C - U P P S A T S
Chatbot som kundsupport
Johan Runesson
Luleå tekniska universitet C-uppsats
Mediedesign
Institutionen för Musik och medier
”Chatbot som kundsupport”
Institutionen för musik och medier Mediedesign C, MEK043
Luleå tekniska universitet Författare: Johan Runesson Handledare: Mikael Wiberg 2007-05-25
Abstrakt
Chatbotar är ett begrepp som börjat nästla sig in i Internetkommunikationen. Det handlar om virtuella assistenter som kan fungera som supportstöd på företags hemsidor.
Syftet med denna uppsats är att utröna hur en sådan chatbot bör utformas för att fungera så bra som möjligt som support vid ett företag.
Studien genomfördes med en litteraturstudie, en intervju med ett företag som
använder en chatbot i sin kundsupport, samt två fokusgruppundersökningar för att se vad användarna tycker om tekniken.
Det visade sig att användarna tyckte tekniken fungerade ganska bra. Men vissa småfel gjorde att det kunde bli omständigt att använda sig av en chatbot. Användarna ville gärna se mer interaktion, så att chatboten inte enbart kunde förklara hur saker ska göras utan även hjälpa till att utföra dem. Till exempel hjälpa till att fylla i ett beställningsfomulär.
Företaget tyckte att det var väldigt viktigt att det var enkelt att administrera chatboten. Då tekniken är relativt dyr och det går åt mycket tid till arbetet med en chatbot, gör tidsbesparande funktioner att företaget sparar pengar.
Nyckelord:
Chatbot, ECA, embodied conversational agent, avatar.
Innehållsförteckning
1 INLEDNING... 5
1.1 Vad är en chatbot? ... 5
1.2 Uttrycket ”chatbot”... 6
1.3 Syfte ... 6
1.4 Avgränsningar ... 6
2 BAKGRUND... 7
2.1 ECA – Embodied Conversational Agent ... 7
2.2 Turingtestet... 7
2.2.1 The imitation game ... 7
2.2.2 Loebner priset... 8
2.3 A.L.I.C.E. ... 8
2.3.1 AIML ... 8
2.4 REA – Real Estate Agent... 9
3 METOD... 11
3.1 Litteraturstudie ... 12
3.2 Intervju med företag... 13
3.2.1 Urval ... 13
3.2.2 Utformning av intervjufrågor... 13
3.2.3 Bearbetning ... 14
3.3 Fokusgruppundersökning ... 14
3.3.1 Urval ... 14
3.3.2 Utformning av fokusgruppundersökning ... 15
3.3.3 Genomförande av fokusgruppundersökning ... 15
3.3.4 Bearbetning av fokusgruppundersökningen ... 16
4 RESULTAT ... 17
4.1 Resultat av litteraturstudien... 17
4.1.1 El-agizys modell... 17
4.1.2 In-domain och Out-of-domain... 19
4.2 Resultat av företagsintervjun ... 21
4.2.1 Viktiga funktionerna ... 21
4.2.2 Mindre viktiga funktioner ... 21
4.2.3 Framtida funktioner... 21
4.3 Resultat av första fokusgruppundersökningen... 22
4.3.1 Fördelar med användande av chabot ... 22
4.3.2 Problem med användande av chatbot ... 23
4.3.3 Framtida möjligheter... 23
4.4 Resultat av andra fokusgruppundersökningen... 24
4.4.1 Fördelar med användande av chabot ... 24
4.4.2 Problem med användande av chatbot ... 24
4.4.3 Framtida möjligheter... 25
5 DISKUSSION AV MODELLEN ... 26
5.1 Input, Output och Log ... 28
5.2 Filtersearch och previous events search ... 29
5.3 In-domain search ... 31
5.4 Out-of-domain search... 35
5.5 Missunderstanding database... 37
5.6 AdminWeb ... 38
5.7 Outside communication ... 40
6 DISKUSSION AV RESULTAT ... 42
6.1 Intervjun med företaget ... 42
6.2 Fokusgruppundersökningarna ... 43
6.3 Likheter i resultaten ... 43
6.4 Skillnader i resultaten ... 44
7 GENERELL DISKUSSION... 46
7.1 Dagens chatbotar ... 46
7.2 Morgondagens chatbotar ... 46
7.3 Fortsatt forskning... 47
7.3.1 Användarundersökning ... 48
7.3.2 Implementering och test av modellen... 48
7.3.3 Hur viktig är chatbotens personlighet ... 48
7.3.4 Chatbotar för personer med handikapp ... 48
8 SLUTSATSER... 49
9 REFERENSER ... 50
9.1 Tryckta källor... 50
9.2 Digitala källor... 50
10 BILAGOR... 51
10.1 Frågor till företagsintervju... 51
1 Inledning
Chatbotar är ett begrepp som börjat nästla sig in i Internetkommunikationen. De börjar på allvar användas av företag i supportsyfte. För den oinvigde kan en uppsats som handlar om chatbotar vara svår att sätta sig in i om man inte känner till vissa begrepp och bakgrundsfakta.
Jag kommer i inledningen kort ge några förklaringar till begreppet ”chatbot” och därefter presentera syfte och frågeställning till min undersökning.
Därefter kommer kapitlet ”Bakgrund” där jag mer ingående går igenom begrepp och tekniker som har relevans för mitt forskningsområde.
1.1 Vad är en chatbot?
Enligt Wikipedia (2007 a) kommer från ordet ”bot” från ”robot”, och är en term för ett dataprogram som själv kan utföra vissa handlingar utan att en människa behöver styra det. Det finns flera olika användningsområden där bot-program används.
Sökmotorer på Internet använder sig av ”sökspindlar”, en typ av bot-program, som letar sig igenom webbsidor på jakt efter information. I många dataspel finns också botar som är motspelare som dator kontrollerar.
Enligt Wikipedia (2007 b) är en chatbot ett dataprogram som kan konversera med människor på Internet. De enklare programmen kommunicerar genom
textmeddelanden. Användaren kan skriva hela meningar eller frågor som chatboten svarar på. Vanligast är att en chatbot fungerar som en sökmotor. Chatboten har en databas med nyckelord och nyckelfraser. När användaren skriver ett meddelande söker chatboten igenom databasen och ser om några nyckelord eller nyckelfraser finns i meddelandet. Om ett nyckelord finns i meddelandet svarar chatboten med ett förskrivet svar från sin databas.
Tabell 1:1. Exempel på en chatbots databas
Frågor/fraser Svar
Hej Hej själv
Vad heter du Jag kallas Bot-Inger Hur mår du Jag mår bara bra
Eget exempel av hur en chatbots databas kan se ut.
Johan Runesson 2007.
När en användare skriver ”Tjenare, hur mår du idag då?”, kommer chatboten söka igenom det och hitta frasen ”hur mår du”. Följaktligen kommer den svara med ”Jag mår bara bra!”.
Detta är dock bara en enkel beskrivning av standardfunktionen. De flesta chatbotar har mer avancerade funktioner än så. De kombinerar flera olika sätt att söka igenom användarens meddelande för att ge bästa svar.
1.2 Uttrycket ”chatbot”
Det finns flera olika typer av dataprogram som fungerar som chatbotar. I denna uppsats har jag valt att använde uttrycket ”chatbot” som ett samlingsnamn för dessa program. Mer avancerade versioner av dylika program kallas i många fall ”agenter”.
Till exempel ”Konversations agent” eller dylikt. Men i denna uppsats har jag dock, i de flesta fall, valt termen ”chatbot” för att göra det enklare för läsaren och för att vara konsekvent.
1.3 Syfte
Syftet med denna c-uppsats är att utveckla en teoretisk modell för hur en chatbot bör utformas för att fungera så bra som möjligt som kundsupport.
Forskningsfrågan är således: ”Hur bör en chatbot utformas för att fungera som kundsupport?”.
1.4 Avgränsningar
Fokus i denna undersökning är att ta fram en teoretisk modell. Jag kommer inte omsätta teorin i praktiken, då detta tidsmässigt inte är möjligt.
