Comment un chatbot basé sur les LLMs améliore l’autonomie des clients tout en renforçant la qualité de service ?

Face à l’évolution des usages et à la nécessité de répondre toujours plus rapidement et efficacement aux demandes de ses clients, G7 (leader du taxi en France) a fait un pari ambitieux : s’appuyer sur l’intelligence artificielle générative pour améliorer sa relation client. Pour relever ce défi, l’entreprise a collaboré avec Dydu, expert en IA Conversationnelle, pour déployer un chatbot basé sur un modèle de langage (LLM). 

Une démarche résolument tournée vers l’innovation, mais aussi vers le contrôle, la maîtrise et la qualité. Retour sur un projet structurant.

Un objectif clair : fluidifier la relation client sans la déshumaniser

G7 est une entreprise qui repose sur une double promesse : améliorer la mobilité pour les passagers et simplifier le quotidien des chauffeurs. Avec 32 millions de passagers transportés chaque année, 15 000 chauffeurs affiliés, et plus de 10 000 entreprises clientes, la relation client y est un enjeu central et permanent. 

L’entreprise disposait déjà d’un centre d’aide enrichi par l’IA, mais souhaitait aller plus loin avec un outil capable de comprendre le langage naturel, s’adapter au contexte et répondre de façon fiable, tout en maîtrisant les risques grâce à un LLM « bridé » et paramétrable. 

C’est dans ce contexte que G7 a vu dans les LLM une opportunité : non pas de remplacer ses équipes, mais de mieux orienter les clients, de leur offrir une autonomie accrue, et de libérer du temps pour les demandes à forte valeur. 

Trois objectifs ont été identifiés : 

1. Permettre aux clients de trouver rapidement les réponses à leurs questions simples, sans avoir besoin de contacter un conseiller. 

2. Garantir une qualité de réponse constante lorsqu’un contact humain reste nécessaire.

3. Exploiter les données issues des interactions pour identifier les signaux faibles et ajuster les priorités business et produit.

Un chatbot LLM co-construit avec Dydu : une approche hybride et pragmatique

G7 et Dydu ont fait le choix d’une approche hybride, mêlant puissance des LLM et structure métier. Le chatbot, désormais déployé sur le site web G7, s’articule ainsi autour de trois niveaux de réponse : 

• Niveau 1 : pour de simples questions fréquentes, le LLM génère une réponse naturelle, à partir des données disponibles sur le site web. 
• Niveau 2 : pour les sujets plus complexes (ex : remboursement, cadre légal), les réponses sont construites sur des formats plus structurés (arbres de décision), avec un accompagnement intelligent de l’IA. 
• Niveau 3 : pour les cas sensibles (par exemple, une personne en situation de handicap qui a besoin d’un service particulier), la demande est redirigée vers un conseiller via un ticket enrichi automatiquement par le LLM. 

Cette architecture permet d’allier réactivité, qualité et sécurité dans le traitement des demandes, tout en assurant une expérience fluide pour l’utilisateur. Et surtout, la solution Dydu a été conçue pour être utilisée directement par les équipes métier, sans nécessiter de compétences techniques. 

Mesurer la performance : un nouveau défi pour l’ère LLM

La phase de test du chatbot a débuté avec l’envoi de centaines de questions simulées, analysées manuellement pour évaluer la pertinence des réponses. Mais cette méthode, bien que précieuse, s’est rapidement révélée trop chronophage pour être pérenne. G7 et Dydu ont donc travaillé ensemble à la mise en place d’un système d’évaluation automatique des performances, adapté aux spécificités des modèles LLM. 

Premier défi : définir les bons indicateurs. Les KPIs classiques des chatbots (comme le taux de non-compréhension) deviennent obsolètes, car un LLM fournit presque toujours une réponse, même s’il n’est pas certain de sa pertinence.

Il a donc fallu concevoir de nouveaux critères d’évaluation, centrés sur la confiance du modèle dans ses propres réponses. Le LLM auto-évalue désormais chaque réponse à l’aide de plusieurs techniques : 

• Une analyse factuelle, basée sur le nombre et la diversité des sources mobilisées. 
• Une analyse sémantique, qui mesure l’écart entre la réponse générée et les documents de référence, pour identifier d’éventuelles dérives. 
• Un score de probabilité qui reflète la pertinence estimée par le LLM lui-même. 

Parallèlement, le chatbot utilise aussi l’IA pour analyser les intentions et classer les thématiques abordées par les utilisateurs. Cela permet d’identifier les sujets les plus fréquents ou les plus sensibles, et de prioriser les améliorations à apporter, notamment en cas de score de confiance faible. Ce système intelligent et évolutif constitue un socle essentiel pour piloter et améliorer en continu la qualité des réponses fournies par le chatbot.

Améliorer le chatbot : un travail continu, structuré et itératif

L’approche adoptée repose sur un cycle d’amélioration permanent, structuré autour de trois leviers : 

1. Améliorer l’algorithme avec un prompt dédié : pour cadrer les réponses, éviter les digressions ou les hallucinations. 

2. Améliorer la base de connaissances pour la rendre adaptée à une utilisation par l’IA : ajouter les contenus manquants, enrichir les articles existants, et nettoyer les données obsolètes. 

3. Créer des arbres de décision : pour les cas spécifiques, complexes ou sensibles afin de contrôler les réponses proposées. 

Cette démarche a permis non seulement d’augmenter la qualité des réponses, mais aussi de renforcer la fiabilité du service pour les utilisateurs. 

Tout cela s’inscrit dans un processus itératif, mené régulièrement avec les équipes de G7 et Dydu, bien au-delà de la mise en production initiale. Le projet ne s’arrête pas au moment où le chatbot est mis en ligne : il continue à évoluer pour rester performant et pertinent. 

Gérer les escalades : efficacité sans compromis

Un autre point important du projet était la gestion des escalades vers les équipes humaines. G7 a choisi une politique claire : il est préférable d’escalader une demande que risquer une réponse inexacte. 

Grâce à l’IA, les tickets sensibles sont désormais : 

• Détectés automatiquement, selon le contexte ou certains mots-clés.
• Pré-remplis par le LLM, ce qui fait gagner du temps aux conseillers.
• Priorisés en fonction de leur complexité ou de leur criticité. 

Résultat : un service client plus réactif, plus efficace et mieux informé.

Des résultats très encourageants dès les premières semaines

La démarche structurée et progressive de G7 a porté ses fruits rapidement. Dès la première itération, les résultats étaient satisfaisants : 

Avant le travail d’optimisation : 

• 50 % de réponses très satisfaisantes 
• 45 % de réponses à améliorer (souvent par manque de contenu clair)
• 5 % de réponses insatisfaisantes 

Après amélioration : 

• 95 % de réponses très satisfaisantes (y compris les cas bien escaladés) 
• 5 % de réponses à améliorer (des sujets sensibles, non appropriés pour un traitement 100 % automatique, mais possible avec une approche hybride) 
• Moins de 1 % insatisfaisantes

Et la suite ?

