Base de connaissance : levier de la personnalisation de la relation client

Par Erick de Flore, Responsable Pôle Conseil Almavia CX

La personnalisation de la relation client est souvent associée à la connaissance client et aux actions marketing. Mais en 2021, cette personnalisation passe aussi par la gestion des connaissances qui permet de répondre aux demandes des clients via une base de connaissance. Naguère uniformes, les contenus de cette base et leur restitution doivent désormais être adaptés au contexte. Et cela, bien au-delà de la langue ou du pays.

Dans le monde de la relation client, les bases de connaissance permettent de satisfaire les demandes des clients tout au long de leur parcours. Elles se présentent sous la forme d’une collection d’articles ou de fiches aux contenus riches (textes, images, vidéos, contenus interactifs). Ces bases doivent être restituées dans des contextes très variés qui influencent désormais leur forme et leur contenu. Finalement, il s’agit de personnaliser au maximum la relation client. Historiquement, les articles des bases de connaissance ont d’abord été déclinés par langue, zone géographique ou filiale, puis par grandes thématiques fonctionnelles. C’est un prérequis désormais rempli par tous les outils de gestion de bases de connaissance. Aujourd’hui, la connaissance se décline selon d’autres critères complémentaires en cherchant le meilleur équilibre entre effort et bénéfices.

Adapter le contenu des réponses au type de canal

Cette déclinaison passe par une adaptation en fonction du canal de communication : centre de contact (voix, e-mails, chat, réseaux sociaux…), self-service (web, chatbot, voicebot…) ou type d’appareil (PC, smartphone…). Selon le canal, le format de l’article est adapté (longueur de l’article ou certains contenus riches). Par exemple, la version standard de l’article est publiée sur le web (dans une FAQ) ou dans les réponses apportées par e-mail. Une version PDF est envoyée en pièce jointe. Une version de taille moyenne cible les mobiles. Tandis qu’une version très courte et purement textuelle est exploitée par les chatbots, avec un lien vers la version complète. Chaque article peut également être adapté au type d’utilisateur ou réservé à certains d’entre eux : prospects, clients ou collaborateurs internes. Par exemple, les articles développant des argumentaires de ventes ne peuvent être consultés que par les commerciaux. La personnalisation est théoriquement sans limite. Elle peut ainsi prendre en compte l’émotion détectée durant l’interaction, l’âge ou le sexe du client, le moment-clé de son parcours ou sa situation géographique. Il existe toutefois une limite à la déclinaison de chaque article de la base. Un ROI n’est en effet possible que si le nombre de produits et services proposés par l’entreprise n’est pas trop important.

Comprendre les intentions du client ou de l’agent pour lui proposer l’article pertinent

L’adaptation au contexte passe également par le choix du mode de restitution. Historiquement, la recherche des articles répondant aux demandes passe par une indexation via des mots-clés et une organisation en arborescence. L’agent ou le client cherche ainsi les réponses en parcourant l’arbre ou en saisissant des mots-clés.

Désormais, la restitution des articles passe par une interrogation en langage naturel, elle-même de plus en plus efficace. Il faut alors comprendre les intentions qui se cachent derrière les questions. Pendant longtemps, la proposition des articles se basait uniquement sur une analyse syntaxique et sémantique. Désormais, des algorithmes placés sous la bannière de l’IA (analyse statistique ou deep learning) permettent une mise en correspondance de plus en plus pertinente entre les questions posées et les articles qui fournissent ces réponses.

Mais il y a mieux que l’interrogation en langage naturel. Quand le contexte le permet, l’idéal est en effet de fournir les réponses avant même que les questions aient été posées, pour passer d’un mode réactif à un mode proactif. Par exemple, lorsqu’un client est en train d’exprimer une demande dans un formulaire, l’analyse en temps réel du texte en cours de saisie peut déclencher l’affichage d’un article qui évitera peut-être que le formulaire soit complété et envoyé. De même, dans une conversation entre un client et un agent, l’analyse du verbatim, toujours en temps réel, permet de proposer automatiquement des réponses à l’agent (c’est la notion d’agent augmenté.) La restitution des articles peut également être automatisée en mode réalité augmentée. Par exemple, l’utilisateur filme un produit et voit s’afficher des explications en surimpression. Et bientôt, les objectifs connectés anticiperont les demandes en identifiant une mauvaise utilisation ou une panne probable, afin d’informer l’utilisateur voire de déclencher, à l’insu de l’utilisateur, un processus de résolution décrit dans la base de connaissance.