Vidare kommer jag även utelämna det mesta av de funktioner en så kallad ”avatar”
(mer om detta i bakgrundsdelen) kan ha. Då detta område rör sig om animering och uttryck. Detta är så omfattande att det är ett forskningsområde i sig.
2 Bakgrund
2.1 ECA – Embodied Conversational Agent
Embodied conversational agent är ett mer avancerat chatbot-program. Istället för att bara kunna konversera i text har en ECA en visuell representation av sig själv. Det kan vara en 2D- eller 3D-modell av en person, eller ett animerat (rörligt) foto. Man brukar kalla denna visuella presentation för ”avatar”. Avataren kan bestå av antingen ett huvud, en överkropp eller en hel kropp. En ECA kan kommunicera genom minspel och/eller genom gestikulation.
I introduktionen till boken ”Embodied conversational agents” (Cassell, Sullivan, Prevost & Churchill, 2000) skriver Cassell:
Only humans communicate using language and carry on conversations with one another.
And the skills of conversation have developed in humans in such a way as to exploit all of the unique affordances of the human body. We make complex representational gestures with our prehensile hands, gaze away and towards one another out of the corners of our centrally set eyes, and use the pitch and melody of our voices to emphasize and clarify what we are saying. (Cassell et al: 2000, s. 1)
Forskare och utvecklare inom ECA-programvaror har ägnat mycket tid åt att analysera mänsklig konversation för att kunna återge den med hjälp av dataprogram.
ECA-program kan inte bara tala, de kan variera tonläget samt göra gester och ansiktsuttryck som är synkroniserade med det ECA-programmet just säger.
2.2 Turingtestet
2.2.1 The imitation game
Alan Turing (Turing, 1950) beskriver ett spel ”The imitation game” som har kommit att få stor betydelse för utvecklingen av chatbotar.
It is played with three people, a man (A), a woman (B), and an interrogator (C) who may be of either sex. The interrogator stays in a room apart from the other two. The object of the game for the interrogator is to determine which of the other two is the man and which is the woman. He knows them by labels X and Y, and at the end of the game he says either ' X is A and Y is B ' or ' X is B and Y is A'. The interrogator is allowed to put questions to A and B thus: C : Will X please tell me the length of his or her hair ? Now suppose X is actually A, then A must answer. It is A's object in the game to try and cause C to make the wrong identification. His answer might therefore be ' My hair is shingled, and the longest strands are about nine inches long.' In order that tones of voice may not help the interrogator the answers should be written, or better still, typewritten. The ideal arrangement is to have a teleprinter communicating between the two rooms. Alternatively the question and answers can be repeated by an intermediary. The object of the game for the third player (B) is to help the interrogator. The best strategy for her is probably to give truthful answers. She can add such things as ' I am the woman, don't listen to him t' to her answers, but it will avail nothing as the man can make similar remarks. We now ask the question, ' What will happen when a machine takes the part of A in this game ?' Will
the interrogator decide wrongly as often when the game is played like this as he does when the game is played between a man and a woman? (Turing: 1950, s. 433-434).
Detta är vad som idag är känt som ”Turingtest”, vilket används för att testa om en chatbot besitter förmågan att föra en mänsklig konversation. Dagens tester brukar utföras med en person, en dator och en jurygrupp. Jurygruppen får chatta med två personer, den ena människa och den andra en dator. Genom att försöka ställa svåra frågor ska jurygruppen efter fem minuter avgöra vem som är dator och vem som är människa.
Hittills har ingen chatbot klarat testet, det finns däremot exempel på chatbotar som, på Internet, lurat människor att tro de talar med en människa. Men under sådana förhållanden väntar sig oftast inte personen som chattar med chatboten att de pratar med något annat än en människa. Testet går ju ut på att juryn är medveten om att den ena parten är en dator och de försöker aktivt lura chatboten.
2.2.2 Loebner priset
Loebner priset instiftades 1990 av Dr. Hugh Loebner och tävlingen har pågått årligen sedan 1991. Den dator som först klarar Turingtestet vinner 100 000 $ och en speciellt utformad guldmedalj. Hittills har ingen tävlingsdeltagare klarat testet, men varje år utses även den mest människolika datorn av de deltagande. Mer information finns på The Loebner Prize in Artificial Intelligence (2006).
2.3 A.L.I.C.E.
En av de mest kända chatbotarna är A.L.I.C.E. (Artificial Linguistic Internet
Computer Entity) skapade av Dr. Richard S. Wallace. A.L.I.C.E. anses allmänt som en av de mest mänskliga chatbotarna och har vunnit Loebner priset tre gånger.
Mer information om A.L.I.C.E. finns på A.L.I.C.E. AI Foundation, Inc. (no date a).
2.3.1 AIML
På A.L.I.C.E. AI Foundation, Inc. (no date a), kan man läsa om AIML (Artificial Intelligence Markup Language). AIML är ett dokumentstrukturdefinitionsspråk, vilket kan låta krångligare än det faktiskt är. Ett dokumentstrukturdefinitionsspråk är ett sätt att strukturera upp dokument, exempel på andra sådana språk är HTML som används för att koda webbsidor. AIML bygger på språket XML, som också är ett vanligt språk i webbsammanhang.
Som jag nämnde tidigare bygger de flesta chatbotar på en databas med olika fraser och nyckelord som chatboten söker igenom. AIML är A.L.I.C.E. databas. Den består egentligen bara av ett textdokument som är uppstrukturerat med taggar. Taggar används inom nästan all webbprogrammering. För att skapa ett webbdokument skriver man:
<html>
Allt innehåll på webbsidan.
</html>
<html> är en starttag som visar att det som följer efter denna tag är en webbsida.
</html> visar var webbsidan slutar. Allt innehåll ligger alltså mellan dessa två taggar.
Precis så är AIML uppbyggt, fast med andra taggar. Ett AIML dokument kan se ut så här:
<category>
<pattern>WHAT ARE YOU</pattern>
<template>
<think><set name="topic">Me</set></think>
I am the latest result in artificial intelligence,
which can reproduce the capabilities of the human brain with greater speed and accuracy.
</template>
</category>
(A.L.I.C.E. AI Foundation, Inc. (no date b))
Enkelt beskrivet innehåller <pattern> vad användaren kan tänkas säga och
<template> innehåller det svar som A.L.I.C.E. ska ge. Taggen <think> är en lite mer avancerad form av kontroll som A.L.I.C.E. har. I koden ovan talar koden i
<think> om för A.L.I.C.E. att det är om A.L.I.C.E. som de pratar just nu, beroende på att topic sätts till ”Me”.
<category> omsluter alla de andra taggarna och visar att allt som finns mellan
<category> och </category> är en ”bit kunskap” (”unit of knowledge” A.L.I.C.E.
AI Foundation, Inc. (no date b)).
Ett helt AIML-dokument innehåller massor av kategorier med massa små bitar av kunskap. När användaren skriver in något söker A.L.I.C.E. fram den kategori som bäst stämmer överens med det användaren har skrivit. Det är här som <think>- taggen kommer till nytta. Om användaren frågar ”what are you”, som i exemplet ovan, sätter A.L.I.C.E. ämnet till ”ME”. Om användaren sedan skriver en följdfråga som kanske finns med i flera olika kategorier så får kategorier där ämnet är satt till
”ME” förtur. Detta är ett sätt att kunna hålla en konversation där användaren kan skriva följdfrågor utan att A.L.I.C.E. hoppar mellan flera olika ämnen.
2.4 REA – Real Estate Agent
Medan A.L.I.C.E. ofta anses som en av de mest utvecklade chatbotarna, anses ofta REA som en av de mest utvecklade ”Embodied conversational agent”-programmen.
REA är utvecklad av Justine Cassell, Tim Bickmore, Lee Campbell, Hannes Vilhjálmsson och Hao Yan vid Massachusetts institute of technology. (MIT Media Lab (no date).