Le chatbot n’est qu’un point de départ. G7 prévoit déjà de : 

• L’étendre à d’autres canaux (réseaux sociaux, applications …)
• Le connecter à son back-office pour étendre le spectre 
• L’adapter à d’autres publics, notamment les chauffeurs 
• Explorer de nouveaux formats, comme le callbot

Un partenariat humain, au service de l’innovation

Au-delà de la technologie, ce projet est aussi l’histoire d’un partenariat solide entre les équipes de G7 et celles de Dydu. Une organisation projet claire, des échanges réguliers, et une volonté commune d’itérer et d’améliorer en continu ont permis de dépasser les défis de l’IA générative. 

« L’IA ne remplace pas l’humain. Elle l’augmente. Elle nous aide à mieux servir nos clients, plus vite, avec plus de pertinence. » –Samir Dilmi, CRO chez Dydu

Bpifrance, banque publique d’investissement des entrepreneurs, souhaitait désengorger son support informatique tout en continuant d’apporter aux salariés un niveau de service élevé.

Dans le cadre de son processus de modernisation et de digitalisation, l’entreprise a mis en place un chatbot IT permettant de traiter le top 20 des demandes récurrentes des collaborateurs.

Le chatbot de Bpifrance traite chaque mois plus de 1600 questions en lien avec le parc applicatif et matériel : en plus d’apporter des réponses personnalisées, le chatbot permet aux utilisateurs de créer des tickets d’incidents ou de basculer vers un opérateur livechat en cas de besoin.

Découvrez comment les agents conversationnels de Dydu permettent à Bpifrance d’optimiser la gestion de la Relation Salarié.

TotalEnergies, 3ème acteur de l’électricité et du gaz en France, a mis en place un outil de selfcare complet et performant à destination de ses clients alliant IA conversationnelle et technologie livechat.

Avec l’innovation et la satisfaction client au cœur de sa stratégie, TotalEnergies souhaitait garantir une présence 24/7 à ses clients tout en optimisant la gestion des contacts entrants.

Avec plus de 77 000 conversations par mois, le chatbot TotalEnergies automatise 40% des demandes entrantes : il fournit aux clients des réponses personnalisées et leur permet de basculer vers un livechat pour les cas nécessitant l’intervention d’un agent.

Découvrez comment les agents conversationnels de Dydu sont devenus un atout clé de la gestion de la Relation Client pour TotalEnergies. 

L’Agence Française de Développement (AFD), qui finance des projets à fort impact social et environnemental, souhaitait tirer parti de l’IA conversationnelle pour moderniser sa marque employeur et gagner en efficacité. 

Pour la cellule Transformation Digitale RH de l’AFD, le projet devait permettre de remplir deux objectifs : offrir un meilleur accompagnement à ses collaborateurs sur des sujets RH d’une part, et assister les futurs talents dans leur processus de candidature d’autre part. 

Pari réussi avec la mise en place de deux chatbots Dydu qui traitent plus de 40 000 questions au total chaque mois, déchargeant ainsi le service RH des sollicitations récurrentes.

Découvrez comment les agents conversationnels de Dydu sont devenus des outils incontournables de la gestion de la Relation Salarié pour l’Agence Française de Développement. 

PwC France, l’un des quatre grands cabinets du Big Four spécialisé dans des missions de conseil, d’audit et d’expertise juridique, a fait appel à Dydu en 2019 pour créer Alex, un chatbot “concierge” à destination de ses 6 000 collaborateurs. 

LES CHIFFRES CLÉS :

• 2 800 connaissances autour de 10 thématiques
• + 15 000 interactions par mois avec un taux de compréhension de 97 %
• 4 000 conversations par mois, dont ​​85 % de conversations réussies

Le chatbot Ressources Humaines de PwC est aujourd’hui doté de 2800 connaissances sur une dizaine de thématiques récurrentes (Ressources Humaines, HelpDesk, locaux, événements, stratégie d’entreprise, etc.).  Avec 15 000 questions par mois et un taux de compréhension de 97 %, le chatbot est devenu un outil stratégique pour PwC dans la gestion du support interne. Il participe à faciliter le quotidien des collaborateurs et l’intégration des nouvelles recrues. 

Lors de notre matinée client en mars 2022, Nelly Fercoq, cheffe projet chatbot chez PwC, a expliqué que le chatbot a été particulièrement utile lors de la mise en place du télétravail pour tous. PwC a enregistré une augmentation du nombre de sollicitations du bot de 4 %.

L’équipe gestionnaire de l’outil veille régulièrement à faire la promotion du bot. Parallèlement, elle travaille en continu sur l’amélioration et la mise à jour de la base de connaissances. “Nous lisons les conversations tous les jours. Ce qui nous permet de voir les phrases incomprises et les éventuels petits bugs pour corriger sans cesse, pour toujours l’améliorer. Nous ajoutons des formulations. Et créons des connaissances en fonction de l’actualité. Celles qui ne vont plus être pertinentes sont supprimées.”, explique Nelly Fercoq.

PwC envisage d’interconnecter le bot avec leur SIRH pour réaliser plus de transactionnel, comme la consultation de son solde de congés ou le dépôt des congés depuis le bot. Ils souhaitent également déployer le chatbot sur davantage de canaux internes comme Teams. 

SNCF Connect et Dydu, c’est avant tout une collaboration efficace depuis déjà 10 ans.  Le premier chatbot, créé à l’époque de Voyages SNCF, avait la forme d’une Helpbox disponible sur le site et l’application voyageurs. 

LES CHIFFRES CLÉS :

• 10 millions de questions traitées par le bot en 2021
• 6 langues disponibles
• 5 fois plus de sollicitations du bot SNCF Connect depuis sa mise en avant et la mutualisation des bots SNCF
• 95 % des questions posées au bot ont trouvé une réponse depuis la migration

En parallèle de la Helpbox, les équipes de SNCF Connect ont déployé en 2017 leur bot propriétaire : Oui Bot. Ce dernier répondait aux questions des voyageurs sur les problématiques d’achat et de réservation. 

En prévision de la migration du site OUI.sncf vers SNCF Connect, les équipes ont décidé de ne plus avoir deux bots distincts. “Nous souhaitions conserver une aide facilement identifiable, partout, tout le temps. Et aussi sortir du split OUI Bot (bot SNCF) / Helpbox (bot Dydu) pour avoir un bot unique du point de vue du client.”, commente Franck Gbenou, Responsable Information Voyageurs et Accompagnement Clients chez SNCF Connect. L’objectif était donc de fluidifier et d’améliorer l’expérience client, sans pour autant perdre la richesse de ce qui a été mis en place avec Dydu.

Aujourd’hui, avec la mutualisation des deux bots, c’est le bot SNCF qui fait l’aiguillage, grâce à l’API Dydu, selon la question de l’utilisateur :

• Pour les problématiques transactionnelles ou de réservations, c’est le bot SNCF qui répond.
• Pour les demandes d’accompagnement et suivi client, c’est le bot Dydu qui répond.
• Si la question n’est couverte ni par le bot SNCF, ni par la base de connaissances du bot Dydu, c’est le bot Dydu qui répond.

SNCF Connect a ainsi réussi à interfacer ces technologies de façon fluide et intelligente à travers une seule boîte de dialogue, avec la possibilité de basculer vers un conseiller via le livechat.

