Desarrollo de un chatbot como apoyo a la experiencia del cliente en un hotel en Colombia
Juan Felipe Garcia Carreño
Universidad de los Andes Facultad de Ingeniería
Departamento de Ingeniería de Sistemas y Computación Bogotá, Colombia
2022
Desarrollo de un chatbot como apoyo a la experiencia del cliente en un hotel en Colombia
Juan Felipe Garcia Carreño
Proyecto de Grado
Asesora:
Silvia Takahashi Rodriguez, Ph. D.
Profesora Asosiada
Departamento de Ingeniería de Sistemas y Computación Universidad de los Andes
Bogotá, Colombia
Resumen
Adoptar la tecnología en una industria es un proceso que puede entregar ventajas competitivas y tener repercusión directa en las utilidades generadas de un hotel. Por esta razón la industria de la hospitalidad debería de mantenerse en la vanguardia. Dentro de esta industria la columna vertebral es lo que hoy se conoce como experiencia del cliente, ya que un huésped puede dejar de volver a un negocio a partir de la calidad del servicio recibido al interactuar con el personal de atención al usuario. La problemática principal en esta área recae en los tiempos de respuesta a las solicitudes sobre los servicios, la disponibilidad, y las tarifas, ya que el acceso a la tecnología ha reducido el tiempo de espera promedio para la respuesta a una petición sobre información.
De igual forma se aumentó la expectativa sobre el acceso fácil a la información y la efectividad en el servicio. Un chatbot es una herramienta que bien utilizada puede tanto disminuir tiempos de respuesta como aumentar las reservas en un establecimiento de alojamiento. Debido a que en Colombia existe una ausencia del uso común de dicha herramienta, se realiza un estudio sobre las repercusiones de su uso. Este documento describe el desarrollo de un asistente llamado Alfred con la tecnología de IBM Watson Assitant, que utiliza un modelo de AIML que se encarga de procesar el lenguaje natural para entender las solicitudes de los usuarios, y se retroalimenta así mismo cuando este no es capaz de comprender las mismas. El asistente se evalúa directamente comparándolo con la interacción de humano a humano que ha tenido el hotel con sus huéspedes. Como resultado se encuentra que en más de un 80% de los casos el asistente es capaz de dar respuesta a las peticiones aligerando así la carga del área de servicio y atención al cliente.
Palabras clave
Hotel, asistente virtual, concierge virtual, AIML, PLN, Chatbot
1. Introducción
Contar con un Chatbot que se encargue de atender solicitudes para el área de servicio al cliente (e-commerce, reservaciones, soporte, entre otros) representa un salto hacia adelante en la industria de la hospitalidad [9]. Ya que su uso afecta directamente la experiencia del cliente y la rentabilidad de la compañía. Generalmente se les reconoce por su habilidad para comprender y procesar las solicitudes de los clientes, donde los más comunes reaccionan a partir de respuestas preprogramadas (reconocibles por el bot) que se le dan al usuario/cliente sin la necesidad de que una persona física esté pendiente del proceso. Este tipo de respuestas automatizadas permiten optimizar y responder en menos tiempo las solicitudes de los usuarios. Y existen infinidad de herramientas para comprender el lenguaje y dar respuesta o buscar la respuesta a la petición generada. Durante el desarrollo de este proyecto se implementó el asistente de IBM Watson como el concierge de un hotel (o quien atiende solicitudes diferentes a alojamiento y tarifas) y se le
entrenó para ofrecer información sobre los servicios, horarios y recomendaciones. Luego se realizaron pruebas para entender cuáles eran las preguntas más realizadas y que el bot no lograba responder. A partir de las pruebas se procedió a optimizarlo y permitirle entender errores en ortografía, gramática, y redacción. Finalmente se presentan posibles opciones para trabajo futuro donde el bot pueda responder correctamente aún más peticiones y dar información sobre el motor de reservas, además de conectarlo a los diferentes canales de comunicación del hotel como lo son Facebook Messenger, WhatsApp, Instagram y teléfono celular.
El documento se organiza de la siguiente manera: 1. Introducción, 2. Marco teórico y contexto, 3.
Metodología y desarrollo, 4. Resultados y Análisis, y 5. Conclusiones y alcance.
2. Marco Teórico y contexto
Los asistentes utilizan diferentes herramientas de AI (ej. Redes neuronales, modelos de PLN, bibliotecas, y más) para comprender solicitudes, y por medio de APIs pueden ser embebidos en servicios de mensajería instantánea (como Facebook Messenger, Instagram, Whatsapp, y páginas web) y resolver problemas de autenticación [1][2]. Es importante tener en cuenta que este tipo de implementación pueden tener complejidades diferentes, desde la más baja (ej. Un saludo y una solicitud de espera para ser contactado con un asesor/a humano o FAQ) hasta realizar interacciones completas para verificar identidad, hacer transacciones y buscar en la web.
