I. Chatbot Chăm Sóc Khách Hàng Tổng Quan Tiềm Năng Ứng Dụng
Sự phát triển của công nghệ thông tin đã mang đến những công cụ hỗ trợ đắc lực cho con người, trong đó chatbot đóng vai trò quan trọng trong nhiều lĩnh vực như kinh tế, kinh doanh, ngân hàng, và giáo dục. Chatbot chăm sóc khách hàng giúp trả lời tự động các câu hỏi lặp đi lặp lại, hoạt động 24/7 mà không mệt mỏi, cung cấp câu trả lời nhanh chóng và chính xác, giảm thời gian làm việc và tăng hiệu quả công việc. Việc trả lời tin nhắn trên website và mạng xã hội ngày càng phổ biến, cho thấy sự thay đổi trong cách thức trao đổi thông tin. Luận văn "Nghiên cứu và phát triển ứng dụng Chat-Bot trong dịch vụ chăm sóc khách hàng trực tuyến" của Nguyễn Đắc Phương Thảo tại trường Đại học Bách Khoa Hà Nội năm 2020 đã tập trung vào việc xây dựng một chatbot có khả năng trả lời trực tuyến các khúc mắc lặp đi lặp lại của khách hàng, một chatbot làm việc không biết mệt mỏi mà vẫn đưa đến cho người dùng những câu trả lời hợp lý và chính xác nhất.Chatbot được xây dựng theo phương pháp phân loại ý định người dùng và lập trình bằng trình dịch pycharm với python phiên bản 3. Với việc chọn đề tài luận văn “Nghiên cứu và phát triển ứng dụng Chat-Bot trong dịch vụ chăm sóc khách hàng trực tuyến” tôi mong muốn sẽ giúp cho doanh nghiệp của tôi giải quyết được vấn đề trong lĩnh vực chăm sóc khách hàng, giảm tải áp lực cho nhân viên và tăng độ tin cậy cũng như sự hài lòng đến từ phía người dùng.Chatbot là một phần mềm trí tuệ nhân tạo (AI), có thể tự động trả lời tin nhắn của người dùng bằng ngôn ngữ tự nhiên thông qua các ứng dụng nhắn tin trên website hoặc trên điện thoại. Có 2 loại cơ bản của Chat-bot hiện đại: Chat-bot theo kịch bản (Scripted Chat-bot) và Chat-bot thông minh (Intelligent Chat-bot). Thông thường, Chat-bot được kết hợp bởi 4 thành phần: Module xử lý ngôn ngữ tự nhiên, Dialog manager, Content, Custom integrations / external data. Đây là một yếu tố quan trọng làm nên sức mạnh của Chat-bot là khả năng tự học hỏi. Càng được sử dụng và có nhiều sự tương tác với người dùng, Chat-bot đó sẽ càng thông minh.Chat-bot được ứng dụng rộng rãi trên mọi lĩnh vực như: Giải trí, thời tiết, nhà hàng và các ngành bán lẻ,khách sạn và du lịch, y tế, hàng không, giáo dục. Các nhà công nghệ lớn trên thế giới và trong nước đang ganh đua vị trí dẫn đầu bằng cách xây dựng nền tảng cho những công ty khác sử dụng để tạo nên Chat- bot của riêng họ.
1.1. Giới Thiệu Các Nền Tảng Chatbot Phổ Biến Hiện Nay
Hiện nay có rất nhiều nền tảng chatbot khác nhau, từ những nền tảng đơn giản dựa trên kịch bản (Scripted Chat-bot) đến những nền tảng phức tạp hơn sử dụng trí tuệ nhân tạo và học máy (Intelligent Chat-bot). Chatfuel là một nền tảng hàng đầu để xây dựng bot trên Facebook Messenger, tự động hóa giao tiếp với con người thông qua các ứng dụng nhắn tin.SnatchBot là một nền tảng để có thể xây dựng Chatbot hoàn toàn miễn phí trên Facebook Messenger, Telegram, Line, Skype, Website, Viber, và nhiều nền tảng khác.com. Nền tảng tạo Chat-bot FPT.AI Conversation là sản phẩm được FPT đặc biệt đầu tư phát triển, với công nghệ AI sẵn có và các nhà khoa học hàng đầu trong lĩnh vực AI liên tục cập nhật những tính năng mới nhất để phục vụ khách hàng. Messnow là nền tảng tạo lập Chat-bot do Hekate phát triển với giao diện hoàn toàn bằng tiếng Việt, khả năng xử lý ngôn ngữ tự nhiên (NLP) chính xác, giúp người dùng dễ dàng tạo Chat-bot. Harafunnel là nền tảng công nghệ hỗ trợ người dùng tự tạo Chatbot trên nền tảng Facebook Messenger và website của doanh nghiệp.