Un pari gagnant puisque le nombre de sollicitations au bot a été multiplié par cinq depuis cette évolution, le parcours étant beaucoup plus intégré et mis en avant.

Retrouvez tous nos témoignages clients.

La banque Bpifrance a fait appel à dydu pour déployer un bot conversationnel IT à destination des collaborateurs. Hugo Parlier, Product Owner sur la partie chatbot et ITSM, revient sur la mise en place de leur projet chatbot et les perspectives à venir.

Pouvez-vous décrire rapidement votre entreprise et votre rôle ?

Bpifrance est la banque des entrepreneurs. Nous accompagnons les entreprises dans toutes les phases de leur cycle de vie. Nous les aidons sur plusieurs sujets notamment les crédits, les garanties, les projets d’innovation, l’export de produits ou le développement à l’international. Nous proposons aussi des formations, du coaching et des prestations d’accompagnement.

Je suis Hugo Parlier, Product Owner sur la partie chatbot et ITSM. Je travaille à la DSI où nous sommes actuellement un peu moins de 1 000 personnes, afin de répondre aux besoins des 5 600 utilisateurs du groupe Bpifrance.

Quels sont les enjeux actuels concernant le support informatique au sein de la BPI ?

Depuis 2 ans, nous sommes entrés dans un processus de modernisation et de digitalisation de la DSI, dans le but de proposer de nouveaux outils aux collaborateurs Bpifrance.

Quelles problématique(s) souhaitiez-vous adresser en mettant en place un chatbot ?

Le support interne de premier niveau, en charge de traiter les incidents et les demandes commençait à rencontrer des difficultés et nous devions trouver d’autres moyens de communication. Il était important pour nous de ne pas dégrader le service tout en apportant de la souplesse au support. Les problématiques des utilisateurs étaient souvent les mêmes, et nous avons pensé qu’un chatbot pouvait résoudre le problème. Nous avons analysé le Top 20 des incidents récurrents. Le support avait déjà les connaissances pour traiter ces sujets et nous les avons adaptés pour qu’elles puissent être traitées directement par le chatbot.

C’est notamment le cas avec le VPN, une technologie complexe sur laquelle nous avons régulièrement des demandes de support, d’autant plus, depuis le confinement. En termes de méthodologie, il a été facile d’apporter des solutions via le chatbot et permettre aux utilisateurs de trouver une solution à leurs problèmes, en toute autonomie.

De même, sur le sujet des habilitations et la gestion des droits d’accès, nous avons pu intégrer une liste dynamique qui permet aux utilisateurs d’identifier leurs correspondants informatiques et d’entrer directement en relation avec eux sans passer par le support. La mise en place de l’OIDC nous a permis d’identifier les utilisateurs et de personnaliser les réponses du chatbot.

Pourquoi votre choix s’est porté sur dydu ?

Nous avons fait un benchmark sur l’ensemble des outils du marché et étudié les éditeurs existants. Dydu s’est démarqué sur l’innovation intégrée à plusieurs niveaux : la boite de dialogue, l’intégration avec Teams et de façon globale dans sa roadmap. Par ailleurs, nous avons été sensibles à l’hébergement des données en France et à la compétitivité de l’offre. Teams est utilisé comme plateforme de collaboration au sein de Bpifrance et nous estimons que c’est un outil dans lequel le chatbot a totalement sa place. Il facilite la discussion pour l’utilisateur qui garde en permanence la même interface de discussion/collaboration. Actuellement, nous travaillons à la mise en place de l’authentification dans Teams.

Quel est le périmètre adressé par votre chatbot ?

Alfred, notre Chatbot IT couvre les questions et problématiques des utilisateurs liés au parc applicatif et matériel au sein de Bpifrance. Nous avons également connecté le chatbot avec EasyVista, notre outil de ticketing IT. Ainsi, un utilisateur qui rencontre un problème avec son ordinateur où une application trouve un premier niveau d’aide auprès du chatbot et crée si besoin un ticket d’incident, directement via celui-ci.

Combien et quels types de personnes participent à la gestion du chatbot en interne et avec quelles contributions ? (administration du bot, mise à jour de la base de connaissances, relecture des conversations, analyse des statistiques…)

Actuellement, nous sommes trois à gérer le bot, dont un collaborateur du support niveau 1, qui est détaché de mon équipe. L’équipe support N1 a participé à l’intégration du chatbot et à la qualification des connaissances. A ce jour, l’équipe support est pleinement autonome dans l’intégration des connaissances et la gestion de celles-ci. Nous accompagnons l’équipe support lorsqu’elle rencontre des problématiques techniques ou souhaite mettre en place des évolutions (API, etc.).

Aujourd’hui, un nouveau projet de bot au sein de la direction de financement court terme est en cours de déploiement, il pourra assister tous nos commerciaux en France. Nous accompagnons le métier dans le déploiement et l’apprentissage de leur chatbot jusqu’à ce qu’ils soient autonomes dans la gestion des connaissances.

Lorsque nous aurons déployé 3 à 4 chatbots, nous prévoyons de réorganiser notre équipe Chatbot afin d’apporter le meilleur support et accompagnement possible.

Comment avez-vous constitué vos bases de connaissances ?

Les bases de connaissances étaient préexistantes pour le chatbot IT et pour le chatbot destiné aux commerciaux, en production actuellement. Nous accompagnons les gestionnaires du bot sur la syntaxe des réponses et l’utilisation des différentes fonctionnalités pour être prêt dès le déploiement du chatbot et pouvoir intégrer la base de connaissances rapidement.

Quelles sont les principales fonctionnalités utilisées ?

Nous utilisons particulièrement les arbres de décisions, le panneau latéral, le top connaissance et le carrousel.

Lorsque c’est possible, nous utilisons les fonctionnalités de manière proactive. Par exemple, nous avons mis à disposition une météo des applications dans le panneau latéral grâce à une API, qui permet à l’utilisateur de visualiser le statut de ses applications et d’être informé si un incident survient. En cas d’incident sur une application, cela permet d’éviter que les utilisateurs créent des tickets au support. Dans la même optique, nous utilisons aussi les connaissances afin de remonter des informations aux utilisateurs via le chatbot.

Quels KPIs suivez-vous pour piloter l’activité du bot ?

L’équipe projet accompagne les métiers en suivant de façon hebdomadaire et mensuelle :

• Le nombre de conversations (entre 250 et 300 par mois)
• Le nombre d’interactions
• Le taux de qualifications des conversations
• Le taux de phrases incomprises
• Le taux d’avis négatifs
• Le nombre d’incidents ouverts via le chatbot (une vingtaine par mois)

Bpifrance dispose d’un portail IT qui permet aux utilisateurs de déclarer le même type d’incidents que sur le chatbot, nous avons constaté que les utilisateurs avaient encore tendance à privilégier celui-ci par habitude. L’intégration du chatbot dans Teams devrait permettre de résoudre ce point-là et d’augmenter considérablement les statistiques. D’autre part, nous demandons systématiquement la satisfaction des utilisateurs.