En el mercado existen pocos ejemplos de asistentes virtuales para la industria hotelera. Uno de ellos es el chatbot de Asksuite, una compañía de comunicación multicanal especializada, y el objetivo de su bot es incrementar las reservas directas. Esta herramienta ya se encuentra integrada con los motores de reserva e incluso está entrenada para sugerir fechas teniendo en cuenta ofertas, lo utilizan desde hoteles boutique de un solo dueño a grandes cadenas. En contraste, la competencia en Indonesia utiliza Bershca, un chatbot implementado con librerías de Python, front-end Google Flutter y el algoritmo de PLN Nazief-Adriani para entender a los usuarios [9]. El algoritmo utiliza tokenización y stemming para realizar el reconocimiento de las palabras clave en las frases dentro de las conversaciones. Cabe agregar que este bot fue estudiado con diferentes grupos etarios y arrojó un promedio de un 85.7% de mejora en la productividad, el desempeño, la percepción de facilitar el trabajo, usabilidad y efectividad. Aun así, teniendo en cuenta que dicha estrategia es muy sensible al uso de lenguaje coloquial [9].
Se debe resaltar que la información disponible en línea sobre temas de turismo y hospitalidad no siempre es fácil de navegar, por lo que la curva de aprendizaje suave de los chatbots es una forma eficiente de mejorar la experiencia en el servicio.[3]. Por otra parte, cuando una solicitud no sea entendida o se desee asesoría de una persona se tendrá esta opción disponible para contactarse con una. Otra ventaja con la que se cuenta tiene que ver con la constante retroalimentación que se le puede dar al asistente para responder las solicitudes donde se intervención humana [4] (Fig 1).
Fig. 1 Así gestiona el bot las solicitudes y decide si puede responder de manera adecuada o remitir a un asesor.
Fig. 2 Diagrama de estado mostrando transiciones importantes al abrir una conversación.
Aunque los chatbots sean una herramienta excelente de apoyo, no son perfectos. Una de las desventajas principales es su poco entendimiento del contexto dentro de una conversación, o el que, al no tener suficiente entrenamiento no puedan reconocer errores comunes que cometen las personas al escribir por un canal digital. También otra problemática para tener en cuenta es la dificultad para comprender preguntas de seguimiento [5].
IBM Watson
Watson es un sistema computacional que utiliza inteligencia artificial, tecnología de computación cognitiva, big data, computación en la nube e inteligencia web [6]. Que se presenta como una máquina de preguntas y respuestas que utiliza PLN para responder solicitudes en poco tiempo [7]. DeepQA es el nombre del sistema utilizado por Watson para responder a las preguntas (por lo menos hasta la versión de 2020), sin discriminar si la información se encuentra estructurada o no, revisa texto, imágenes, video, y categoriza las preguntas por medio de puntajes para definir la más adecuada. Se decidió utilizar Watson teniendo en cuenta características como usabilidad, mantenibilidad, portabilidad, y la eficiencia en el entrenamiento.
Antes de 2021, el asistente de Watson utilizaba intenciones, entidades y diálogo para encontrar significado y relación dentro de la conversación con una persona (siendo la última la opción más
completa para tener control sobre el flujo lógico y los datos de entrenamiento). No obstante, su última actualización ha cambiado la sintaxis de la clasificación. Ahora su principal categoría son las acciones; estas se pueden programar para que responda a interacciones generadas por el humano al otro lado. Por ejemplo, puede crearse una acción que responda a saludos, y el bot se entrena con ejemplos diferentes como: “Buenas tardes”, “hola, como va?”, entre otros. Para que así cuando se le escribe: “Hola”, el pueda responder con respuestas preprogramadas.
3. Metodología y desarrollo
Para efectos prácticos de este proyecto se propuso una implementación básica utilizando el asistente Watson de IBM, el cual puede ser entrenado con las diferentes variaciones de lo que podría pedir un cliente (una recomendación, resolver una duda sobre los servicios, o crear una reservación) emulando un agente de experiencia del cliente. En este caso, el asistente, al cual se llamó Alfred, tiene conocimiento sobre todos los servicios del hotel, horarios, información útil como ubicación, recomendaciones de restaurantes y/o servicios de terceros.
En ese orden de ideas se preparó el bot para responder consultas sobre servicios, sugerencias, y horarios (Fig 2). Aún no tiene acceso a un motor de reservas o una base de datos para entregar información sobre disponibilidad, reservas y tarifas.
