Чат-бот — канал персонализированной коммуникации с клиентами, способ автоматизировать взаимодействие с клиентом, разгрузить операторов службы поддержки, автоматизировать продажи и даже собрать данные о соискателе для HR-специалиста.
В статье приводим примеры реальных чат-ботов Oriflame, сети магазинов «Дочки-Сыночки», Skeddy и Apex Pizza. А также пошаговую инструкцию для создания бота конференции с нуля без помощи разработчика и пример бота для интернет-магазина одежды.
Как создать чат-бота в Telegram
Чат-бот — канал персонализированной коммуникации с клиентами, способ автоматизировать взаимодействие с клиентом, разгрузить операторов службы поддержки, автоматизировать продажи и даже собрать данные о соискателе для HR-специалиста.
В статье приводим примеры реальных чат-ботов Oriflame, сети магазинов «Дочки-Сыночки», Skeddy и Apex Pizza. А также пошаговую инструкцию для создания бота конференции с нуля без помощи разработчика, и пример бота для интернет-магазина одежды.
Телеграм бот для получения данных по binance futures #binance#telegram #bot
- Какие задачи бизнеса помогает решить чат-бот
- Что поручить чат-боту
- Как создать чат-бота
- Выбрать конструктор
- Подготовиться: задача, аудитория, сценарий
- Собрать бота в конструкторе
Какие задачи бизнеса помогает решить чат-бот
Создать канал персонализированной коммуникации с аудиторией
Бот рассылает сообщения на темы, которые выбрал пользователь. Через него можно запустить триггерные цепочки и массовые рассылки. Например, бот Oriflame отправляет:
— триггерные цепочки. Если подписчик выбрал тему рассылки «Ароматы», он сразу получит ссылки на тематические товары — духи;
— массовые рассылки об условиях для консультантов;
— каскадную рассылку о брошенной корзине. Вместо одного email о брошенной корзине подписчик получает цепочку: сначала письмо в email, а если не открывает его, через час получает сообщение от бота.
Экономить на расходах на службу поддержки
Сократить время ожидания для клиента
В чат-бот загружают базу данных и все сценарии, которыми пользуются операторы поддержки. Если все правильно настроить, бот найдет ответ на запрос пользователя за пару секунд. Оператор, даже очень опытный, отвечает гораздо медленнее.
Разгрузить операторов в пиковые часы
В часы наплыва запросов, например в «черную пятницу», операторы не успевают быстро отвечать. Клиентам приходится ждать, и они часто уходят, так и не решив свою проблему. Чат-бот поможет разгрузить клиентскую службу. Он займется простыми запросами, а операторы ― нестандартными ситуациями, с которыми бот не справится.
Сократить время обработки заказа
Бот принимает заказ, выписывает нужный товар со склада, формирует документы для службы доставки за пару секунд и не ошибается.
Например, ресторан русской кухни «Алтай» на острове Пхукет с помощью чат-бота Telegram оформляет доставку еды. Бот знакомит пользователя с меню, принимает заказ, предлагает выбрать способ доставки (курьер или самовывоз) и оплаты (наличными или картой), принимает оплату и передает данные о заказе в CRM.
Автоматизировать внутренние процессы компании
Бот рассылает нужным сотрудникам описание задачи, инструкцию, форму отчета. Собирает готовые отчеты, сводит их в один общий. И передает итоговый отчет со всеми данными руководителю или сотрудникам из другого отдела.
Собрать данные о кандидате для HR-менеджера
Бот анализирует резюме и проводит с подходящими соискателями «интервью», чтобы выяснить, насколько они заинтересованы в вакансии и соответствуют ли формальным требованиям. Обрабатывает ответы соискателя и назначает (или не назначает) встречу с рекрутером. Соискатели задают боту вопросы о компании и будущей должности, не дожидаясь, пока ими займется HR-менеджер.
