Témoignage client – Gestion mutualisée des bots concernant l’épargne salariale pour 4 grands acteurs de la Banque et de l’Assurance

chatbots banque épargne salariale

La société S2E a déployé et maintient les robots conversationnels de 4 grands acteurs de la Banques et Assurances, répondant aux questions récurrentes de leurs clients sur l’épargne salariale. Stéphane Palvadeau, administrateur Chatbots et superviseur Centre d’Appels chez S2E, nous livre son retour d’expérience sur la gestion mutualisée de ces 4 bots avec le logiciel dydu. 

Qui est la société Services Epargne Entreprises (S2E) ?

banques assurance chatbot

S2E est née en 2006 du regroupement de 4 acteurs majeurs de l’épargne salariale avec la mission d’accompagner ces 4 “Teneurs de Comptes Conservateurs” (TCC) dans leur développement. S2E gère par délégation le traitement administratif de la tenue de compte de tous les produits d’épargne salariale pour le compte de 70 000 entreprises et de près de 3 millions de salariés.

S2E travaille avec la solution dydu pour maintenir et superviser 4 chatbots à destination des salariés bénéficiaires de produits d’épargne salariale.

Stéphane Palvadeau, qui êtes-vous et quel est votre rôle ?

Je suis arrivé en octobre 2018 pour finaliser le projet chatbot sur les aspects métier de l’épargne salariale, fort d’une expertise acquise grâce à mon expérience de plusieurs années dans lagestion administrative des comptes et des entreprises. Actuellement, je suis responsable de la publication des contenus, de l’analyse des conversations et du reporting vis-à-vis des teneurs de comptes dans le cadre de la gestion mutualisée des 4 bots.

Plus globalement, mon rôle est d’améliorer continuellement l’expérience client en identifiant les améliorations de parcours client sur le web et les problématiques de navigation. J’assure également la liaison avec les centres d’appels afin de garantir une cohérence entre la communication sur les chatbots et les discours des téléopérateurs. Ma journée type débute par une analyse des conversations de la veille à partir desquelles j’engage les actions d’optimisation de la base de connaissances. Le reste de la journée est consacré à l’amélioration et à l’enrichissement des contenus, la liaison avec le centre d’appels, la production de reportings, les demandes d’évolutions…

A quelle problématique les bots du projet ERE (Epargne Retraite Entreprise) répondent-ils ?

Les bots sont tous dédiés au domaine de l’épargne salariale dans le secteur Banque – Assurance. Ils visent à répondre aux questions générales et à aider les utilisateurs à naviguer sur le site de leur teneur de compte. L’objectif est de décharger en amont le centre d’appels des questions à faible valeur ajoutée. Historiquement, un des teneurs de compte disposait d’un premier chatbot pour son usage propre. Lorsque S2E a été sollicité pour déployer ce service sur le site d’autres teneurs de comptes, nous avons saisi cette opportunité pour mutualiser les contenus et la gestion entre plusieurs clients avec la même problématique. En effet, une bonne partie des connaissances de la base s’inscrit dans un cadre règlementaire commun ce qui permet de les partager entre nos clients. De même, l’expérience issue de l’analyse des conversations est souvent mutualisable.

Pour parvenir à notre objectif de partage des connaissances, il a fallu dans un premier temps définir le corpus commun de près de 200 connaissances en collaboration avec les teneurs de comptes. Cette phase s’est étalée sur une année. Parallèlement, nous avons identifié une dizaine de sujets différenciants pour les gérer hors du cadre collectif, sur le bot dédié à chaque TCC. Une partie des contenus est personnalisée pour chacun de nos 4 clients en fonction des spécificités de l’offre des teneurs de comptes ou de leur stratégie de communication.

Ainsi, nous offrons un service personnalisé évolutif pour chacun de nos clients TCC tout en garantissant un socle commun de connaissances, notamment sur la partie règlementaire. Afin de cibler la période la plus adaptée à chaque client, la phase finale de mise en production des 4 chatbots s’est étalée entre octobre 2019 et février 2020.

Quel est le fonctionnement de ce projet ?

Les bots des 4 TCC reçoivent globalement les mêmes prestations, que ce soit au niveau de l’administration de la base de connaissances, de la gestion des bots ou de la production de reportings. La mise à jour et l’ajout de nouveaux contenus sont réalisés à l’initiative de S2E qui en informe ensuite les TCC. Ce mode de fonctionnement garantit une agilité maximale dans l’utilisation du produit.

Le nombre d’utilisateurs potentiels pour chaque TCC étant très différent, les volumes de conversations observés sur chacun des bots sont naturellement très hétérogènes, le plus sollicité atteignant une moyenne de plus de 5 000 conversations par mois. Quelle que soit leur importance, les volumes constatés justifient cependant la pertinence de la démarche selfcare associée au chatbot.

