله‌ی DigitasLBi انجام شد، معلوم شد که تقریبا 40 درصد از مصرف کنندگان در صورت وجود چنین امکانی، از چت‌بات‌ها خرید می کنند. حتی از این هم انگیزه‌بخش‌تر، با وجود چنین امکانی، اینکه نزدیک به 60 درصد از مصرف کنندگان حاضرند در حد دریافت کوپن‌ها و پیشنهادهای ویژه نیز با چت‌بات‌ها سروکار داشته باشند.
پس با این حساب باتها را ادامه دهیم، درست است؟
نه کاملا. مشکل اینجاست که چت‌بات‌ها ممکن است برای استفاده‌ی مصرف کنندگان آماده نباشند. در پلتفرم مسنجر یاهو، چت‌بات‌ها با موفقیت از عهده‌ی برآوردن جزئی سی درصدی از درخواست‌های کاربران برآمده‌اند. اوه. خرده‌فروش آنلاینِ محصولاتِ مد روزِ اورلین، یکی از دو شرکتی که برای اولین بار مسنجرها را برای مقاصد تجاری به کار گرفتند، استفاده از این پلتفرم را متوقف کردند و به همان سیستم قدیمی و خوب ایمیل بازگشت کردند. فیس‌بوک تصمیم گرفت ترمز برنامه‌ی چت‌بات خود را بکشد و چت‌بات‌ها امروز به طور گسترده‌ای بیشتر به خاطر شکست‌هایشان شهرت دارند تا پیروزی‌هایشان.
به دلایل متعدد، غرش مورد انتظار چت‌بات‌ها بیشتر یک جیغ کوتاه بوده است. در حالی که توسعه‌دهندگان بی‌شماری به سمت ساخت چت‌بات‌ها هجوم می‌آورند تا مطوئن شوند از قافله عقب نمی‌مانند، مهم است که در وهله‌ی اول ملاحظه شود که آیا اصلا نیازی به وجود چت‌بات شما هست؟
الان صدای مرا می‌شنوید؟
بسیاری می پندارند که شکستی که مشخصه‌ی موج اول چتبات‌هاست ناشی از شکستی در ارتباطات است.
اخیرا یک نظرسنجی نشان داد که 71 درصد از millennialها به چت‌بات‌ها علاقه‌مند هستند، اگرچه 55 درصد از پاسخ دهندگان چت‌بات ها را نیازمند دقت بالاتری تلقی کردند؛ 28 درصد آنها فکر می کردند که چت بات ها را می توان با هر چه طبیعی تر کردن گفتگوها بهبود بخشید. به نظر می رسد که پردازش زبان طبیعی (NLP) حلقه‌ی مفقوده باشد.
افزودن NLP به هر سرویس یا فن‌آوری انتخاب هوشمندانه ای به نظر می رسد. نظرا، اضافه کردن یک ویژگی جدید و جالب به سرویس از پیش موجود افزایش ارزشمندی به نظر می رسد. در عمل، NLP ارزش را تکثیر می کند(یا ارزش موجود را بزرگنمایی می کند). اگر ارزش موجود چیزی برابر صفر باشد بزرگنمایی ان به وسیله‌ی NLP کماکان همان ارزش صفر را فرا می آورد.
این به معنا نیبست که چت بات ها و NLP مانند کره ی بادام زمینی و خردل به هم پیوسته اند. در واقع، این زوج پویا می تواند راه ایدئالی برای بعضی توسعه دهندگان و رهبران کسب و کارها برای تعامل با مشتریان باشد. قبل از اینکه به سمت NLP –یا چت بات ها، برای همین موضوع- بشتابید یک لحظه ارزش نهایی ای را که می خواهید فراهم سازید در نظر بگیرید. مردم چت بات شما را برای انجام کار خاصی استفاده می کنند، خواه برای چک کردن وضع هوا، سفارش دادن یک کلاه جدید یا گوش کردن به باند موسیقی مورد علاقه. NLP می تواند جرقه ی یک تجربه ی شگفت انگیز برای کاربر را بزند اما NLP اساسا تها زمانی فایده خواهد داشت که قرار باشد به مردم در انجام کاری که شما پیش بینی کرده اید کمک کند.
چت بات ها اساسا یک واسط User Friendly برای سیستم های بک‌اند هستند. برای مثال، شاپ‌بات متعلق به شرکت ای‌بِی یک دستیار خرید که به صدور توصیه های شخصی سازی شده در هنگامی که کاربران با دوستانشان در حال چت کردن هستند، اقدام می کند. ای‌بِی همواره موتور جستجوی قدرتمندی روی وبسایت و اپلیکیشن های خود داشته است، اما شاپ‌بات به کاربران امکان می دهد که جستجو را به طور مستقیم از همان واسط چت انجام دهند. چت‌بات برای استفاده کنندگانی که مطمئن نیستند چه چیزی بخرند اصطکاک را کاهش می دهد و تکمیل خرید را تسهیل می کند، زیرا به سرویس های بک‌اند دسترسی دارد.
یک بات بهتر بسازید
با وجو اینکه چت‌بات‌ها آن قدر که بعضی پیش بینی می‌کردند تماما انقلابی از آب در نیامده‌اند- حداقل تاکنون- در عین حال، بسیاری از چت‌بات‌های مفید بلااستفاده مانده‌اند. و البته درست است که بعضی از انها به برکت NLP نتایج خارق العاده ای به بار آورده اند. برای مثال، H&R Block، IBM Watson را آموزش ریزه‌کاری‌های کد مالیاتی در سیستم آنلاین خود به کار گرفته است که به آن اجازه می‌دهد کسورات و وام‌هایی را به کاربران در هنگام پر کردن برگه‌های مالیاتی پیشنهاد کند.
منبع : Venturebeat