REA är en digital fastighetsmäklare som har tillgång till en databas med lediga hus i Boston. REA representeras av en avatar i form av en animerad 3d-modell av en kvinna. Hon syns på en stor skärm med två kameror monterade ovanför skärmen. När någon kliver fram och kommer inom synhåll för kamerorna vänder sig REA till personen och frågar vad hon kan hjälpa till med. Här följer en beskrivning av hur REA kan interagera med en person som vill köpa hus:
Mike approaches the projection screen while Rea is gazing about idly. As Mike moves within range of the two cameras mounted above the screen, Rea turns to face him and says:
Hello. How can I help you?
Mike. I'm looking to buy a place near MIT.
Rea nods, indicating that she is following.
Rea. I have a house to show you.
A picture of a house appears on the screen behind Rea, who blinks and looks at the house and then at Mike.
Rea. It's in Somerville.
Mike. Tell me about it.
Rea looks up and away while she plans what to say.
Rea. It's big. Rea makes an expansive gesture with her hands.
Mike brings his hands up as if he is about to speak, so Rea does not continue, waiting for him to speak.
Mike. Tell me more about it.
Rea. Sure thing. It has a nice garden.
Rea sketches a curved gesture with her hands, indicating the garden extends along two sides of the house.
Mike. How far is it?
Rea. It is five minutes to the Porter Square T station.
Rea makes it clear it is five minutes on foot from the T station by making a walking gesture with her fingers.
Mike. How big is the house?
Rea. It has four bedrooms, three bathrooms...
Mike interrupts Rea, who stops speaking immediately.
Mike. Wait. Tell me, where is the master bedroom?
Rea. I'm sorry, I didn't catch that. What did you ask me?
Mike. Where is the master bedroom?
Rea. It's upstairs.
Rea points up.
Mike. Where is the master bathroom?
Rea. It's next to the bedroom.
Rea brings her hands together to indicate the relationship between the bedroom and the bathroom.
And the house tour continues.
(Cassell: 2000, s. 73).
Detta utdrag beskriver bra hur pass avancerad REA är. Hon kan inte bara svara på frågor och berätta om hus, utan hon klarar även låta sig avbrytas och vänta på sin tur.
Dessutom visar REA att hon förstår och följer med i konversationen genom att nicka.
3 Metod
Denna uppsats är uppbyggd runt tre metoder. Den första är en litteraturstudie av skrifter från forskare och utvecklare angående chatbotar och embodied conversational agents. Då hela området bygger på kommunikation via Internet har jag även gått igenom mycket fakta från webbsidor. Samt testat olika chatbotar som finns idag för att få en uppfattning om hur dessa fungerar.
Enligt Jarl Backman (1998) är genomgång av tidigare forskning inom ett område en av de viktigaste delarna i en studie. På detta sätt kan man få en överblick av vad som tidigare skrivits i ämnet. Samt kan man hitta luckor i den tidigare forskningen, där utrymme för ny forskning finns.
Den andra delen är en kvalitativ intervju gjorde med ett stort företag som använder en chatbot på deras svenska hemsida. Denna intervju är till för att få en inblick i de tankar som företag som använder chatbotar har.
I inledningen av boken ”Den kvalitativa forskningsintervjun” (Kvale, 1992) skriver Kvale:
Om man vill veta hur människor uppfattar sin värld och sitt liv, varför inte prata med dem? (Kvale: 1997, s. 9).
Detta är ett ytterst grundläggande och kanske självklart antagande, men jag tycker ändå det ger en bra bild av fördelen med kvalitativ intervju som metod.
Den tredje faktainhämtningsmetoden är fokusgruppundersökning. Detta för att testa vad användarna tycker om tekniken. Att använda en fokusgrupp verkade vara ett bra sätt att få höra användarnas diskussion om ämnet. Enligt Steinar Kvale (1997) uppkommer ofta spontana uttal under samspelet mellan de olika personerna i fokusgruppen.
Anledningen till att jag valt så många metoder beror främst på att min första tanke inte var genomförbar. Från början skulle jag bygga undersökningen på enbart intervjuer och litteraturstudie. Tanken var att intervjua 3-4 svenska företag som använder chatbotar i sin kundsupport, samt intervjua lika många företag som inte har någon chatbot. Detta för att dels få en inblick om hur företagen som använder
tekniken tycker att den fungerar, samt dels få en inblick i kundsupportområdet i allmänhet.
Kvale (1997) menar att det räcker med 3 intervjuer med varje ”grupp” då man utför en kvalitativ studie. Därför ansåg jag detta sätt som bra för att få fram ett resultat.
Då chatbottekniken är relativt dyr att använda är det idag endast några få större företag som använder den på allvar. Det visade sig svårt att få till stånd intervjuer med dessa företag, vilket innebar att jag fick tänka om och även göra en undersökning av vad användarna tycker, detta genom fokusgruppundersökning.
För att kunna utveckla modellen över hur en chatbot bör utformas, har jag gjort den i flera stadier. En första modell utformades under/efter litteraturstudien, för att få en bra grundmodell av hur en chatbot fungerar. Sedan utvecklades modellen ytterligare utifrån resultaten från intervjun och fokusgruppundersökningen.
Själva modellen bör dock ej ses som ett slutgiltigt resultat över denna studie, utan bör istället betraktas som ett diskussionsunderlag för vidare studier.
3.1 Litteraturstudie
Under den begynnande informationsinhämtningen framgick att området idag är, i viss mån, relativt outforskat. Många större företag har forskningsprojekt som pågår om tekniken. Många mjukvaruföretag jobbar mycket med så kallade virtuella assistenter, som ska hjälpa användarna i deras arbete med olika mjukvaror.
Även inom området embodied conversational agents finns mycket forskning som pågår. Denna teknik används bland annat inom olika former av utbildning för att kunna lära ut olika avancerade förlopp. I boken ”Embodied conversational agents”
(Cassell, Sullivan, Prevost & Churchill, 2000) finns en text av Jeff Rickel och Lewis Johnson där de beskriver deras chatbot ”Steven”. Rickel och Johnsons forskning handlar om att skapa en chatbot som kan lära sjöfartsstudenter hur olika processer styrs på ett fartyg.
Men inom just chatbotar på Internet finns inte mycket forskning gjord. Främst är det de olika tillverkarna av chatbotar som testar ut olika tekniker, men deras resultat är inget de skyltar med. A.L.I.C.E. AI Foundation Inc, tillverkarna av chatboten A.L.I.C.E. är en av de få tillverkarna som låter andra ta del av deras teknik. Detta genom att de släppt sitt AIML språk, som visar hur man kan strukturera en chatbots databas på ett bra sätt. Dock visar de självklart inte upp mycket av själva
chatbotmotorn (själva koden som kan ses som chatbotens ”hjärna”).
Man kan se det hela som att det finns en del litteratur och forskning gjorde på hela området med artificiella hjälpredor i olika former. Men just mitt spetsområde med chatbotar som kundsupport på Internet fanns inte lika mycket.
Dock ska jag nämna en, möjligen viktig, resurs som jag inte tagit del av. Det är boken
”Chatbots in der Kundenkommunikation” av Alexander Braun, (Braun 2003).
Problemet var att boken var svår att få tag på, särskilt inom en rimlig tidsrymd.
Dessutom finns boken inte översatt på engelska, utan endast på originalspråket tyska.
Vilket försvårar det hela ytterligare, då min tyska inte är vad den borde. Därför valde jag att bortse från denna bok, då tiden inte räckte till för att kunna ta del av den.
Jag hade två syften med litteraturstudien när jag genomförde den. Främst gällde det att sätta sig in i området. Då tidigare forskning var ytterst begränsade inom just mitt område, fick jag vidga det hela och hämta fakta från flera närliggande områden. Som tidigare nämnt var också Internetresurserna väldigt användbara inom just detta
område. Man kan se det som någon form av fältforskning, där jag kunde testa tekniken och se hur den användes av olika företag och utvecklare.
Att litteraturen över området var begränsad ska dock ej enbart ses som något negativ.
Enligt Backman (1998) finns det en risk att fördomar och förutfattade meningar från andra forskare kan påverka det egna arbetet och man får svårt att tänka i nya banor.
