Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Facebook Chatbot-Entwicklung in der Praxis: Einblicke in den Chatbot von dm-drogerie Markt

1,431 views

Published on

Vortag von Valentina Volz, Philipp Neumayer und Gert Zellentin auf der AllFacebook Marketing Conference 2017 in Berlin.

Details: https://conference.allfacebook.de/session/dm-messenger-bot/

Published in: Marketing
  • Be the first to comment

Facebook Chatbot-Entwicklung in der Praxis: Einblicke in den Chatbot von dm-drogerie Markt

  1. 1. Facebook Chatbot- Entwicklung in der Praxis: Einblicke in den Chatbot von dm-drogerie Markt
  2. 2. Anbieten statt Locken und Verführen Beratung und Service Freundlich, sympathisch & offene Kommunikation Mensch vs. Maschine Konflikt der Unternehmensphilosophie
  3. 3. Ziele unseres Testcases • Potentiale Messenger Bots frühzeitig nutzen und daraus lernen • Kontaktangebot im Alltag der Kunden • Entlastung des ServiceCenters
  4. 4. Ein Chatbot namens Bo Reduktion auf 2 wesentliche Funktionen Infos über Limited Editions Beantwortung der häufigsten Nutzerfragen Es muss nicht von Anfang an perfekt, aber verfügbar und funktional sein!
  5. 5. Behind the scenes Die Mechanik von Chatbots
  6. 6. Wie man in 15 Minuten einen funktionierenden Chatbot baut Not. Wer es dennoch will: https://chatbotsmagazine.com/have-15-minutes-create-your- own-facebook-messenger-bot-481a7db54892
  7. 7. Wie funktioniert ein Chatbot?
  8. 8. Verstehen von Eingaben und Erzeugen von Ausgaben
  9. 9. Verstehen von Eingaben
  10. 10. Verstehen von Eingaben - Keyworderkennung Ich suche ein Shampoo gegen Schuppen mit Citrusduft für max. 2€ Shampoo: Produktkategorie Ich suche ein Shampoo gegen Schuppen mit Citrusduft für max. 2€ Shampoo: Produktkategorie Citrusduft: Stemming von „Zitrusduft“ Gegen Schuppen: Alias von „Anti-Schuppen“  2 Produktattribute/Suchparameter 2€: Zahl + Währungszeichen: Preis max.: Begrenzer „maximal“  Parameter „Preis bis“
  11. 11. Problemfall: Keine Keywords Ich suche so ein Haarwaschgedöns für fast umme ???
  12. 12. Problemfall Alles klar, was soll es denn für ein Shampoo sein? Hast Du eine Lieblings-Marke? Egal, nur nix von duschdas Ich habe 245 duschdas-Produkte gefunden…
  13. 13. Problemfall Ich habe Dich nicht verstanden. Vielleicht kannst Du Deine Frage noch mal anders formulieren? Rede nicht um den heißen Brei… Du kannst offensichtlich gar nix! Ich habe 35 Produkte in der Kategorie „Brei“ gefunden…
  14. 14. Grundproblem bei rein keywordbasierten Ansätzen Wo finde ich Duschgel? Was habt ihr für Duschgel? Wird Euer Duschgel an Tieren getestet? Was empfehlt ihr: Duschgel oder Seife? Was ist in eurem Duschgel? Frage nach Sortiment Frage nach Standort (Filiale) bzw. zur Kategorisierung (Online-Shop) Frage nach Produkteigenschaften/Inhaltsstoffen Frage zur Herstellung Beratungsfrage
  15. 15. 1. Was ist die Absicht der Eingabe (intend)? 2. Welche Informationen werden bei dieser Anfrage mit übermittelt (values)?
  16. 16. Natural Language Processing 1. automatisierte Zusammenfassung: Die Programme müssen große Texte automatisiert auf das Wesentliche reduzieren können. 2. Wortbeziehungen innerhalb von Sätzen: Hier ist von NLP gefordert, dass es erkennt, welche Satzbestandteile zueinander in Beziehung stehen. 3. Diskursanalyse: NLP-Software muss in der Lage sein, das Register eines Textes (gehoben, umgangssprachlich) zu erkennen. Ebenso muss das Programm erkennen, um welche Textsorte es sich handelt (Einkaufszettel, Rechnung, Aufforderung). 4. maschinelle Übersetzung: Auf NLP basierte Programme müssen die menschliche Sprache in eine andere menschliche Sprache übersetzen können und dabei Grammatik, Semantik und andere linguistische Teilbereiche beherrschen. 