Quels bénéfices (chiffrés si possible) constatez-vous suite à la mise en place de la solution ? (Temps, productivité, image, satisfaction…)

Notre chatbot IT a été officiellement déployé en juillet 2021. Nous considérons que le projet est actuellement en phase de stabilisation. Nous souhaitons l’adapter au mieux aux besoins des utilisateurs. À date, il est donc difficile pour nous d’évaluer de manière chiffrée le gain en termes de charge de travail pour le support. Néanmoins, nous avons constaté au sein de la DSI que les collaborateurs utilisaient plus souvent le chatbot lors d’incidents majeurs, typiquement avec un VPN qui ne fonctionne plus. Nous voyons des pics d’utilisation instantanément et cela évite au support interne d’être saturé.

Considérez-vous que ce projet soit un succès ? Pour quelles raisons ?

Globalement les différents métiers de Bpifrance sont très positifs vis-à-vis du chatbot. Les utilisateurs réalisent de plus en plus l’intérêt d’avoir une réponse instantanée VS attendre la disponibilité du support.

À mon niveau, je considère que plus il y a de conversations, plus le chatbot appartient à l’univers quotidien des utilisateurs et aura un impact sur leur façon de travailler. Nous sommes au début de cette transformation. Lors du déploiement, nous avons mené une campagne de communication interne pour familiariser les utilisateurs à l’outil, mais nous estimons que cela doit se faire naturellement et essentiellement via du bouche-à-oreille. Il y a des équipes dédiées à l’accompagnement du changement qui travaillent aussi sur le sujet du bot. C’est aussi une question de génération, car beaucoup d’utilisateurs ont travaillé de la même manière pendant longtemps. Intégrer le chatbot dans leur quotidien prendra forcément un peu de temps.

Nous avons parfois des conversations en dehors des horaires de bureau, ce qui permet une certaine flexibilité du support.

Quels développements et évolutions envisagez-vous pour améliorer le chatbot et inciter à son utilisation ?

Nous avons en perspective cette année de déployer 2 chatbots, notamment pour la direction financement court terme qui englobera un périmètre juridique et commercial, et un autre pour la direction RH. À ce moment-là, nous ferons une campagne de communication plus importante au sein de Bpifrance pour encourager leurs utilisations. Nous souhaitons continuer à travailler sur le déploiement de Teams et mettre en place le livechat afin de satisfaire au mieux les problématiques des collaborateurs. Nous sommes convaincus de la complémentarité entre le robot et l’homme.

Avez-vous des anecdotes à partager autour du déploiement du chatbot IT ?

Nous avons appelé notre bot IT “Alfred”, en référence au majordome de Batman, pour le positionner comme le majordome des utilisateurs. Au déploiement d’Alfred, nous nous sommes rendu compte que la question “Qui es-tu” revenait souvent, donc nous avons créé une connaissance dédiée pour présenter le bot aux utilisateurs. Alfred a un avatar qui lui est dédié, et aujourd’hui le DSI et les autres métiers le considère comme un employé comme les autres.

À terme, nous souhaitons ouvrir le périmètre de ce chatbot et ne plus le limiter uniquement à l’IT.

L’Agence française de développement a fait appel à dydu pour  déployer deux robots conversationnels RH au sein de leur entreprise. Un chatbot interne pour les collaborateurs de l’AFD et un chatbot recrutement à disposition des candidats. Meng-Han Chiang, responsable de la cellule Transformation Digitale RH au sein de l’AFD, revient sur la mise en place des deux  projets chatbot.

Pouvez-vous décrire l’AFD et votre rôle ?

Le groupe Agence française de développement (AFD) finance, accompagne et accélère les transitions vers un monde plus juste et durable. Climat, biodiversité, paix, éducation, urbanisme, santé, gouvernance… : nos équipes sont engagées dans plus de 4000 projets dans les Outre-mer et 115 pays. Nous contribuons ainsi à l’engagement de la France et des Français en faveur des Objectifs de développement durable (ODD).

L’AFD possède d’un réseau de 85 agences et 17 directions régionales dans le monde. Nous comptons plus de 2600 collaborateurs de 80 nationalités différentes sur 5 continents.

Je suis Meng-Han Chiang, responsable de la cellule Transformation Digitale au sein de la DRH de l’AFD. Dans cette cellule nous menons des projets Digital RH.

Quelles problématiques cherchiez-vous à résoudre en mettant en place un chatbot RH et un chatbot dédié au recrutement ?

Nous avions constaté que les membres de la direction Ressources Humaines étaient souvent sollicités par les collaborateurs sur les mêmes questions récurrentes et apportaient de fait les mêmes réponses. Nous voulions donc proposer un outil pour répondre aux questions simples et récurrentes afin que mes collègues puissent se focaliser sur les cas particuliers. Nos 85 agences opèrent avec des décalages horaires très différents, il était donc important d’opter pour un outil disponible 24h/24 et 7 jours/7, qui soit complémentaire par rapport au rôle des collaborateurs de la direction RH.

Comment le projet est-il né ?

Nous nous sommes intéressés au chatbot en 2018, année où j’ai rejoint l’AFD. À cette époque, la cellule innovation de l’AFD lançait un programme entrepreneurial qui nous permettait de pousser de nouveaux projets et de tester nos idées auprès des collaborateurs. Nous avons constitué une petite équipe RH pour participer à la première édition du programme. Dans le cadre de ce dernier, nous avons fait tester différents outils par des groupes d’utilisateurs comme la FAQ interactive et le chatbot. À l’issue de ces tests, nous avons réalisé que le chatbot convenait le plus à notre besoin. Ensuite, nous avons obtenu la validation du projet par le Comex pour une phase pilote. Après avoir réalisé plusieurs POC avec différents éditeurs, nous avons choisi de lancer les projets chatbot avec dydu.

Quelles ont été les différentes étapes de la mise en place des chatbots ?

Nous avons commencé à travailler sur le chatbot recrutement. Le recrutement était notre première cible, car les questions récurrentes sont limitées, et en même temps, elles nous permettent de couvrir une population relativement large. Avec 3 000 candidatures reçues par mois, nous avions le souhait d’améliorer notre marque employeur à travers ce chatbot, et faire du numérique un levier du lien social. Notre chatbot pousse par exemple des vidéos métiers aux candidats afin de promouvoir les métiers au sein de l’AFD.

Le métier de la DRH étant large, nous avons défini des lots pour le chatbot interne, en fonction des différentes expertises RH. Nous avons travaillé sur le périmètre des entretiens en premier, une thématique dont la politique RH est globale pour l’ensemble des salariés. Nous avons ensuite adressé le périmètre de la mobilité interne et de la formation.

Les deux chatbots ont été mis en service en octobre 2020. Le chatbot recrutement sur le site carrière de l’AFD et le chatbot RH sur nos 3 outils SIRH : gestion de carrière, formation et e-formation. Concernant le lancement du bot interne, nous avons communiqué avec des infographies et des vidéos de présentations du chatbot via nos newsletters RH.

Pourquoi avoir choisi dydu ?

Nous avions rencontré plusieurs éditeurs de chatbot et nous avons choisi dydu car c’était la solution qui proposait les fonctionnalités les plus poussées. Notamment les statistiques, l’anonymat des conversations et la possibilité de créer des arbres de décision. Ces derniers nous permettent de proposer une réponse en fonction de la situation des collaborateurs.