När jag börjat få ett grepp över området började jag min nästa del, att ta fram en första modell över hur en chatbot fungerar. Jag utgick från en artikel med en modell av hur en chatbot fungerar, El-agizy (no date), när jag tog fram min första modell.
Modellen var en bra introduktion till hur en chatbot fungerar och vilka delar chatbotar kan bestå av.
Modellen omarbetades sedan utifrån de resultat som litteraturstudien givit. Vissa nya delar lades till och andra togs bort, detta för att bättre anpassa chatboten för att fungera som kundsupport.
3.2 Intervju med företag
En kvalitativ intervju genomfördes med ett företag som använder en chatbot på sin svenska hemsida. På detta sätt kunde jag få en inblick i hur företaget använder
chatboten och vad de tycker om tekniken. Intervjun användes även för att utröna vilka olika funktioner som företaget såg som extra viktiga för att användandet av en chatbot ska fungera.
Intervjun fick genomföras över telefon, då avståndet till deras kontor var för stort för att det enkelt skulle gå att genomföra en intervju på plats.
Företaget har valt att vara anonymt i denna undersökning och därför kommer inga namn användas.
Till intervjun använde jag mig i den mån det gick av Steinar Kvales, Kvale (1997), sju stadier för intervjuundersökning.
3.2.1 Urval
Egentligen kan man i denna studie inte tala om något egentligt urval, då endast ett företag ställde upp på intervju. Jag valde att begränsa min undersökning till den svenska marknaden och tog kontakt med de flesta större svensketablerade företag som använde sig av en chatbot. Tyvärr fick jag nej från de flesta, vissa tyckte det var väldigt intressant, men hade helt enkelt inte tid för att ställa upp. Slutligen hade jag alltså bara ett företag som ställt upp.
3.2.2 Utformning av intervjufrågor
Till företagsintervjun utformade jag ett frågeformulär med 10 huvudfrågor. (Se bilaga 9.1 ”Frågor till företagsintervju”).
Vissa av huvudfrågorna var uppdelade i flera underfrågor. Frågorna var även uppdelade i två kategorier, ”supportområdet/allmänt” och ”chatbotområdet”.
Den första kategorin ”supportområdet/allmänt” syftade till att ge en bild av vilka former av support företaget arbetade med samt hur många supportärenden företaget besvarade per månad. Detta för att få en bild av hur stort företaget var och hur deras icke chatbotbaserade support såg ut.
I denna kategori ingick även allmänna frågor om intervjupersonen och dennes roll i företaget.
Den andra kategorin ”chatbotområdet” handlade just om företagets chatbot. Dels ingick frågor vars syfte var att få en bild av i vilken utsträckning chatboten användes, samt om chatboten hade avlastat de anställda på support.
I fråga nio fick intervjupersonen ta ställning till olika funktioner som en chatbot kan ha och ange hur pass viktiga personen ansåg de olika funktionerna vara. Detta var en av
de viktigaste frågorna, då jag kunde testa om modellen var bra uppbyggd och se vilka delar som var extra viktiga.
Intervjun avslutades med en öppen fråga om intervjupersonen hade något att tillägga.
3.2.3 Bearbetning
Intervjun genomfördes med en konferenstelefon och spelades in med hjälp av en minidisc. På detta sätt kunde jag få med både vad jag sa och vad den intervjuade sa.
Jag tog dessutom lite anteckningar. Detta innebar att jag lättare kunde komma med följdfrågor och ha koll på vad intervjupersonen svarat tidigare.
Intervjun skrevs sedan ut i helhet ord för ord. Dock uteslöt jag början, då jag
presenterade mig och gav allmän information om vad syftet med intervjun var. Även lite information i slutet, som inte hade något värde för själva undersökningen, uteslöt jag ur utskriften.
Utskriften bifogas inte som bilaga, då det i intervjun framgår tydligt vilket företag jag intervjuade. Istället finns själva frågorna bifogade (bilaga 9.1 ”Frågor till
företagsintervju”).
Efter att intervjun var utskriven har jag gått igenom den och särskilt uppmärksammat sådana delar som kan vara till nytta för utformningen av modellen. Detta har gett lite mer information om vilka funktioner som är extra viktiga för att en chatbot ska fungera bra för företagen att använda.
3.3 Fokusgruppundersökning
Två fokusgruppundersökningar genomfördes även med syfte att undersöka vad användare av chatbotar tyckte om tekniken. På detta sätt kunde jag få fram vilka möjligheter och problem som fanns på användarsidan när det gällde chatbottekniken.
Även under fokusgruppsintervjun försökte jag anama Kvales, Kvale (1997), teorier för forskningsintervjuer.
3.3.1 Urval
De deltagare som valdes till fokusgruppundersökningen bor, arbetar eller studerar i Piteå. Detta var enklast för att kunna få ihop tillräckligt många deltagare som kunde ställa upp samtidigt. Urvalet baserades mycket på vilka som kunde ställa upp vid en viss tidpunkt. Jag försökte dock få en någorlunda spridning vad det gällde ålder och kön. Tyvärr var de flesta deltagare relativt unga och det var fler manliga deltagare än kvinnliga.
I första fokusgruppen ingick fem personer, två killar och tre tjejer. Åldersspridningen var mellan 21-26 år. Personerna i denna fokusgrupp var alltså relativt unga.
Den andra fokusgruppen bestod av fyra personer, alla dessa var killar. Åldern gick här mellan 28-32 år, vilket gav en något högre ålder. Dock landade medelålder på båda fokusgrupperna straxt över 26 år, vilket kan ses som en relativt låg medelålder. Detta hade att göra med att det inte var helt enkelt att få ihop tillräckligt många människor som kan ställa upp vid samma tidpunkt. För att undersökningen skulle gå att
genomföra var varje deltagare även i behov av att ha tillgång till en dator. Vilket var ytterligare en svårighet, då man var bunden till att samla personer på en viss plats.
3.3.2 Utformning av fokusgruppundersökning
När jag utformade undersökningen försökte jag hela tiden se till att deltagarna inte skulle bli alltför styrda. Jag valde ut den chatbot som skulle användas, men testade den inte själv särskilt ingående innan, då jag ville undvika alltför mycket förförståelse från min sida.
Chatboten som användes var det företags som ställde upp på intervjun. Vilket gör att jag här inte kommer att nämna vilken chatbot det rör sig om, då företaget valt att vara anonymt.
Jag sammanställde en samling frågor som deltagarna skulle hitta svar på. Men då deltagarna inte skulle bli för styrda och till exempel skriva in frågorna rakt av, skrev jag inte ut det som rena frågor. Det blev mer en samling situationer (cases) som jag beskrev där deltagarna skulle hitta hjälp då de befann sig i en sådan situation. Då frågorna är nära knutna till företagets verksamhet kommer jag här inte i detalj gå in på hur frågorna såg ut.
Jag kommer, av samma anledning, inte heller bifoga dessa frågor som en bilaga. Men då frågorna främst hade som avsikt att hjälpa deltagarna igång med testandet av chatboten tillförde de inga egentliga resultat till undersökningen. Själva diskussionen som gjordes efter testet handlade inte alls om deltagarna hittat några svar på de frågor de fick.
Jag hade som sagt inte testat chatboten innan och hade inte heller på något sätt testat de frågor jag tagit med. Jag ville inte få fram frågor som jag visste att chatboten kunde svara på, utan vanliga frågor som kunder till företaget kunde ha.
Jag tog även kontakt med min syster, Anna Karlsson, som jobbar i samma bransch som det företag som ingår i denna undersökning. På detta sätt kunde jag få tillgång till vanliga frågor som ett företag i den branschen kunde ha.
3.3.3 Genomförande av fokusgruppundersökning
Fokusgruppundersökningen började med att deltagarna blev informerade om syftet med undersökningen samt gav jag en kort presentation av hur det hela skulle genomföras. Deltagarna fick även ut ett texthäfte med information.
Sedan fick deltagarna gå in på en webbplats och där testa chatboten. Deltagarna fick så mycket tid på sig som de ansåg behöva. De uppmanades att testa mycket själva och inte känna sig styrda av de frågor jag gett dem. Varje deltagare satt vid varsin dator och kunde testa i lugn och ro.