5. morphologische Segmentierung: Hierunter wird das Zerlegen eines Wortes in seine Einzelbestandteile gefasst. 6. NER (Named Entity Recognition) : Ein NLP-Programm muss erkennen, ob ein Text Eigennamen für Orte, Personen oder Organisationen enthält und es muss diese auch zuordnen können. Für die Textausgabe muss das Programm demnach auch bei westlichen Sprachen wissen, ob die betreffenden Wörter großgeschrieben werden. 7. Umwandlung in menschliche Sprache: Digital hinterlegte Wörter werden in menschliche Sprache übertragen. 8. Verstehen menschlicher Sprache 9. Optical character recognition (OCR) : Dabei handelt es sich um eine Bilderkennung, die Bilder in Text umwandeln kann, wie es heute schon einige Scanner können. 10. Erkennung von Gefühlen 11. Erkennen von gesprochener Sprache 12. Erkennen von Stilformen wie Ironie 13. Erkennen von Wortbedeutungen: Klanglich kann „buchen“ sowohl die Aktion eines Ticketkaufs beinhalten als auch die Mehrzahl des Baumes „Buche“.
  17. 17. http://nlp.stanford.edu:8080/corenlp/process
  18. 18. Überlasst das den Computerlinguisten. Nutzt eine API!
  19. 19. Machine Learning
  20. 20. Maschinelles Lernen ist ein Oberbegriff für die „künstliche“ Generierung von Wissen aus Erfahrung. Wikipedia zu Maschinellem Lernen
  21. 21. Machine Learning: Modelle • Models - was gibt es für Datentypen (z.B. Produkte) • Intents - was will der User (z.B. ein Produkt kaufen) • Labels - Welche Attribute sind für dieses Intent wichtig (z.B. Marke, Preis, etc.) • Patterns - Welche Usereingaben signalisieren einen bestimmten Datentyp (ein Preis ist eine Zahl mit Währungszeichen)? • Context - in welchem Kontext spricht der User zum Bot • Sentiment - ist die Usereingabe positiv oder negativ konnotiert?
  22. 22. https://wit.ai
  23. 23. Auch hier: Erfindet das Rad nicht neu! Ein paar schlaue Leute haben sich dazu bereits Gedanken gemacht.
  24. 24. Machine Learning funktioniert nur mit (Trainings-)daten. Keine Daten, keine (sinnvollen) Antworten. aka. keine-Arme-keine-Kekse-Regel
  25. 25. Erzeugen von Ausgaben
  26. 26. REGELBASIERT oder GENERISCH PER „KÜNSTLICHER INTELLIGENZ“ Retrieval-based vs. Generative models
  27. 27. Wenn User A sagt, sage ich B (Regelbasiert)
  28. 28. Auf Eingabe A halte ich die Antwort B für die wahrscheinlichst sinnvolle (generisch / Machine Learning & Predictions)
  29. 29. Gesprächskontext unmöglich Künstliche Intelligenz (verdammt schwierig) Regelbasiert (einfach) Smart Machine (schwierig) regelbasiert generisch Open Domain (Allgemein) Closed Domain (Spezialgebiet) einfach schwer
  30. 30. Gesprächskontext unmöglich Künstliche Intelligenz (verdammt schwierig) Regelbasiert (einfach) Smart Machine (schwierig) regelbasiert generisch Open Domain (Allgemein) Closed Domain (Spezialgebiet) dm Chatbot
  31. 31. Skill Gesprächskontext unmöglich Künstliche Intelligenz (verdammt schwierig) Regelbasiert (einfach) Smart Machine (schwierig) regelbasiert generisch Open Domain (Allgemein) Closed Domain (Spezialgebiet)
  32. 32. Skill 1 Gesprächskontext unmöglich Künstliche Intelligenz (verdammt schwierig) Regelbasiert (einfach) Smart Machine (schwierig) Open Domain (Allgemein) Closed Domain (Spezialgebiet) Skill 2 Regelbasiert (einfach) Smart Machine (schwierig) Skill 3 Regelbasiert (einfach)
  33. 33. Skill 1 Gesprächskontext unmöglich Künstliche Intelligenz (verdammt schwierig) Open Domain (Allgemein) Closed Domain (Spezialgebiet) Skill 2 Skill 3 simuliert Skill 4 Skill 5 Skill 6 Skill 7 Skill 8
  34. 34. Faustregeln Regelbasierte Bots sind zunächst einfacher und kontrollierbarer. Je weiter der Einsatzzweck, desto mehr Regeln. Zu viele Regeln: Kontrollverlust. Hybride Modelle (regelbasiert und generisch) sind denkbar und sinnvoll.