Avec dydu, nous pouvons gérer deux chatbots distincts sur un même environnement. Sur le back office dydu, je peux gérer à la fois les connaissances, les conversations et les statistiques de notre chatbot recrutement et interne. Les autres éditeurs ne proposaient pas ce type de fonctionnalité tout en 1.

Quels objectifs souhaitez-vous atteindre ?

Avec ce projet chatbot, nous souhaitons démocratiser et faciliter l’accès à l’information, alléger la charge de travail des métiers de la DRH et renforcer la marque employeur de l’AFD.

Ainsi, nous nous sommes fixés des objectifs et des indicateurs à atteindre en 1 an :

• Identifier les 20% de connaissances les plus sollicités dans chaque domaine RH pour répondre à 80% des questions qui sont récurrentes.
• Donner l’information au bon moment.
• Libérer du temps de travail aux professionnels RH pour que nous puissions nous recentrer sur des activités à plus forte valeur ajoutée.
• Avoir 80% des utilisateurs satisfaits des réponses apportées par le bot.

Dans l’ensemble, ce sont des objectifs que nous avons réussi à atteindre. Nous continuons à alimenter le bot, nous espérons qu’à terme il puisse dégager du temps aux salariés RH lorsqu’il sera expert sur tous les sujets RH et déployé sur toutes les plateformes SIRH.

Quels bénéfices constatez-vous suite à la mise en place de la solution ?

Depuis la mise en place du chatbot recrutement, nous répondons à la majorité des questions des candidats, tandis qu’avant nous avions du mal à le faire sans l’outil. C’est un nouveau service dans lequel nous avons tout à gagner. Il participe aussi au développement de notre marque employeur. Actuellement, nous avons 1 200 conversations par mois sur le chatbot recrutement avec un taux de qualification des interactions de 96%. Nous avons donc beaucoup de conversations avec un excellent taux de compréhension et nous en sommes très satisfaits.

Le chatbot interne est également un nouveau service de support interne. Il compte en moyenne 200 conversations par mois avec un taux de compréhension de 86%. Le sujet des questions suit logiquement le calendrier des grands moments RH comme les entretiens d’évaluation, la mobilité interne, etc. En dehors des grands moments RH, ce sont souvent des questions sur la formation.

Comment pilotez-vous le projet ?

Aujourd’hui, en mode run, je suis seule à gérer l’administration du chatbot. Je passe une heure par semaine à relire les conversations pour connaitre la tendance des conversations (c’est un très bon outil pour connaitre ce qui préoccupe les collaborateurs en ce moment), améliorer la compréhension des bots aux questions et identifier les potentielles nouvelles connaissances à créer. Avec différents experts métiers RH, nous faisons une réunion de suivi une fois tous les deux mois pour passer en revue les questions les plus fréquemment posées. Ensuite nous décidons ensemble si nous créons une nouvelle connaissance, et quelles sont les connaissances à mettre en avant dans le  top 3.

Quels sont les KPIs que vous suivez pour piloter l’activité du bot ?

Nous suivons de nombreux indicateurs dans le back office dydu :

• Nombre de visiteurs par mois
• Pourcentage de visiteurs avec conversation
• Nombre de conversations par mois
• Le taux de qualification par interaction
• Le nombre de connaissances qui couvrent 80% des questions des utilisateurs
• La satisfaction client pour les connaissances mises en avant dans le top 3. Si la satisfaction n’est pas suffisante (inférieure à 80%), nous essayons d’améliorer la formulation de la connaissance et d’ajouter des informations complémentaires à nos réponses.
• Le canal de contact : permet de savoir avec quels outils les candidats conversent avec le bot recrutement (windows, android, iphone, ou mac) et de nous améliorer sur l’expérience utilisateur
• Les plateformes d’utilisation : permet de savoir depuis quelle plateforme SIRH les collaborateurs sollicitent le bot RH interne.

Ce sont des indicateurs que je regarde régulièrement et que je partage avec nos experts métiers au comité de suivi.

Quelles sont les perspectives et développements envisagés autour du projet ?

Nous avons pour projet de déployer le chatbot interne sur d’autres plateformes RH et y intégrer l’ensemble des connaissances du domaine RH. Ensuite, nous souhaitons traduire la base de connaissances en anglais puis potentiellement en espagnol. En ce qui concerne la traduction, nous allons cibler les connaissances les plus utilisées et se concentrer sur elles en premier.

Du côté de la DSI, ils nous accompagnent depuis le début de cette aventure, et sont très intéressés par le potentiel d’un robot conversationnel.

La mairie de Pleaux, commune située dans le Cantal, a déployé un chatbot sur son site web avec la solution dydu. Grâce à l’offre chatbot mairie de dydu et son contenu prédéfini, l’agent virtuel a été mis en place en seulement quelques jours et sans compétence technique particulière. La mairie souhaite ainsi offrir un nouveau service aux administrés et faciliter l’accès à l’information locale et aux démarches administratives, 24h/24 et 7 jours/7.

Découvrez l’interview de la mairie de Pleaux sur la mise en place de leur chatbot :

Pouvez-vous décrire rapidement la commune de Pleaux ?

La commune de Pleaux se situe dans le Cantal entre Salers et Argentat. Elle comprend les communes associées de Loupiac, Saint-Christophe-Les-Gorges et Tourniac, et compte 1500 habitants. Trois personnes sont en charge de l’administration du chatbot sur le site la mairie de Pleaux.

Quelles thématiques avez-vous particulièrement appréciées ?

La liste des 17 thématiques (gestion des déchets, mobilité, enfance et éducation, vie de la mairie…) déjà présente dans le chatbot mairie est très complète. Les sujets couverts correspondent bien à notre domaine d’activité de collectivité. Nous avons facilement pu associer les nouvelles connaissances (couple question-réponse) créées au sein des thématiques existantes.

Que pensez-vous des questions – réponses fournies par le chatbot en termes de pertinence, formulation et tonalité ? 

Nous avons apprécié la qualité du contenu déjà rédigé dans la base de connaissances. 90% des questions – réponses de la base proposée par dydu n’ont pas été modifiées. Nous avons personnalisé certaines réponses et désactivé les questions qui nous paraissaient plus adaptées à des communes plus grandes. 

Qu’avez-vous pensé du logiciel de gestion de contenu ?

La partie création et modification des questions – réponses est très intuitive. Nous n’avons pas eu de difficultés pour personnaliser les contenus du chatbot. En plus de la personnalisation de certaines réponses, nous avons créé une quinzaine de nouvelles questions – réponses spécifiques à Pleaux.

Pour maximiser la compréhension du chatbot, il faut aussi ajouter des formulations et groupes de formulations (groupe de mots signifiants la même chose) aux connaissances. Cela a nécessité un peu plus de temps de prise en main et de réflexion. 

Combien de temps avez-vous consacré à la mise en place du chatbot ?

Nous avons consacré environ 5 jours pour tout passer en revue, créer les nouvelles connaissances et ajouter les reformulations et groupes de formulations. La mise en place du bot sur notre site s’est fait très facilement. 

Grâce à la rapidité de mise en œuvre de ce projet, nous avons pu communiquer sur le lancement du chatbot lors de la réunion d’information des nouveaux arrivants de la commune organisée à la rentrée.