1.2. Tại Sao Doanh Nghiệp Cần Đầu Tư Vào Chatbot
Việc đầu tư vào chatbot chăm sóc khách hàng mang lại nhiều lợi ích cho doanh nghiệp. Chatbot giúp giảm tải công việc cho nhân viên hỗ trợ, cung cấp dịch vụ 24/7, tăng cường tương tác với khách hàng, và thu thập dữ liệu khách hàng. Chatbot có thể xử lý nhiều cuộc hội thoại cùng lúc, đảm bảo khách hàng không phải chờ đợi lâu. Ngoài ra, chatbot có thể được tích hợp với các hệ thống CRM để cung cấp trải nghiệm cá nhân hóa cho khách hàng. Nhờ khả năng tự học hỏi, chatbot ngày càng trở nên thông minh hơn và có thể giải quyết các vấn đề phức tạp hơn. Luận văn của Nguyễn Đắc Phương Thảo cũng nhấn mạnh đến việc Chatbot có khả năng làm việc 24/24 không biết mệt mỏi, không cần phải nghỉ ngơi mà người dùng nhận được câu trả lời nhanh chóng, đồng thời rút ngắn thời gian làm việc, tăng độ chính xác, hiệu quả công việc cao.Thêm vào đó, Chatbot tự động trả lời các khúc mắc của khách hàng, và chủ đề để chat-bot có thể trả lời tự động được cũng không nhiều do đặc thù nghiệp vụ, cũng như trong k sử dụng phần mềm kế toán Nhất Nam phát sinh nhiều lỗi mà khách hàng không hiểu lỗi gì để phản ánh lại qua tin nhắn nên phải gọi điện trực tiếp qua số hotline gặp hỗ trợ viên.
II. Thách Thức Vấn Đề Trong Phát Triển Chatbot Chăm Sóc KH
Mặc dù có nhiều tiềm năng, việc phát triển chatbot chăm sóc khách hàng cũng đối mặt với không ít thách thức. Một trong những thách thức lớn nhất là khả năng hiểu ngôn ngữ tự nhiên của chatbot. Chatbot cần phải có khả năng xử lý các câu hỏi phức tạp, các cách diễn đạt khác nhau, và các lỗi chính tả. Ngoài ra, việc xây dựng một cơ sở dữ liệu đủ lớn và đa dạng để chatbot có thể trả lời chính xác các câu hỏi cũng là một thách thức không nhỏ. Thêm vào đó, việc duy trì và cập nhật chatbot để đáp ứng nhu cầu thay đổi của khách hàng cũng đòi hỏi sự đầu tư liên tục.Cụ thể, Trong quá trình làm việc công tác tại công ty TNHH tin học Nhất Nam, tôi có tổng hợp được các chủ đề về nghiệp vụ và các lỗi phát sinh từ phần mềm kế toán, để đưa ra thành nhiều trường hợp và câu trả lời có sẵn, khách hàng có thể hỏi trực tiếp qua cổng hỗ trợ trực tuyến, mà không cần phải gọi điện cho tổng đài viên nữa. Nếu câu hỏi khó, chat-bot sẽ phân loại và gửi đến cho nhân viên để được giải quyết kịp thời, không mất thời gian chờ đợi. Các câu hỏi ở các chủ đề khác nhau khá dễ dàng để phân biệt dựa vào các từ khóa chính trong câu hỏi đặc trưng cho chủ đề tương ứng.Từ đó có thể coi trở thành bài toán phân lớp. Trong đó các lớp là các chủ đề trong 29 chủ đề được thống kê kết hợp thêm chủ đề số 30 về chào hỏi.