Con la intención de construir una herramienta que permitiera mejorar la experiencia del cliente y aligerar la carga que recibe el personal de front desk, se construyó un asistente virtual que haga las labores de un conserje (o concierge, es la persona encargada de personalizar la atención en los hoteles, dentro de sus tareas es recomendar lugares, tours, reservar en restaurantes, y brindar una atención especial a los huéspedes) además de comunicar información útil como horarios, servicios, tarifas, y disponibilidad.
Subyace en el párrafo anterior una explicación general de lo que se esperaba obtener con el proyecto. No obstante, es imperativo establecer qué características tiene cada uno de los estados esperados en los que se podía entregar el desarrollo del asistente y su implementación:
Pre-alfa: Un asistente creado que comprende solicitudes básicas y provee recomendaciones, horarios, e información de interés.
Alfa: Un asistente virtual que ha sido probado y optimizado para entender las solicitudes, es capaz de saltar entre “acciones” diferentes, puede discernir de forma específica la información y puede guiar al huésped en su uso.
Beta: Un conserje virtual capacitado para realizar reservaciones, chequear disponibilidad, pasar la conversación a un asesor de experiencia del cliente, generar cotizaciones, y brindar una atención satisfactoria al cliente sin la necesidad de la intervención de un humano.
De esta forma, para efectos del proyecto se entrega al asistente en estado Alfa y con entrenamiento basado en la retroalimentación obtenida por las pruebas.
Por otra parte, se realizaron diferentes tipos de pruebas:
1. Al personal de recepción, ventas y experiencia del cliente. Para probarlo con alguien que conociera muy bien qué tipo de preguntas hacen los huéspedes.
2. A huéspedes actuales y a prospectos de venta. Con la intención de encontrar más datos para retroalimentar a Alfred.
3. Pruebas de control. Preguntas diseñadas para que el asistente brinde una respuesta preprogramada y otras (que no tienen respuesta) para que falle que permiten optimizar el proceso de fallback (respaldo).
4. Resultados y Análisis
Por medio de la interfaz de Watson Cloud de IBM se tomaron los datos y las estadísticas de las pruebas. Allí, más del 75% de las solicitudes fueron respondidas, estas concernientes a los servicios del hotel, su ubicación, fotografías, entre otros. Las acciones que menos se completaron eran sobre tarifas, reservas y disponibilidad. Una de las funciones que no permite la versión Lite de Watson es la de búsqueda, esta se activa cuando no se encuentra lo que la persona solicita y procede a buscarlo en internet, así como los asistentes comunes como Alexa, Siri, y Google Assitant.
En las siguientes figuras (Fig. 3-6) se puede presenciar el desarrollo de diferentes conversaciones con el bot, donde el mismo permite conectarse con un asesor de experiencia del cliente, dar información sobre la página del hotel (teniendo en cuenta la reacción de respaldo para cuando no entiende una pregunta), y dar la opción al cliente escoger los servicios en los que desea ahondar.
Fig. 3 Conversación con petición de hablar con un asesor.
Fig. 4 Muestra cómo responde el asistente cuando no puede conectarse al motor de reservas del hotel.
Fig. 5 Muestra
como un
cliente pide ahondar en un servicio del cual no se tiene una respuesta programada.
Fig. 7 Muestra como el modelo de PLN maneja un error de gramática cuando no está entrenado con retroalimentación.
Fig. 6 Muestra la respuesta del bot a una pregunta con lenguaje coloquial.
Es importante resaltar que en la Fig. 5 esta versión del asistente no es lo suficientemente robusta (ya que no cuenta con la sección de diálogos como la anterior) para entender un error de gramática muy común en las personas que escriben desde un dispositivo móvil. Dicho problema se resolvió dando más ejemplos de tipos en la sección de entrenamiento de la acción de Ubicación. Consiguientemente en la Fig. 7 puede verse como Alfred responde a una pregunta sobre la ubicación con errores ortográficos y gramaticales después de haber sido entrenado con la retroalimentación obtenida.
De la misma forma la herramienta de IBM Watson en la versión Lite solo permite hacer mediciones de la tasa de respuesta y demás datos durante una semana, lo que acotó el alcance del estudio.
Por ello, en el momento de conectar a Alfred con Facebook Messenger la recopilación de datos útiles para análisis fue limitada y se procedió a utilizar el enlace de prueba que ofrece la plataforma.
Nuevamente es importante resaltar que para este método de desarrollo de asistentes virtuales enfocar el entrenamiento del modelo de PLN en errores de gramática, ortografía, y el uso de la jerga común para aumentar su tasa de respuesta exitosa.