När deltagarna kände sig klara genomfördes en gruppdiskussion om vad de tyckte. Jag bistod med olika frågor som deltagarna fick diskutera. Deltagarna uppmanades att prata med varandra och inte med mig, då jag ville ha just en diskussion deltagarna emellan och inte någon intervju.
Då deltagarna kom fram till olika slutsatser uppmanade jag dem ibland att berätta varför de tyckte eller inte tyckte på det sättet.
Jag tog anteckningar under fokusgruppdiskussionen och spelade även in den på
minidisc. På detta sätt kunde jag lätt anteckna de olika slutsatser deltagarna kom fram till. Inspelningen gav möjligheter till att gå igenom diskussionen ytterligare samt underlätta vid behov av citat.
Dock inträffade ett tekniskt missöde vid den första fokusgruppundersökningen och inspelningen misslyckades. Men med hjälp av mina anteckningar hade jag ändå tillgång till de viktigaste delarna som deltagarna tog upp.
Jag skrev inte heller ut inspelningen från den andra fokusgruppundersökningen, utan utgick i första hand från de anteckningar jag hade tagit. Inspelningen var mer en funktion för att kunna kontrollera om jag uppfattat det deltagarna sa korrekt.
3.3.4 Bearbetning av fokusgruppundersökningen
Efter utförd fokusgruppundersökning skrev jag däremot ner det som deltagarna diskuterat i ett dokument och skrev även in egna noteringar på saker som kunde användas.
Dessa dokument använde jag sedan för att se om några nya detaljer behövde adderas till min modell. Jag fick även en bra insikt i vad användarna såg som viktiga och nyttiga funktioner.
4 Resultat
4.1 Resultat av litteraturstudien
Litteraturstudien har lett fram till den första versionen av min modell. De första idéerna är hämtade från en artikel av El-agizy (no date), som sedan har bearbetats och omändrats. Ändringarna baseras på olika artiklar, böcker och webbsidor som gett nya uppslag till vilka funktioner som bör ingå.
4.1.1 El-agizys modell
Den beskrivning El-agizy (no date) ger av hur en chatbot fungerar var till stor hjälp för att få en första inblick i vad som krävdes av en chatbot. Enligt El-agizy består en chatbot av tre huvuddelar: ”input text”, ”send button” (skicka knapp) och ”output text”. Enkelt beskrivet är input text det som användaren skriver. Via skicka knappen sänds denna text till chatboten, som bearbetar den och skickar ett svar (output text).
Men det som händer efter man klickat på skicka knappen är det intressanta. Texten man skickar jämförs sedan med databaser på olika sätt för att få ut ett bra svar.
El-agizy beskriver tre olika söksätt som chatboten kan använda sig av för att få fram ett svar på användarens text.
El-agizy tar först upp vad han kallar ”special engine”. Denna motor fungerar genom jämföra olika meningar i chatbotens databas med den mening användaren skrev in.
Fördelen med denna motor är att om den hittar ett svar på det användaren skriver stämmer svaret ofta väldigt bra till användarens text. Nackdelen med metoden är att det stort sett är omöjligt att skriva in färdiga meningar på allt som en användare kan tänkas säga.
Den andra metoden El-agizy nämner är ”matrix search”. Medan special search jämför hela meningar, jämför matrix search orden i den mening användaren skrev in, med ord i en databas. Chatboten kan sedan välja ett svar från den databasraden som innehåller flest ord ur användarens text.
En chatbots databas består alltså av (minst) två kolumner, den första med frågor som användaren kan tänkas ställa och den andra med olika svarsalternativ till den aktuella frågan.
Bilden på nästa sida visar hur dessa ”special search” och matrix search” kan användas.
Bild 4:1. Exempel på hur Special search och matrix search används
Från ”http://www.codeproject.com/useritems/robomatic.asp” av E. El-agizy. Retrieved February 25, 2007
I bilden framgår också de problem som finns med matrix search. När endast ord för ord jämförs finns en betydligt större risk att chatboten ger ett felaktigt svar till användaren. Fördelen är att denna form av databas är enklare och går snabbare att bygga upp.
El-agizy menar att vid användandet av ”special search” har chatboten en chans på 95 % att återge ett rätt svar på en fråga. Vid ”matrix search” är chansen 65 % att chatboten svarar rätt.
Som framgår av bilden har El-agizy byggt upp sina databaser i olika filer för de olika känslorna som chatboten kan visa. Detta har jag dock uteslutit ur min modell, då en chatbot som jobbar med kundservice i ett företag inte behöver kunna visa till exempel ilska eller ledsamhet. Detta skulle ge ett negativt intryck av företaget och är således uteslutet ur modellen.
Självklart kan det vara positivt att chatboten kan visa på lite olika känslor, för att göra den mer personlig. Men då det bästa är att en chatbot i kundsupporten är relativt neutral, kan sådana känslor istället infogas direkt i olika svarsalternativ, beroende på vad användaren har sagt.
Den tredje metoden El-agizy beskriver kallar han ”one word file” och består helt enkelt av en samling med ord. Chatboten jämför användarens text och letar i ordsamlingen efter något ord som finns med.
Detta söksätt har jag uteslutit ur min modell. Metoden kan vara användbar för att göra en chatbot mer ”intelligent” och ger den möjlighet att oftare hitta något slags svar. Men dessa svar, baserade på endast ett ord ur det användaren skrivit, blir oftast
inte särkilt bra. Ur ett kundsupportperspektiv är det bättre om chatboten berättar för användaren att den inte förstår.
Jag har däremot integrerat funktionen på ett annat sätt i min modell, mer om detta senare.
Som framgår av El-agizy är inte tanken att alla dessa tre metoder alltid ska användas.
Utan det hela sker linjärt. När användaren skriver in en text och klickar på ”skicka knappen” sänds texten först till special search databasen, vilken ger de bästa svaren.
Om inget bra svar hittas där körs användarens text genom matrix databasen och ser om det där finns något svar. Hittas inget där heller skickas det till one word file och jämförs med de ord som den innehåller.
El-agizy har dock ytterligare en funktion för de fall när inget svar hittas. Då hämtas ett svar från en databas där chatboten berättar att den inte förstod det användaren skrev.
Det är här jag, i min modell, gjort en integrering av one word file. Som jag tidigare sa är det bättre att en chatboten som jobbar i kundsupporten säger till användaren att den inte förstår, än att den ger ett felaktigt svar. Dock skadar det inte att visa att chatboten ändå har hängt med på ett ungefär. Jag har därför tagit in en databas som används om chatboten inte förstår. I denna databas kan företaget skriva in ett antal ord och termer som vanligen förekommer i deras bransch. Då kan chatboten till exempel svara med
”Jag förstår att du undrar över *ordet*, men jag förstår inte riktigt frågan”. På detta sätt kan användaren få feedback av att chatboten eventuellt har förstått ungefär vad det handlar om.
Detta är grunderna som El-agizy beskriver för hur en chatbot fungerar, men han nämner även några andra funktioner som en chatbot kan ha för att ytterligare förbättra den. Ett exempel är ”Previous events engine”, som El-agizy beskriver som en motor som håller reda på vad användaren tidigare har sagt. Om användaren upprepar sig igen kan chatboten svara med ”jag sa tidigare att…”. På detta sätt verkar chatboten mer intelligent och ger ett lite mer mänskligt intryck.
Detta med ”previous events engine” är också något jag har inkluderat i min modell.
Jag tror att det är bra att chatboten kan känna av om en användare skriver in en fråga en gång till och då antingen ge ett annat svar (ifall användaren kanske inte förstått det första svaret) eller så kan chatboten svara med till exempel: ”Som jag tidigare sa…”.
På detta sätt får chatboten en mer mänsklig prägel och verkar inte så mekanisk.
El-agizy tar även upp vissa andra funktioner och idéer, men då dessa inte använts till min modell utesluter jag dem ur beskrivningen här.