Quels bénéfices espérez-vous tirer suite à la mise en place du chatbot ?

Le premier bénéfice est que le robot conversationnel apporte un nouveau service aux habitants. Il donne également une image moderne de la mairie. Cela permet à nos administrés d’avoir un premier niveau d’informations, notamment les gens pressés qui n’ont pas forcément le temps de nous appeler ou de se rendre en mairie.

C’est également un outil important nous permettant de relayer certains contenus existants, mais aussi de promouvoir les acteurs locaux. Par exemple, nous avons ajouté des informations et des liens de redirection vers le site des commerçants et artisans de Pleaux et le site du camping municipal, directement depuis les réponses du chatbot.

Recommanderiez-vous la solution dydu à une autre mairie ?

Oui, le chatbot mairie est très complet, et rapide et simple à mettre en place.  Nous sommes satisfaits du rendu et nous recommandons la solution dydu. 

Découvrez le retour d’expérience en live de David Peyral, maire de Pleaux, dans notre prochain webinar.

Le grossiste alimentaire et matériel METRO a déployé un robot conversationnel interne avec la solution dydu en partenariat avec CGI. Olivia Zumkeller-Vincent, responsable du chatbot chez METRO, revient sur la mise en place du projet.

Pouvez-vous décrire rapidement votre entreprise, votre service et votre rôle ?

METRO France est le premier fournisseur de la restauration indépendante. METRO possède 98 points de vente, 400 000 clients, 50 000 produits à la vente et 150 000 références sur la marketplace. L’entreprise compte 9 000 collaborateurs répartis sur les points de vente et le siège.

Je suis responsable du chatbot interne (réservé aux collaborateurs), au sein du User Service de la DSI.

Quels sont les enjeux actuels concernant le support et l’assistance interne chez METRO ?

Les utilisateurs évoluent dans un écosystème varié et grandissant, sans pour autant avoir beaucoup de temps à consacrer à l’apprentissage des nouveaux outils. De par leur métier, les collaborateurs basés sur nos points de vente consacrent la majeure partie de leur temps au terrain, au contact de nos clients. Ils n’ont, de plus, pas tous accès à un ordinateur en continu. L’enjeu du support interne est de réussir à diffuser l’information rapidement et de façon automatisée, dans une démarche de rendre autonome et plus informé l’utilisateur. L’objectif est que le chatbot soit le point d’entrée numéro 1 de toutes les questions des collaborateurs.

Quelles problématique(s) souhaitiez-vous résoudre en mettant en place un chatbot ?

Nous voulions permettre à l’ensemble des collaborateurs d’accéder à tout moment à des réponses fiables et en autonomie. Mais également « soulager » les sachants, qui étaient beaucoup sollicités sur des questions récurrentes, ainsi que le centre de services (helpdesk). Nous voulions aussi augmenter le niveau d’information des utilisateurs, et ce, dès le début des projets (même en dehors de leur sphère applicative). Le chatbot, nommé Mbot, a été déployé fin 2019. Il est aujourd’hui disponible sur le bureau des postes fixes, mobiles et smartphones. 

Notre ambition est que le chatbot devienne un assistant au quotidien, à tous les niveaux de l’entreprise.

Comment avez-vous constitué la base de connaissances de votre chatbot ?

Nous avons avancé par thématique complète plutôt que de considérer tous les sujets avec quelques connaissances seulement. Notre stratégie était de commencer par deux grandes thématiques : 

• le site Metro.fr (notre site e-commerce) dont le lancement a beaucoup impacté les collaborateurs des points de vente (entrepôts).
• les services aux collaborateurs, qui suscitaient de nombreuses questions récurrentes parmi les collaborateurs du siège.

Nous avons essayé d’être le plus exhaustif possible dans les questions – réponses disponibles dans le chatbot. Puis au fil de l’eau, nous avons ajouté de nouvelles thématiques (une cinquantaine au total aujourd’hui). Nous avons mis en place des règles concernant l’ajout de nouveaux sujets :

• La thématique doit concerner au minimum 50 utilisateurs pour être intégrée dans notre chatbot.
• Les réponses doivent être validées par les experts concernés (qui sont les propriétaires des connaissances).
• Les connaissances “de base” doivent être publiées. Par exemple, s’il s’agit de l’ajout d’une thématique concernant un outil : À quoi sert-il ? Qui peut l’utiliser ? Comment se connecter ? Qui contacter en cas de problème ? Où trouver la documentation ?
• Un “crash test” est organisé avec les propriétaires des connaissances et des utilisateurs. Le but est de s’assurer du bon déclenchement des connaissances quel que soit le vocabulaire employé sur les nouveaux sujets.

Nous sommes aussi dans une démarche Bottom-up. Ce sont les questions de nos utilisateurs incomprises par le robot qui donnent lieu à la création de nouvelles connaissances.

Comment était composée l’équipe qui a mis en place le projet chatbot ? Est-elle différente aujourd’hui ? 

Lors de la mise en place du projet chatbot, l’équipe était constituée d’un chef de projet en mission en interne et de deux externes, avec un consultant CGI en accompagnement.

Depuis, l’équipe s’est structurée au sein de la DSI. Nous comptons un responsable, deux internes (qui, en parallèle d’autres missions, sont chargés de la partie technique et de la communication) et deux alternants. Pour nos alternants, travailler au sein de l’équipe chatbot est un tremplin. Cela leur permet d’échanger avec toutes les directions de l’entreprise et d’acquérir de solides connaissances sur tous les sujets METRO.

Nous travaillons avec 130 experts, tous propriétaires des connaissances à ajouter ou mettre à jour. Et c’est notre équipe, responsable du bot, qui met en œuvre le contenu dans le BMS dydu (Bot Management System ou console d’administration).

Quels périmètres sont adressés par votre chatbot ?

Notre chatbot est présent sur chaque pan de la vie du collaborateur chez METRO : 

• Vie des collaborateurs : RH, bureautique, matériel, compliance…
• Vie des clients : satisfaction, produits, site e-commerce
• Marchandises : application autour des commandes
• Procédures métiers

Dans le cas d’une question non comprise par le robot, même si celle-ci n’est pas dans le scope du chatbot, l’équipe fait un retour à l’utilisateur par mail dans les 48h avec la réponse.

Quelles sont les interconnexions disponibles ? 

Notre chatbot est connecté à un livechat géré par notre centre de services et à nos deux outils de ticketing : JIRA SD et Matrix 42. Grâce à ces interconnexions, les collaborateurs peuvent ouvrir des tickets sur de nombreux domaines. Les incidents Ressources Humaines ne peuvent être ouverts que par le bot. Le service helpdesk n’ouvre pas de tickets RH pour des questions de confidentialité.

Nous récupérons certaines données de l’utilisateur via l’API Matrix 42, afin qu’il n’ait pas à les saisir lors de son ouverture d’incident dans le chatbot.

Depuis sa mise en place, quelles ont été les étapes majeures d’évolution du chatbot ?