5. Conclusiones y Alcance
Con este proyecto se pudo evidenciar que el impacto de la implementación y el uso de un chatbot en la industria de la hospitalidad tiene afectación inmediata sobre la percepción de la experiencia del cliente [9], ya que no solamente permite responder con mayor prontitud a las solicitudes, sino que aligera la carga en el área operativa y los colaboradores pueden enfocarse más en labores comerciales [1]. Además, con una cantidad no muy alta de pruebas es posible llevar al asistente a un punto donde la mayor parte de las solicitudes de los clientes o prospectos son respondidas.
No obstante, el desarrollo de asistentes virtuales mucho más robustos implica inversiones más altas para los negocios. Hasta ahora se propone embeber el asistente a la página web e integrarlo con el motor de reservas, dando así cada vez más la opción de no utilizar recurso humano para atender la mayor cantidad de solicitudes, como se usa en los modelos de auto-checkin. De igual manera se hace hincapié en la importancia de entrenar muy bien al bot en la forma de escribir de una persona por chat, debido a que los fallos en responder a peticiones con errores y coloquialismos son notorios con los back-end usados en la actualidad. También es importante evaluar si los asistentes pudieran pasar una prueba de Turing.
Agradecimientos
A la marca MG Hotels & Suites by DOT Urban por dejarnos utilizar sus bases de datos de clientes, servicios y recurso humano.
Bibliografía
[1] L. C. Klopfenstein, S. Delpriori, S. Malatini, and A. Bogliolo, “The rise of bots: A survey of conversational interfaces, patterns, and paradigms,” in Proceedings of the 2017 Conference on Designing Interactive Systems. ACM, 2017, pp. 555–565.
[2] G. Mesnil, Y. Dauphin, K. Yao, Y. Bengio, L. Deng, D. HakkaniTur, X. He, L. Heck, G. Tur, D. Yu et al.,
“Using recurrent neural networks for slot filling in spoken language understanding,” IEEE/ACM Transactions on Audio, Speech, and Language Processing, vol. 23, no. 3, pp. 530–539, 2015.
[3] Li, Bai et al. (2019). Real-world Conversational AI for Hotel Bookings. University of Toronto.
[4] Lally, A., Bachi, S., Barborak, M. A., Buchanan, D. W., Chu-Carroll, J., Ferrucci, D. A., ... & Patwardhan, S. (2014). WatsonPaths: scenario-based question answering and inference over unstructured
information. Yorktown Heights: IBM Research. Recuperado el 21 de noviembre de 2021.
[5] Vilsteren, Stijn, et al. (2017). The Self-Learning IBM Watson Chatbot. Leiden University [6] "FAQs." IBM - DeepQA Project: FAQs. Recuperado el 21 de noviembre de 2021 de:
https://www.research.ibm.com/deepqa/faq.shtml#22
[7] Kelly III, J., & Hamm, S. (2013). Smart Machines: IBM’s Watson and the Era of Cognitive Computing.
Columbia University Press. Recuperado el 21 de noviembre de 2021.
[8] G. Lample, M. Ballesteros, S. Subramanian, K. Kawakami, and C. Dyer, “Neural architectures for named entity recognition,” in Proceedings of NAACL-HLT, 2016, pp. 260–270.
[9] Gunawan, D, et al. (2020). Bershca: Bringing chatbot into hotel industry in Indonesia. Department of Informatics and Department of Electrical Engineering, Universitas Multimedia Nusantara, Indonesia.
[10] Revfine. (2021). 10 reasons why every hotel needs a hotel chatbot. Recuperado el 10 de diciembre de 2021 de: https://www.revfine.com/hotel-
chatbot/#:~:text=A%20hotel%20chatbot%20is%20a%20form%20of%20digital,have%20with%20a%20r eal%20employee%2C%20usually%20through%20text.
[11] Asksuite. (2021). Increase direct bookings with our hotel customer service platform. Recuperado el 10 de diciembre de 2021 de: https://asksuite.com/chatbot-plataform/
[12] Bilgihan A., Smith S., Ricci P., Bujisic M., “Hotel guest preferences of in-room technology amenities,”
Journal of Hospitality and Tourism Technology, vol. 7, no. 2, pp. 118–134, 2016.
[13] Davis F. D., “Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information
Technology,” Management Information Systems Research Center, University of Minnesota, vol. 13, no. 3, pp. 319-340, September 1989.
[14] Sangroya A., Saini P., Anantaram C., “Chatbot as an Intermediary between a Customer and the Customer Care Ecosystem,” MEDES '17: Proceedings of the 9th International Conference on Management of Digital EcoSystems, pp. 128–133, 2017. [Online]. Available:
http://dl.acm.org/citation.cfm?doid=3167020.3167040