4.1.2 In-domain och Out-of-domain
Ett problem med chatbotar är att databaserna som innehåller alla frågor och svar behöver vara väldigt omfattande om chatboten ska kunna konversera någorlunda flytande. Detta är ett ytterst tidskrävande jobb och det kan vara rörigt för företagen att hålla reda på allt som en chatbot bör kunna svara på.
Mori, Jatowt & Ishizuka (2003), beskriver detta problem och ett sätt att underlätta det. Mori et al utvecklar en embodied conversational agent och använder AIML
språket för att strukturera databaserna. De har valt att använda två uppsättningar av databaser till deras ECA. Den ena kallar de för ”In-Domain” och den andra ”Out-of- Domain”. Tanken är att In-Domain databasen innehåller allt som rör just ämnet som deras ECA ska kunna prata om (i detta fallet Einstein), medan Out-of-Domain databasen innehåller mer allmänna kunskaper som inte är kopplade till huvudämnet.
Mori et al ger ett exempel på hur en konversation kan se ut:
Agent : I would be glad to answer any questions you have.
User : Tell me more about Einstein’s marriage
Agent : Einstein was married twice, first to his classmate and then to his cousin.
User : His cousin?
Agent : His cousin’s name was Elsa. Would you like to see pictures related to his marriage?
User : Yes, please.
<Agent presents on Einstein’s marriage>
Agent : What else would you like to know?
User : This is boring, let’s talk about movies instead.
Agent : I’m not sure how that is of any relation to Einstein. Why don’t you ask me about his family instead?
User : No, why can’t we talk about movies?
Agent : Fine then, let’s talk about it User : So, do you know Tom Cruise?
Agent : Yes...<Conversation proceeds>
(Mori et al: 2003, s. 3)
Här framgår också hur deras ECA hela tiden försöker hålla sig inom sitt ämnesområde.
Men om användaren insisterar kan den prata om mer allmänna saker också. Mori et al påpekar dock att om deras ECA lämnar In-Domain databasen och pratar om generella saker (Out-of-domain), försöker den med jämna mellanrum föra tillbaks
konversationen till dess huvudområde.
Idéerna med In-Domain och Out-of-Domain databaser är något jag tagit in i min modell. Då jag tror detta kan underlätta avsevärt för företagens användande av chatbotar. På detta sätt skulle företagen som använder en chatbot enbart kunna ägna sig åt att fylla en In-Domain databas med all den kunskap som chatboten bör ha för att fungera som support. Sedan kan en förskriven Out-of-Domain databas följa med som innehåller den generella information som behövs för att chatboten ska bli mer naturtrogen.
Jag tror dock att själva Out-of-Domain databaserna inte bör låsas, utan vara öppna för företagen att ändra i. Till exempel skulle dessa databaser kunna vidarbefodra ändringar till utvecklarna. Då kan alla företag som använder chatbotarna gemensamt utöka Out- of-domain databaserna hela tiden och på så sätt skulle chatbotarnas allmänna
kunskaper öka avsevärt.
4.2 Resultat av företagsintervjun
Företagsintervjun gav inga nya delar att tillfoga till den modell jag utarbetat under litteraturstudierna. Men däremot fick jag en bra insyn i vilka olika delar som företaget ansåg extra viktiga för att arbetet med en chatbot skulle fungera bra.
En intressant sak som framkom var på frågan om de supportanställda kände sig
avlastade sedan företaget börjat använda en chatbot. Intervjupersonen ansåg inte att de direkt känt någon lättnad i sitt arbete men däremot använde de supportanställda själva chatboten i sitt arbete. Vilket innebär att de ändå får hjälp av den på ett sätt.
4.2.1 Viktiga funktionerna
Den fråga som tillförde mest till undersökningen var då intervjupersonen fick ta ställning till olika funktioner som en chatbot kan ha och ange hur viktiga dessa var.
Här framgick ganska tydligt vad intervjupersonen ansåg vara viktiga funktioner.
Mycket handlade om att administrationen och handhavandet av chatboten skulle fungera bra. Till exempel ansåg intervjupersonen det vara mycket viktigt att man enkelt kunde lägga in nya frågor och svar i databasen.
Det var också mycket viktigt att det fanns bra loggfunktioner. Detta innebär att konversationer mellan kund och chatbot sparas så de senare kan gås igenom för att se vad som behöver förbättras. Det skulle till exempel innebära att alla frågor som chatboten inte kunde svara på sparas så företaget lätt kan uppdatera sådana frågor med svar.
På detta sätt kan chatboten hela tiden utvecklas och bli bättre på att besvara olika frågor.
4.2.2 Mindre viktiga funktioner
Vissa funktioner ansåg intervjupersonen vara mindre viktiga eller inte viktiga alls för deras arbete. Till exempel ansåg intervjupersonen det inte vara viktigt att chatboten kunde ”småprata” med kunderna om allmänna saker som inte direkt var knutet till företaget. Det viktiga var att chatboten kunde svara på frågor om företaget.
Likaså ansågs det mindre viktigt att chatboten hade en grafisk representation (avatar) och att denna kunde röra sig och gestikulera. Det ansågs dock inte som helt oviktigt, till exempel när företagets chatbot öppnar nya hemsidor kan den visa med en gest att den öppnat ett nytt innehåll i webbläsarfönstret. Vissa sådana funktioner ansåg intervjupersonen att de kunde tillföra en del, men det hela ansågs ändå som mindre viktigt.
4.2.3 Framtida funktioner
En fråga handlade om vad intervjupersonen skulle vilja se att chatboten klarade av som den inte gjorde idag. Intervjupersonen skulle vilja se mer interaktivitet. Som ett
exempel nämndes en funktion där man kan be chatboten göra en uppgift som den sedan utförde. Detta skulle tillexempel kunna vara att man ber chatboten
sammanställa olika uppgifter, så som priser, som den sedan presenterar.
Här ansåg intervjupersonen att chatboten kunde gå utanför företagets område och söka information över hela webben för att hjälpa kunderna.
4.3 Resultat av första fokusgruppundersökningen
Den första fokusgruppundersökningen som genomfördes gav en bra bild av vad
användarna tyckte var viktiga funktioner hos en chatbot. Vid sammanställning av både företagsintervjun och fokusgruppundersökningen framkom att vissa tillägg behövd göras på modellen för att förbättra den.
Detta handlade om att det behövdes en funktion för att kunna kommunicera med
”omvärlden”, så som sökmotorer och andra webbsidor.
Det som framkom i övrigt handlade mer allmänt om vad som var viktigt hos en chatbot.
4.3.1 Fördelar med användande av chabot
Den främsta fördel som lyftes fram av deltagarna i fokusgruppen rörde att chatboten som kommunikationsform var betydligt mer personlig än till exempel sökfunktioner på ett företags hemsida.
Mycket av diskussionerna handlade om att det var viktigt att chatboten hade en personlighet då den gav ett intryck av att det verkligen fanns någon där som kunde hjälpa användarna med deras problem.
En funktion som deltagarna ansåg viktig var att chatboten kunde prata om lite generella saker, även sådant som inte rörde det företag som använde chatboten. Detta lyfte ytterligare den personliga prägeln och var en uppskattad funktion enligt
deltagarna.
Ytterligare en funktion som deltagarna ansåg som viktig var den så kallade ”avataren”.
Återigen anknöt deltagarna till att detta ökade personligheten. Speciellt vid den första kontakten med chatboten ansåg deltagarna att avataren var viktig. Här syftade
deltagarna på den första kontakten när de befann sig på webbsidan där chatboten fanns tillgänglig, alltså innan de hade börjat använda den. De tyckte det gav ett bra intryck att se att det fanns en ”person” som var tillgänglig om de behövde hjälp med något.
Deltagarna var även överens om att det var just i början som avataren var viktig, när de senare var mitt uppe i samtalet med chatboten ansåg de att de lade mindre och mindre märke till själva avataren. Istället fokuserade de mer på den text som chatboten skrev.
De tyckte dock att det var bra att avataren kunde göra gester och till exempel visa att chatboten öppnade en ny sida i webbläsarfönstret, genom att sträcka ut en hand åt det hållet.
Allmänt tyckte deltagarna att användandet av en chatbot fungerade bra och de flesta tyckte att de enkelt kunde hitta de svar de letade efter.