Nous sommes passés d’un fonctionnement en mode expérimental à un dispositif en run avec des process cadrés :

• Alimentation systématique du chatbot au plus tôt de chaque projet
• Amélioration continue de la base via la prise en compte des retours négatifs
• Mise en place de crash test des connaissances
• Retours systématiques sous 48h aux utilisateurs qui n’ont pas eu de réponse

Cela a contribué à améliorer le taux de satisfaction et l’adhésion à l’outil !

Le déploiement du livechat en 2020 ainsi que l’ouverture d’incident en autonomie ont également permis de communiquer sur les fonctionnalités du chatbot et d’atteindre toujours plus de collaborateurs. 

Quels bénéfices constatez-vous suite à la mise en place de la solution ? 

METRO est en perpétuelle croissance, tant sur les outils que sur les projets. Le chatbot a permis de contenir le nombre de demandes et de sollicitations du support tout en démarrant de nombreux projets.

Un autre bénéfice est que le bot est devenu un outil de communication à part entière, en plus de sa fonction d’assistance. Il fournit des informations quand on lui en demande, mais il en pousse également (événements, dates d’inventaire, promo du moment) grâce à des pavés de news et des connaissances déclenchées.

Quels KPIs suivez-vous pour piloter l’activité du chatbot ?

Nous suivons le taux de satisfaction, le trafic sur le bot et les thématiques les plus déclenchées. Celles-ci traduisent les interrogations du moment de nos collaborateurs. 

Nous analysons également le trafic par site afin d’effectuer des actions de sensibilisation ciblées.  Il faut savoir que les données sont anonymisées, et au bout de 2 ans, les données sont purgées.

Considérez-vous que ce projet est un succès ? Pour quelles raisons ?

Depuis le lancement, le nombre de conversations a presque triplé pour atteindre près de 4 000 conversations par mois en moyenne sur 2021, avec un taux de compréhension de 89%. Nous avons noté un pic du nombre de conversations pour le mois de septembre avec 7 500 dialogues. Depuis le lancement, nous sommes aussi passés de 1 500 à plus de 4 000 connaissances. Nous avons également réalisé notre objectif d’obtenir 100 questions par entrepôt en un an. 

Paradoxalement, ce qui génère le plus de satisfaction chez les utilisateurs, c’est l’investissement de l’équipe qui recherche et communique manuellement les réponses aux questions incomprises. 

La systématisation, en réunion, de l’utilisation du chatbot sur des questionnements, même au plus haut niveau hiérarchique et les nombreuses communications métier comprenant la formulation “[…] demandez-le à Mbot !” démontrent la vraie place qu’a pris le chatbot dans nos process internes.

Estimez-vous que votre chatbot ait été plus utile pendant les périodes de confinement ? Si oui, pourquoi ?

Notre chatbot a surtout été utile pour la reprise. METRO, comme beaucoup d’entreprises, a mis en place l’activité partielle pendant le confinement. Lorsque l’activité a repris, les collaborateurs ont pu accéder aux informations concernant l’actualité (mesures sanitaires internes, reprise de l’activité commerciale…).

Quels enseignements ou des bonnes pratiques retenez-vous ?

La bonne pratique à retenir est qu’il faut constituer une équipe pour l’amélioration continue : analyser les conversations, faire des retours aux utilisateurs, améliorer le déclenchement des connaissances.

Pour garantir la bonne adoption du bot, il est important d’anticiper les questions des utilisateurs. Dès la sortie d’un projet ou d’un nouvel outil, le bot doit savoir répondre aux connaissances de base. 

Comment faites-vous la promotion du chatbot auprès des différents collaborateurs ?

En plus de la communication classique autour du bot, nous nous assurons que les équipes helpdesk et les experts de chaque domaine en font la promotion. 

Pour le lancement de chaque thématique, une vidéo est réalisée pour en informer les collaborateurs METRO. Celles-ci sont diffusées par les “knowledge owners” auprès des utilisateurs. Le fait que la communication vienne de leur interlocuteur privilégié a plus d’impact.

Les formateurs nous aident également puisque, lors de leur visite dans les points de ventes, ils organisent régulièrement des démos de Mbot auprès des directeurs, chefs de rayon ou employés. 

Pour quelles raisons recommanderiez-vous la solution dydu ?

La plateforme dydu est facile à appréhender et ne nécessite pas d’avoir des compétences techniques : la création des connaissances, groupes de synonymes, etc, est intuitive. Nous sommes satisfaits du moteur de matching, le chatbot est fiable.

Quels développements et évolutions envisagez-vous pour améliorer le chatbot et inciter à son utilisation ?

Nous souhaitons continuer à intégrer de nouveaux arbres de questionnement pour permettre aux collaborateurs d’ouvrir leurs incidents en autonomie sur plus de thématiques. Nous allons travailler en collaboration avec l’équipe Produit dydu pour obtenir des KPI encore plus précis, qui nous aideront à pousser l’utilisation du chatbot.

PwC France et Maghreb a fait appel à dydu en 2019 pour créer Alex, son robot conversationnel à destination de ses collaborateurs. Nelly Fercoq, chef de projet chatbot chez PwC, revient sur la mise en place du projet.

Pour télécharger le cas client en pdf, cliquez ici.

• Pouvez-vous décrire votre entreprise et votre service ?

PwC réalise des missions de conseil, d’audit et d’expertise juridique et fiscale avec pour ambition stratégique de contribuer à réconcilier entreprise, économie et société. PwC compte actuellement 6 000 collaborateurs en France et au Maghreb.

Pour ma part, je suis membre de la DSI depuis 13 ans et j’occupe depuis deux ans le poste de chef de projet chatbot. Je suis responsable de sa bonne gestion et de son évolution avec une autre collaboratrice qui gère les connaissances, relit les conversations et consulte les statistiques et KPIs.

Problématiques et solutions

• Quelles problématiques, la mise en place d’un chatbot conciergerie, cherche-t-elle à résoudre ?

Notre projet est né d’interviews réalisées sur un échantillon de collaborateurs. L’objectif était d’identifier les points bloquants dans leur vie quotidienne. Cette enquête a notamment révélé que l’intranet leur paraissait dense et complexe, qu’il n’était pas simple d’y faire des recherches.

Nous voulions également permettre aux nouveaux entrants de gagner rapidement en autonomie. En effet, près de 2000 nouveaux collaborateurs nous rejoignent chaque année. Le chat leur permet de comprendre tout l’écosystème du cabinet de manière simple et rapide.

Pour faciliter le quotidien des collaborateurs et l’intégration des nouvelles recrues, nous souhaitions proposer un outil capable de répondre instantanément à leurs questions. Nous nous sommes tournés vers la mise en place d’un chatbot interne et le projet a commencé par un pilote sur un échantillon de collaborateurs. Nous avons commencé à alimenter le bot avec les connaissances que nous avions tirées de l’intranet. Le lancement auprès de l’intégralité de la firme s’est fait en janvier 2019.

Description du projet

• Quels périmètres et cas d’usage votre chatbot couvre-t-il ?

Le chatbot est dédié à l’interne. Il fait office de concierge et assiste les employés sur divers sujets du quotidien : RH, IT, locaux, événementiel ou encore la stratégie d’entreprise. Il peut par exemple les aiguiller sur l’accès aux fiches de paie, la saisie des notes de frais, les congés…. Les sujets sont variés mais les questions posées concernent principalement les ressources humaines et l’informatique.