  35. 35. Der Butterfly-Effect Alexa, spiele „White Noize“ Ich spiele einen zufälligen Titel von „White Noise“ Nein, das von „Bonaparte“ Ich spiele zufälligen Titel von „Bonaparte“ aus Ihrer Musikbibliothek Spielt experimentelle elektronische Musik, NICHT den Titel „White Noize“ von Bonaparte Spielt „Fuck your Accent“ von Bonaparte
  36. 36. Wie konzipiert man einen Chatbot?
  37. 37. Gespräche führen
  38. 38. Freie Gespräche Hallo, wie kann ich Dir helfen? Ich suche was zu trinken Gerne, was darf es denn sein? Weiß nicht so recht… Vielleicht ein Kaffee? Ne, lieber was kaltes. …
  39. 39. Menschen brauchen (Gesprächs-)führung LESSON LEARNED #1
  40. 40. Gespräche führen
  41. 41. Tree Flow Für welche Kategorie interessierst Du Dich? Nahrungsmittel Gerne, was darf es denn sein? Getränke Welche Art von Getränk? Kaltgetränke Nahrungsmittel Gesundheit Körperpflege Getränke Snacks Müsli Brotzeit Obst Heißgetränke Kaltgetränke
  42. 42. Tree Flow Welche Art von Kaltgetränk? Kaltgetränke Säfte & Smooties Milchgetränke Alkoholische Getränke Welche Art von alkoholisches Getränk? Alkoholische Getränke SprituosenBier Wein Schaumwein Welche Art Bier? Bier AleLager Pils Porter Weißbier Lager Welche Brauerei? Augustiner Spaten Löwenbräu Hofbräu
  43. 43. Tree Flow Augustiner Welche Brauerei? Augustiner Spaten Löwenbräu Hofbräu Hacker Welche Sorte? Helles Edelstoff Helles Wie viele? 1 2 3 4 Kasten (20) Kasten (20)
  44. 44. 9 Fragen & Antworten, 35 Antwortoptionen, über 75 Wörter und alles um „einen Kasten Augustiner Hell“ zu bestellen
  45. 45. Feste Pfade Von welcher Brauerei soll den das Bier sein? egal Augustiner Spaten Löwenbräu Hofbräu Hacker Ok, Welche Art Bier? AleLager Pils Porter Weißbier Lager Von welcher Brauerei soll den das Bier sein? Augustiner Spaten Löwenbräu Hofbräu Hacker
  46. 46. Es gibt zig Wege, das passende Produkt zu finden. Warum erlaubt der Bot nur einen?
  47. 47. Lösungsansätze Hallo, wie kann ich Dir helfen? Ich suche was zum trinken Gerne, was darf es denn sein? A Halbe Das habe ich nicht verstanden, kannst Du das anders beschreiben? A süffiges Blondes … Hallo, wie kann ich Dir helfen? Ich suche was zum trinken Gerne, was darf es denn sein? A Halbe Welche Art von Getränk? Heißgetränke Kaltgetränke
  48. 48. Nachfragen. Fallbacks vorbereiten. Fallbacks zu den Fallbacks vorbereiten. LESSON LEARNED #2
  49. 49. How to Start
  50. 50. RTFM ;-)Es ist gut: developers.facebook.com
  51. 51. Facebook Messenger: Hinweise • Ausgabe-Templates • Einstiege: Send-to-Messenger-Button insbesondere für Abonnements • Zugriff auf Nutzerdaten • App-Review-Prozess • Push-Nachrichten: 24h-Regel
  52. 52. Store all data you can get, there will be a time when you can use it. — Toby Bradshaw, Microsoft
  53. 53. Wann bietet sich der Einsatz eines Chatbots an? Wenn man... • viele Daten gesammelt hat und bereits mit Machine Learning arbeitet. • eine gute Suchengine mit facettierten Suchkriterien hat. • bereits gute Assistenten und Konfiguratoren hat. • z.B. im Callcenter schon einen detaillierten Gesprächsleitfaden hat. • bereits Messenger nutzt und immer die gleichen Fragen gestellt bekommt. • man asynchrone Prozesse hat, die momentan per Mail ablaufen (Lieferstatus).
  54. 54. Weiterlesen! chatbotslife.com chatbotsmagazine.com Outsourcen! OCTANE AI - fertige Chatbot-Lösung für den Facebook Messenger API AI - Conversational User Experience Platform. WIT AI – Machine Learning & Chatbot-Engine
  55. 55. Chancen / Risiken bezogen auf den dm Bot & Allgemein
  56. 56. Ihr könnt mich nun gerne testen 😌😌 unter der Facebook Seite 👉👉„dm“ findet ihr mich, viele Grüße Bo 👌👌

×