Так работает HR-бот XOR. В боте можно настроить любые сценарии собеседования, даже ответы на вопросы с помощью искусственного интеллекта. Бот реагирует на отклик на вакансию, общается с кандидатом и решает, нужно ли назначить встречу с рекрутером. Он договорится о собеседовании и примет у кандидата нужные документы.
Но у бота есть недостаток ― он не знает, как себя вести в нестандартной ситуации. Он действует по сценарию: пользователь выбирает кнопку с командой, бот присылает сообщение. Если сделать что-то не по сценарию, например написать незнакомую команду, бот не сможет ее выполнить. Поэтому нужен оператор службы поддержки, на которого бот переключит пользователя с нестандартным запросом.
Что поручить чат-боту
Продавать товары или услуги. Например, по ссылке из сообщения бота клиент переходит в карточку товара, выбирает способ доставки и оплачивает заказ сразу в чате.
Присылать напоминания. Например, о просроченных задачах или важных событиях.
Отвечать на вопросы клиентов. Например, присылать подборки товаров по ключевому слову из запроса.
Онбордить новых сотрудников. Например, напоминать о рабочих встречах или сообщать контакты коллег.
Источник: mindbox.ru
Создание чат-бота с ИИ в Telegram
В настоящее время активно развиваются и внедряются системы искусственного интеллекта. Собеседник всё чаще становится виртуальным, представляющим из себя мощную программу. Таковой является чат-бот. Сейчас такие программы-собеседники уже напоминают личных секретарей, в круг их обязанностей входят информирование о погоде, перевод денег, напоминание о важных событиях, запись на приём к врачу и многое другое.
В данной статье я расскажу, как можно создать такого небольшого чат-бота в Telegram. Он сможет говорить на общие темы: погода, досуг и т.д. В статье будет много ссылок на дополнительные материалы, они позволят более глубоко погрузиться в тему NLP и создания ботов в Telegram. Также в конце я оставлю предложения по усовершенствованию разработанного чат-бота.
Весь код написан на языке Python.
Для того, чтобы создать бота в Telegram необходимо написать боту по имени BotFather.
С помощью BotFather можно создавать новых ботов в Telegram и изменять настройки существующих. Например, добавить описание, установить аватарку для бота.
После создания чат-бота в BotFather вы получите уникальный токен. Токен нужен для идентификации вашего бота. Не сообщайте его никому.
2. Написание кода бота
Для создания чат-ботов в Telegram можете использовать библиотеки python-telegram-bot или pyTelegramBotAPI
from telegram import Update from telegram.ext import Updater, CommandHandler # Обработка команды start def send_start(update: Update): update.message.reply_text(“Hey, what’s up?”) updater = Updater(“YOUR_BOT_TOKEN”) # Добавление обработчика updater.dispatcher.add_handler(CommandHandler(‘hello’, send_start)) # Запуск бота updater.start_polling() updater.idle()
Использование библиотеки pyTelegramBotAPI
Принципиально эти библиотеки ничем друг от друга не отличаются. Отличие связано с синтаксисом.
В данной статье я использовал библиотеку python-telegram-bot.
Если речь идёт о чат-боте для сотен людей, то лучше использовать библиотеку aiogram. В отличие от двух предыдущих библиотек aiogram поддерживает ассинхронность. Это позволит обрабатывать сообщения нескольких людей одновременно.
3. Создание искусственного интеллекта
NLP (Natural Language Processing) – тема объёмная, тема для ряда статей. В этой статье я расскажу, что использовал и оставлю ссылки на ресурсы с более подробным обзором данной темы.
a. Набор датасета
Датасет я составлял вручную. Структура датасета представлена ниже на изображении.
Интенты – намерения пользователей. Интент включает в себя примеры вопросов, которые задают пользователи. Например, интент Спортивные мероприятия содержит все вопросы (строго говоря, это могут быть и утверждения), связанные со спортивными мероприятиями. Также интент включает в себя ответы чат-бота. Интент может включать один или несколько ответов. Если ответов несколько, то ответ бота выбирается случайным образом.