4.3.2 Problem med användande av chatbot
Vissa problem ansåg deltagarna att det fanns vid användandet av en chatbot. Vissa ansåg bland annat att det inte alltid fungerade att bara skriva in ett ord, så som de kunde göra med en sökmotor. Andra tyckte det var bra att kunna formulera sina frågor som meningar. Vissa sa sig dock ha kunnat skriva in enbart enstaka ord och få bra svar ändå.
Vissa deltagare tyckte inte om att chatboten öppnade nytt innehåll i webbläsaren, de ville själva ha mer kontroll över detta. Men här gick också åsikterna åt olika håll, då vissa av deltagarna lyfte fram detta som en fördel.
Ett problem som togs upp var att chatboten inte alltid hanterade följdfrågor på ett tillfredställande sätt. Den hade inte alltid koll på vad som samtalet för ögonblicket handlade om.
Deltagarna trodde ändå att de främst kommer använde invanda metoder vid
informationssök, så som sökmotorer och företags hemsidor istället för chatbotar. Detta trodde de grundade sig på att det var invanda sätt att söka information. Men om utvecklingen framskred och allt fler företag började använda chatbotar trodde de ändå att det kunde bli något som de i framtiden skulle använda sig av.
4.3.3 Framtida möjligheter
Det som deltagarna ville att chatbotarna skulle bli bättre på var främst själva
funktionaliteten i allmänhet. Att de bättre förstod det man skrev till dem, och att de hade mer allmänkunskap och större kunskapsbas.
Hanteringen av följdfrågor, som nämndes som ett problem, var också något som deltagarna ville se en förbättring av. De ville att chatboten bättre skulle minnas vad samtalet för tillfället handlade om och vad som sagts tidigare.
Deltagarna tyckte också att mer interaktion hade tillfört mycket. Så att chatboten kunde göra mer än enbart prata. En deltagare tyckte till exempel att chatbotarna borde ha ljud så att de kunde prata ”på riktigt”.
Även avataren borde förbättras tyckte deltagarna. De ville se att den kunde röra sig mer och ha fler funktioner än att bara vara en bild. Den borde kunna interagera mer i samtalet.
Funktioner som att kunna be en chatbot göra något efterfrågades också. Ett exempel som nämndes var att man borde kunna be chatboten skriva upp en på ett nyhetsbrev.
Deltagarna tyckte även att chatboten borde kunna interagera med andra webbtjänster.
Ett exempel som en av deltagarna tog upp var att om en användare ställde en fråga som chatboten inte hade koll på, borde den kunna tipsa användaren om ”en vän” till chatboten som hade bättre koll på det området. De ville helt enkelt att chatboten skulle kunna ”koppla in” en annan chatbot som jobbade med att annat område för att på detta sätt hjälpa användaren. Deltagarna tyckte att detta skulle öka den personliga prägeln om chatboten kunde visa att den var bekant med andra chatbotar.
Ett annat förslag som en deltagare hade var att chatboten skulle kunna prata väder.
Detta är ju något som svenskarna är rätt bra på. Så att chatboten till exempel skulle kunna säga ”God dag, fint väder idag va?”.
Men de främsta förbättringarna som behövdes för att de skulle kunna använda chatbotar på allvar var just att chatbotarna måste bli mer kunniga och bättre förstå följdfrågor.
4.4 Resultat av andra fokusgruppundersökningen
Den andra fokusgruppintervjun genomfördes ungefär en vecka efter den första. Men resultatet var väldigt likt det som den första fokusgruppen gav. Båda fokusgrupperna angav ungefär samma saker som problem samt hade liknande idéer om vad som kunde förbättras.
4.4.1 Fördelar med användande av chabot
De fördelar som lyftes fram handlade främst om att det var enkelt att använda en chatbot för att få reda på information. Deltagarna tyckte det var smidigt att kunna ställa precis de frågor som de var intresserade av istället för att leta runt på en hemsida och försöka hitta var ett ämne behandlades.
Personligt var också ett ord som återigen återkom. Användarna tyckte det blev mer personligt då de kunde ”prata” med en person istället för att bara läsa texter på en webbsida. Avataren ansågs också höja känslan av att detta var en personlig
kommunikationsform.
Att chatboten, genom avataren, kunde visa på vissa känslor tyckte deltagarna var en bra funktion. Detta gav feedback till användaren att chatboten var aktiv i
konversationen.
4.4.2 Problem med användande av chatbot
Dock tyckte deltagarna att vissa problem fanns som gjorde användandet krångligt.
Samtliga deltagare beskrev problemet som att chatboten var ”trög”. Med detta syftade främst deltagarna på att chatboten ibland kunde ställa en motfråga, som till exempel ”Menade du …”. Om deltagarna svarade ja på motfrågan så förstod inte chatboten vad de pratade om. De var istället tvungna att formulera en hel mening, till exempel ”Ja, jag ville veta mer om X”. Detta framhöll alla deltagare som en av de största bristerna.
Något som också diskuterades var hur chatboten skulle presenteras på webbsidan där den var verksam. Den chatbot som deltagarna testade öppnades i ett eget fönster, ett så kallat ”popup-fönster”, när de valde att de ville prata med chatboten. Vissa deltagare såg detta som ett störningsmoment, de hade hellre sett att chatboten hela tiden befann sig på en plats på webbsidan de besökte.
En av deltagarna trodde att det kunde vara problematiskt att använda sig av en chatbot om man inte var helt säker på vad man var ute efter. Visste man precis vad
man behövde fråga om så fungerade tekniken bra. Men om man mer var ute efter att leta lite information och kanske få tips om ny information så trodde deltagaren att chatbottekniken inte var helt optimal.
En annan sak som samtliga deltagare tyckte var irriterande var att just denna chatbot inte visade någon meddelandehistorik. Användaren kan alltså inte se sina gamla meddelanden, utan bara det han/hon senast skrev. Från andra chatprogram var deltagarna vana vid att alltid kunna se vad de (och personen de pratar med) skrivit tidigare.
4.4.3 Framtida möjligheter
Det främste som deltagarna tyckte behövde förbättras var just
”standardfunktionerna”, så att chatboten kunde konversera på ett bättre sätt och att de motfrågor chatboten ställde fungerar bättre.
De övriga förslagen på förbättringar var annars väldigt liknande som de deltagarna i den första fokusgruppen hade gett. Till exempel ville även deltagarna i denna andra fokusgruppen att chatboten borde kunna integreras med fler nuvarande webbtjänster.
Ett förslag var att kunna koppla chatboten till webbtjänsten www.pricerunner.se.
Detta är en tjänst för att jämföra priser på olika produkter och kunna få veta var man billigast kan köpa något. Deltagarna tyckte detta var en tjänst som även chatboten skulle kunna hjälpa till med.
Likaså efterfrågades mer interaktion vad det gällde avataren. Deltagarna tyckte idén med avataren var bra men att den kändes outvecklad. Ett förslag var att avataren, istället för att bara kunna göra miner och uttryck, skulle kunna röra sig mer fritt i
”rummet” (ytan där den visas). På detta sätt trodde deltagarna att dess funktionalitet skulle kunna utvecklas avsevärt.
Ett förslag var att chatboten kunde ha en mer central roll på hemsidan, så att den kunde vara det primära informationssökningsverktyget. Så istället för att först få sidan presenterade för sig, så kunde chatboten finnas där och kunde leda användaren rätt och hjälpa honom/henne.
Detta förslag var en idé på hur man skulle få människor att använda chatbotarna mer och upptäcka de fördelar som en chatbot ger. Även om ett krav då skulle vara att de utvecklas ytterligare så att de problem som finns hos dem elimineras till framtida chatbotar.
Deltagarna trodde inte, precis som de i första fokusgruppen, att de inom den närmaste framtiden skulle använda chatbotar i någon större utsträckning. De trodde att det invanda sättet med att leta efter information genom att navigera runt på webbsidor skulle gå först. Däremot var alla överens om att de skulle kunna tänka sig att vända sig till en chatbot om de inte hittade riktigt det de var ute efter.