De plus, l’enrichissement des connaissances mutualisées à partir des questions extraites de 4 bots garantit une expérience partagée par l’ensemble des utilisateurs de nos clients. C’est un modèle particulièrement vertueux qui impacte aussi positivement la performance des bots.

Comment mesurez-vous la performance des bots ?

Nous envoyons un rapport mensuel personnalisé à chacun de nos clients à partir d’indicateurs mis à disposition par dydu et d’une extraction des 30 connaissances mutualisées les plus consultées. Le niveau de maturité atteint aujourd’hui par les bots va permettre de rendre ces rapports trimestriels.

Une fois par an, un bilan global est présenté aux TCC afin de rendre compte de l’activité, d’identifier des axes d’amélioration et des suggestions d’évolutions. Le projet initial avait pour objectif de maintenir un taux de qualification des interactions élevé. Nous surveillons donc tout particulièrement cet indicateur. Les nombreuses améliorations apportées aux connaissances du fait de leur suivi permanent et centralisé expliquent que les 4 bots présentent des taux de qualification des interactions supérieurs à 98%, à comparer à la moyenne sectorielle de 93%*.

Bien entendu, nous suivons et cherchons à améliorer régulièrement le niveau d’autres indicateurs en lien avec la satisfaction client. Ainsi les avis utilisateurs et les motifs d’insatisfaction sont systématiquement analysés afin d’assurer une amélioration continue des contenus publiés.

Comment le bot a-t-il été utilisé pendant la crise sanitaire ?

Le premier confinement n’a pas modifié le comportement des utilisateurs mais nous avons observé un changement dans leurs préoccupations notamment par rapport aux évolutions boursières et l’impact de la chute des cours sur leur épargne salariale. Très rapidement, nous avons pu créer de nouvelles connaissances et en enrichir certaines pour répondre à ces questions. Le produit de dydu répond exactement à notre besoin de réactivité dans ce type de contexte car il nous permet d’adapter notre modèle de réponse à la situation dans un délai très bref.

Quelles sont vos meilleures pratiques d’administrateur de chatbot ?

Dans le domaine de l’épargne salariale, certains termes clés saisis dans les questions des utilisateurs comme « paiement », « virement » ou « transfert » peuvent avoir des significations différentes en fonction du contexte, voire même selon le moment de la saison liée à notre activité.

Pour pallier cet inconvénient, j’évite soigneusement d’enrichir les connaissances avec des formulations ambiguës en préférant que le chatbot propose des reformulations (suggestions de plusieurs connaissances) plutôt qu’une réponse directe potentiellement inadéquate. J’observe ensuite que selon sa situation l’utilisateur sait choisir la bonne connaissance. Je considère dans certains cas que le matching indirect doit être privilégié à la recherche du matching direct systématique. Pour y parvenir, il m’arrive même parfois de supprimer une formulation liée à une connaissance lorsque je me rends compte qu’elle induit d’autres utilisateurs en erreur.

Autre élément essentiel selon moi : le soin apporté au contenu des formulations ajoutées aux connaissances. En effet, dans le cadre de l’analyse quotidienne des conversations j’alimente les connaissances à partir des questions utilisateurs si je considère qu’elles sont susceptibles d’être posées à nouveau. Ainsi, une question qui n’a pas été comprise par le bot un jour, le sera le lendemain. Pour ce faire, je n’hésite pas à retravailler les formulations avant de les ajouter, en corrigeant les fautes d’orthographe, en éliminant les éléments de contexte hors sujet et en sélectionnant les groupes de formulations les plus pertinents. Ce procédé a permis d’améliorer progressivement le taux de matching.

Quelles évolutions envisagez-vous dans l’avenir ?

Certains de nos clients vont enrichir leur offre avec un service de LiveChat permettant ainsi de poursuivre avec un téléconseiller une conversation initiée avec le chatbot. Rappelons que le produit mis à disposition par dydu permet de définir le déclenchement de connaissances à partir de règles de ciblage comportemental (temps d’inactivité, nombre déterminé de réponses non satisfaites, …).

Nous souhaitons également ajouter une étape d’on-boarding avant l’accès au champ de saisie d’une question afin de contextualiser la relation avec l’utilisateur et lui communiquer les bonnes pratiques d’utilisation du chatbot. Cela permettra d’éviter la confusion entre chatbot et LiveChat.

Plus l’information est personnalisée, plus elle est adaptée et appréciée des utilisateurs. Dans cette optique, nous envisageons de communiquer des éléments de personnalisation au chatbot pour publier des contenus individualisés. Cela répondrait aux spécificités de certaines opérations de nos clients qui ne sont actuellement pas couvertes par les connaissances mutualisées.

Enfin, pourquoi pas un déploiement du chatbot sur l’application mobile qui rencontre un énorme succès ces dernières années ?

*donnée dydu sur la totalité de l’année 2020, portant sur plus de 15 chatbots relation client dans le secteur banque/assurance .