В Python структура датасета следующая:
Если знаете, как это сделать проще или где можно найти готовые датасеты, пишите в комментариях.
b. Предобработка текста
Были использованы три метода: удаление символов пунктуации, приведение слов к нижнему регистру и лемматизация.
Для удаления символов пунктуации использовался модуль string.
import string # Удаление символов пунктуации def remove_punctuation(text): translator = str.maketrans(», », string.punctuation) return text.translate(translator)
Лемматизация – это процесс приведения слова к нормальной (словарной) форме.
Лемматизация нужна для того, чтобы слова, имеющие одинаковое значение, но написанные в разной временной форме, не воспринимались ботом как совершенно разные слова и относились к одному интенту.
Библиотека pymystem3 — это морфологический анализатор русского текста от компании Яндекс. Он приводит слова к начальной форме и нижнему регистру.
Ссылка на статью с рассмотрением различных способов предобработки текста.
В качестве векторизатора был использован TF-IDF векторизатор.
Его название — это сокращение от Term frequency-inverse document frequency (частота слова — обратная частота документа).
Частота слова (Term Frequency) — определяет, как часто выбранное слово появляется в документе (в данном случае, это запросы пользователей).
Обратная частота документа (Inverse Document Frequency) — снижает веса слов, которые часто встречаются в документах.
from sklearn.feature_extraction.text import TfidVectorizer vectorizer = TfidVectorizer(analyzer=’char_wb’, ngram_range=(2,3), max_df=0.8) vector = vectorizer.fit_transform(text)
- analyzer=’char_wb’ – создание n-грамм символов только из текста внутри границ слов;
- ngram_range=(2,3) – нижняя и верхняя границы диапазона значений для n-грамм;
- max_df=0.8 — игнорирование терминов, частота которых в запросе строго превышает заданный порог.
from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33, stratify=y)
Данные делились на обучающую и тестовую выборки. Треть данных отводилась на тесты, остальные часть данных на обучение.
Параметр stratify задаёт использование стратификации по интентам, это позволяет повысить точность классификации для классов с неравным количеством примеров запросов в датасете.
Для классификации был использован алгоритм LinearSVC. Метод опорных векторов хорошо показывает себя в многоклассовой классификации.
from sklearn.svm import LinearSVC # Классификация clf = LinearSVC() clf.fit(X_train, y_train) clf.predict(vector)[0]
Если ваша модель плохо обучена и часто ошибается в классификации, то можно дополнительно реализовать один из алгоритмов нечёткого поиска. Например, расстояние Левенштейна.
Также мой совет – добавлять заглушки в бота. Заглушки – это такие фразы как «Извините, не понял вас», «Перефразируйте, пожалуйста.».
Модель машинного обучения, имеющая по всем метрикам единицы, это утопия. К тому же язык – это динамическая система и ваш датасет не вечен. Его нужно будет изменять и дополнять. С заглушками пользователь не будет думать, что чат-бот завис или не работает, человек всегда получит ответ.
e. Запуск чат-бота
Можно запускать бота и тестировать его.
Небольшой чат-бот, который сможет поддержать разговор на общие темы, готов.
В дальнейшем, если захотите развивать этого бота и добавлять новый функционал, то можете попробовать следующее:
Логирование – это запись действий программы в отдельном файле. Например, запуск бота, обработка запроса пользователя. Логирование позволяет быстрее находить и исправлять баги в программе.
- Обработка голосовых сообщений
В общении мы используем не только текстовые, но и голосовые сообщения, поэтому возможность отвечать на голосовые сообщения будет классной фичёй для вашего бота.
- Выгрузка бота на сервер
Чтобы ваш бот отвечал круглосуточно необходимо его запустить на сервере. Для запуска небольшого личного бота отлично подойдёт облачная платформа PythonAnywhere. Бесплатного тарифа будет достаточно.
Это всё, что я хотел рассказать в данной статье. Надеюсь, вы не зря потратили время. Дерзайте и всё получится!
Источник: newtechaudit.ru