5 Diskussion av modellen
Alla studier och undersökningar har lett fram till en modell av hur en chatbot bör utformas. Själva modellen kan se ganska komplex ut vid första anblick. Den kommer därför först presenteras i sin helhet och efter det kommer varje del i den förklaras.
Modellen är inte uppbyggd för att visa hur man programmerar en chatbot, utan visar istället upp de olika delarna som bör ingå. Fokus kommer att ligga på att visa vilka delar som är viktiga för att en chatbot ska fungera bra som kundsupport.
5.1 Input, Output och Log
”Input” och ”output” är de mest grundläggande delarna av en chatbots funktioner.
Input syftar till den text som användaren skriver in i till exempel ett textfält som finns på chatboten. Bredvid textfältet finns oftast en knapp som skickar meddelandet till chatboten för bearbetning.
Texten som skrivs in brukar vanligtvis bestå av någon form av fråga som användaren vill ställa till chatboten. Precis som om användaren chattade med en verklig person.
Efter att texten bearbetats och chatboten har hittat någon form av svar så skickas svaret till output. Vilket kan bestå av ett konversationsfönster där användaren kan se både vad han/hon själv har skrivit och även det svar som chatboten gett på
användarens texter.
Svaret som ges kommer ut i sådan form att det skulle ha kunnat vara en människa som skrivit det. Det handlar alltså inte om några sökresultat eller liknande, utan meningar uppbyggda så att de ger ett bra uppbyggt svar på frågan.
Innan chatbotens svar skickas till output skickas det även till funktionen som jag kallar
”Log”. Där sparas allt som skrivs mellan användare och chatbot. Det handlar alltså inte bara om chatbotens svar utan även den fråga som användaren ställde sparas i loggen.
Som framkom av intervjun med företaget som använder sig av en chatbot så är detta en mycket viktig funktion. Då företagen som använder chatbotar kan gå in och se tidigare konversationer så kan de enkelt se vilka förbättringar som bör göras på chatboten. Bland annat skulle företaget kunna få fram alla frågor som ställts som chatboten inte hade något svar på. Om företaget anser frågorna som viktiga kan de enkelt lägga till bra svar i chatbotens databaser.
5.2 Filtersearch och previous events search
Det första som händer när användaren har skickat iväg sin fråga är att funktionen
”filter search” körs. Denna funktion har som syfte att granska det användaren skrivit för att se att det är godkänt innan frågan skickas vidare till nästa funktion. Ett exempel när filter search skulle säga ifrån är om användaren skulle råka skicka iväg ett
meddelande utan någon text. Användaren kanske råkar klicka på knappen som skickar meddelandet utan att ha skrivit någonting. Då är det ganska meningslöst att chatboten försöker hitta ett svar om det som skickas inte innehåller någon text.
Om ingen text finns kan chatboten antingen ställas in på att inte göra något alls eller alternativt skulle den kunna upplysa användaren om att han/hon måste skriva något.
Om fallet är sådant att användaren skickar ett tomt meddelande går inte chatboten vidare till nästa funktion utan skickar vidare ett meddelande till output att ingen text fanns. Detta illustreras i modellen med pilen till höger från ”Filter search” med texten
”input error”.
Om användarens meddelande däremot innehåller text så skickas meddelandet vidare, vilket visas i modellen av linjen under ”filter search” med texten ”Not found”. Vilket helt enkelt betyder att något fel inte hittades, allt verkar vara i sin ordning.
Nästa funktion som startas är ”Previous events search”. Denna funktion har som avsikt att jämföra det användaren skriver med sådant som han/hon tidigare har skrivit.
Detta görs genom att anropa loggen och se om det är samma saker som skrivs. Detta illustreras i modellen med de blåa linjerna mellan ”Previous events search” och ”Log”.
Tanken med denna funktion rör egentligen att chatboten inte ska bli för mekanisk och omänsklig. Om två personer, person A och person B, pratar med varandra och person A ställer samma fråga om och om igen skulle nog inte person B hela tiden besvara den frågan med samma svar. Det skulle bli väldigt märkligt. Mest troligt är kanske att person B undrar vad person A egentligen sysslar med.
Därför är det bra om även chatboten märker när en användare skriver samma fråga flera gånger. Dock får inte chatboten bli ohövlig eller fråga användaren om han/hon har svårt att fatta. Utan det hela måste lösas på ett bättre sätt.
Ett sätt att lösa detta på är att chatboten kan svarar med ”Som jag tidigare sa…” och sedan lägger in det gamla meddelandet igen. Men helt optimalt blir ändå inte denna
lösning. Det kan ju vara så att svaret som chatboten ger inte är helt klart formulerat så att användaren helt enkelt inte förstår det. Därför är det bra om chatboten i sin databas har ett antal olika svar att ge på varje fråga. Självklart ska alla svarsalternativ ge svar på frågan som ställs, men de kanske kan vara lite annorlunda formulerade.
Även om chatboten har ett antal svar att välja mellan till varje fråga så kommer de ju ta slut så småningom om användaren envisas med att upprepa sig. Om så är fallet kan chatboten, efter att den gett lite olika svar, övergå till att svara med just ”Som jag tidigare sa…”.
Detta blir troligen den bästa lösningen, då upprepar inte chatboten sig med samma svar hela tiden utan kan förklara saker på olika sätt och om svaren tar slut så visar chatboten ändå att den förstår att användaren upprepar sig gång på gång.
Om chatboten märker att användaren upprepar sig så skickar den tillbaks ett
omformulerat svar på fråga eller lägger till ”Som jag sa…” och därefter skickas det till
”Output” som illustreras med linjen till höger om ” Previous events search” med texten ”Found”. Vilket innebär att chatboten hittat en upprepning.
Märk väl att alla svar chatboten hittar, även om det är upprepningar, också skickas till
”Log” funktionen. Då detta kan vara intressant för företaget att se. Då kan de till exempel upptäcka dåligt formulerad svar på vissa frågor och göra om dessa så de blir mer lättförstådda.
Själva funktionen ”previous events search” söker alltså egentligen inte efter nya svar utan kan mer ses som ytterligare en filterfunktion innan den ”verkliga” sökningen efter ett svar på frågan börjar.
Om ingen upprepning hittas i användarens meddelande skickas det vidare till nästa funktion, detta illustreras med linjen som går nedåt och texten ”Not found”.
Chatboten hittade alltså ingen upprepning.
5.3 In-domain search
Det är nu den egentliga sökningen efter ett svar på användarens meddelande startar.
Jag har valt att beskära modellen i överkant för att lämna lite plats och för att kunna fokusera på de nya funktionerna som presenteras. Gå tillbaka till bilden på hela modellen för att få en helhetsbild.
De två funktionerna som följer nu är det som Mori, Jatowt & Ishizuka (2003) kallade för ”In-domain” databaser. Jag har valt att använda mig av samma namn då de bra beskriver funktionen.
Den funktion som kommer först är ”In-domain Phrase search” och är kopplad till en databas med frågor och svar. Här har jag illustrerat detta med att göra en koppling till rutan på vänster sida som heter ”inDomain_PhraseXML.xml”. Namnet låter kanske mer krångligt än det borde, men syftar på att sökfunktionen ”In-domain Phrase search” använder sig av en xml-fil. Denna fil fungerar ungefär som en databas. En xml-fil är egentligen bara ett text dokument som är strukturerat på ett visst sätt. Det används vanligen i webbapplikationer och på webbsidor. Detta dokument skulle kunna se ut på följande sätt:
<query>
<question>hur står det till</question>
<answer>Jotack, det är bara bra!</answer>
<answer>Helt okej faktiskt!</answer>
</query>
Om man förenklar detta kan man se det som att <query> visar att här börjar en kategori som innehåller frågor samt svaren på dessa frågor. </query> visar att här slutar kategorin. Man kan se det som att de olika svaren och frågorna ligger fördelade i mappar som heter ”query”. Varje sådan mapp innehåller en fråga som användaren kan tänkas ställa och under frågan finns ett eller flera svarsalternativ som chatboten kan svara med.