• Sur quels canaux est-il disponible ?

Le chatbot est accessible depuis l’intranet via une icône sur la page d’accueil. Il est aussi installé directement sur les desktops et sur tous les téléphones portables grâce à une web app.

Mise en place du projet

• Quelles ont été les différentes étapes de mise en place du projet ?

Conception – Nous avons conduit des ateliers avec des échantillons représentatifs de chaque ligne de métier, en mixant les profils juniors, confirmés et seniors. Nous leur avons demandé de poser les questions pour lesquelles ils cherchent une réponse rapide et claire. Cela nous a aidé à déterminer les thématiques à aborder et le contenu à créer. Nous avons également effectué un sondage auprès des collaborateurs pour décider du nom du bot : sur quatre propositions, le nom Alex a été retenu.

Construction de la base de connaissances – A partir des questions identifiées, nous avons collecté les réponses officielles auprès de nos référents métiers. Ces derniers sont au nombre de 15, répartis par thématiques du bot. Leurs réponses ont construit une première liste de connaissances.

Lancement – Nous avons beaucoup communiqué dès le lancement du bot, en utilisant toutes les plateformes de communication interne : la newsletter interne, les écrans des cafétérias de chaque étage, notre convention annuelle… Nous avons aussi présenté la solution via un stand lors de nos journées Innovations, et le chatbot est systématiquement présenté aux nouveaux arrivants lors des séminaires d’intégration.

Évolution – Le nombre de questions posées augmente au fur et à mesure. Avec nos référents métiers, nous ajoutons de nouvelles connaissances sur un Google Sheet. Nous faisons des points téléphoniques pour nettoyer la base de connaissances en supprimant ou modifiant celles qui sont obsolètes. Chaque mois, nous faisons un bilan des questions les plus posées avec les référents. Mon équipe centralise et effectue les mises à jour dans le bot management system (BMS) pour l’ensemble des référents métier.

Accompagnement

• Comment les équipes dydu vous ont-elles accompagné dans la mise en place et le suivi du projet ?

Initialement, nous avions évalué différentes solutions existantes. Nous avons finalement privilégié dydu pour la qualité du BMS, utilisable avec de nombreuses fonctions par un utilisateur non-développeur, la transparence de sa tarification, ses références clients et la possibilité d’hébergement on premise ou SaaS.

Lors de la phase de mise en œuvre, les équipes dydu nous ont formés à l’utilisation du BMS. Le but était de devenir les plus autonomes possible dans la construction des connaissances et l’utilisation des fonctionnalités importantes, comme les arbres de décisions et l’utilisation des variables.

Aujourd’hui, nous sommes totalement autonomes. Cependant, nous bénéficions toujours d’un accompagnement du support de dydu et d’un customer success manager (CSM) dédié pour toute question, demande d’évolution ou bug constaté. Depuis que je suis sur ce projet, j’ai eu trois interlocuteurs dydu et j’ai à chaque fois noté une grande réactivité de leur part. Ils sont toujours prêts à résoudre les problèmes et à trouver des solutions de contournements en cas de deadlines très courtes.

Bénéfices et bonnes pratiques

• Quels bénéfices constatez-vous suite à la mise en place de la solution ?

La mise en place du télétravail pour tous et à plein temps a augmenté le nombre de sollicitations du bot de 4%. En effet, de nouveaux sujets ont été abordés du fait de la crise, qui a entraîné de nombreux changements : horaires aménagés pour certains services, couvre-feu, directives pour venir sur site…

Nous avons mis à jour ou adapté à la situation beaucoup de connaissances. Nous avons ajouté des réponses à des questions telles que « Qui est le référent Covid ? », « Comment puis-je avoir un soutien psychologique pendant la crise sanitaire ? », « Où trouver une attestation si je dois me déplacer pour des raisons professionnelles pendant le couvre-feu ? », ou « Quels sont les contacts utiles face au Coronavirus ? ».

Nous essayons de guider au mieux nos collaborateurs pour qu’ils trouvent une réponse facilement en cette période difficile. Depuis le début de l’année, nous comptons en moyenne 4 000 conversations par mois, avec plus de 15 500 interactions. Plus de 300 connaissances sont utilisées, dont 136 représentent 80% de l’utilisation du bot.

• Quels KPIs suivez-vous pour piloter l’activité du bot ?

Nous regardons le nombre de conversations et le nombre de visiteurs par jour pour nous assurer que les collaborateurs sollicitent toujours le bot. Lorsque ces chiffres diminuent, nous communiquons à nouveau sur le bot. Nous vérifions aussi le taux de satisfaction et nous lisons quotidiennement les conversations entre le bot et les collaborateurs pour pouvoir éventuellement apporter les corrections nécessaires. Nous restons attentifs à tous les KPIs et nous regardons les thématiques sollicitées pour connaître les préoccupations des collaborateurs.

Aujourd’hui, nous considérons notre but atteint : le chatbot est régulièrement consulté et le taux de satisfaction des échanges est élevé. Comme pour le suivi de tous nos outils innovants, nous interviewons régulièrement un échantillon d’une centaine de collaborateurs de profils différents. Ainsi, nous pouvons vérifier que nos outils correspondent toujours à leurs attentes et identifier de nouveaux besoins.

• Quels sont vos enseignements ou bonnes pratiques sur la pertinence, l’utilisation et la gestion du bot ?

Si le chatbot ignore la réponse à plusieurs questions d’un même collaborateur, cette personne risque de ne pas revenir. Je conseille donc d’avoir les ressources nécessaires en interne pour proposer le meilleur service possible. Cela implique de lire les conversations, d’ajouter des formulations et de créer de nouvelles connaissances. Nous portons une attention particulière à la qualité des réponses que nous fournissons pour qu’elles soient toujours précises et d’actualité.

Alex possède également sa propre adresse email. Nous répertorions le nom et les questions des collaborateurs qui n’ont pas obtenu de réponse et nous répondons un peu plus tard via cet email. C’est très apprécié en interne.

• Pour quelles raisons recommanderiez-vous la solution dydu ?

L’utilisation du BMS pour ajouter des connaissances est très claire. L’outil est simple à apprivoiser car très intuitif. Côté utilisateur final, tout est également simple, clair et rapide. Tous nos interlocuteurs sont accessibles et chaleureux. Notre CSM est toujours attentive. Nous savons que nous pouvons la contacter lorsque nous rencontrons un problème. Dydu nous prendra vite en charge et nous proposera une solution. J’ai aussi beaucoup apprécié les ateliers d’échanges avec les autres clients de dydu sur les évolutions souhaitées du logiciel ; peu d’éditeurs le font.

Et demain …

• Quelles sont les perspectives et développement envisagés autour du projet ?

La prochaine étape sera d’interfacer le chatbot avec certains de nos outils RH pour qu’il fournisse des réponses totalement personnalisées. Le chatbot est déjà connecté au système d’authentification, ce qui permet à Alex de s’adresser au collaborateur par son prénom. Nous travaillons maintenant sur la personnalisation des réponses selon le site, le grade et la ligne de service du collaborateur.

N’hésitez pas à télécharger le cas client en pdf ci-dessous.