2.1. Xử Lý Ngôn Ngữ Tự Nhiên NLP Cho Chatbot Hiệu Quả
Xử lý ngôn ngữ tự nhiên (NLP) là một yếu tố quan trọng trong việc phát triển chatbot. NLP giúp chatbot hiểu được ý nghĩa của câu hỏi, trích xuất thông tin quan trọng, và tạo ra câu trả lời phù hợp. Các kỹ thuật NLP như phân tích cú pháp, phân tích ngữ nghĩa, và nhận dạng thực thể đóng vai trò quan trọng trong việc cải thiện khả năng hiểu ngôn ngữ của chatbot. Ngoài ra, việc sử dụng các mô hình ngôn ngữ lớn (LLM) như BERT và GPT cũng giúp chatbot hiểu ngôn ngữ tự nhiên tốt hơn.Cụ thể, Natural language processing: Module xử lý ngôn ngữ tự nhiên, có tác dụng phân tích yêu cầu từ người dùng. Natural Language Processing (NLP) để phân tích dữ liệu sau đó lựa chọn các thuật toán học máy dự đoán và phản hồi chính xác nhất có thể. Trình tự hoạt động cụ thể như sau: Người dùng tiến hành gửi một câu hỏi đầu vào. Câu đầu vào đó sẽ qua một bước tiền xử lý dữ liệu về dạng tiêu chuẩn, rồi mới tiến hành xử lý ngôn ngữ tự nhiên. Ta xác định ý định của người dùng, xác định các thực thể trong câu, sử dụng bối cảnh của cuộc hội thoại để theo dõi những gì đã nói.
2.2. Vượt Qua Rào Cản Về Dữ Liệu Huấn Luyện Cho Chatbot
Dữ liệu huấn luyện là yếu tố then chốt để chatbot có thể hoạt động hiệu quả. Chatbot cần được huấn luyện trên một lượng lớn dữ liệu đa dạng để có thể hiểu được các câu hỏi khác nhau và đưa ra câu trả lời chính xác. Tuy nhiên, việc thu thập và chuẩn bị dữ liệu huấn luyện có thể tốn kém và mất thời gian. Các phương pháp như tăng cường dữ liệu (data augmentation) và học chuyển giao (transfer learning) có thể giúp giảm thiểu nhu cầu về dữ liệu huấn luyện. Ngoài ra, việc sử dụng các bộ dữ liệu mở và các nền tảng crowdsourcing cũng có thể giúp thu thập dữ liệu huấn luyện hiệu quả hơn. Đồng thời, có thể sử dụng việc tách ngữ nghĩa của các từ trong câu (Semantic hasing),phương pháp này chia từ thành các thành phần “sub-word” để biểu diễn câu đầu vào.
III. Xây Dựng Chatbot Phương Pháp Phân Loại Ý Định TF IDF
Có nhiều phương pháp để xây dựng chatbot, trong đó phương pháp phân loại ý định là một trong những phương pháp phổ biến nhất. Phương pháp này sử dụng học máy để phân loại các câu hỏi của khách hàng vào các ý định khác nhau. Sau khi xác định được ý định của khách hàng, chatbot sẽ đưa ra câu trả lời phù hợp. Một trong những thuật toán phổ biến để phân loại ý định là TF-IDF (Term Frequency-Inverse Document Frequency). TF-IDF giúp xác định tầm quan trọng của một từ trong một văn bản dựa trên tần suất xuất hiện của từ đó trong văn bản và trong toàn bộ tập dữ liệu.Bên cạnh đó, phù hợp với mục đích và lượng dữ liệu liên quan đến các câu hỏi của khách hàng về phần mềm kế toán Nhất Nam, nên Chat-bot sẽ được xây dựng bằng phương pháp Information Retrieval based Chat-bots (IR-based) trên việc truy vấn dữ liệu có sẵn của doanh nghiệp. Dựa vào phương pháp này ta sẽ giải quyết bài toán phân loại ý định khách hàng, bằng việc sử dụng thuật toán TF-IDF để chuyển các câu hỏi thành vector trong không gian và sử dụng khoảng cách cosine similar để đánh giá độ tương đồng giữa hai vector. Mô hình sẽ truy vấn trong cơ sở dữ liệu và tìm câu nói có độ tương đồng cao nhất với câu nói của người dùng hiện tại và tìm câu trả lời tương ứng để đưa ra cho người dùng.
3.1. Chi Tiết Thuật Toán TF IDF Trong Chatbot Chăm Sóc KH
TF-IDF là một thuật toán đơn giản nhưng hiệu quả để xác định tầm quan trọng của một từ trong một văn bản. Thuật toán này bao gồm hai thành phần chính: Term Frequency (TF) và Inverse Document Frequency (IDF). Term Frequency (TF) là tần suất xuất hiện của một từ trong một văn bản. Inverse Document Frequency (IDF) là nghịch đảo tần suất xuất hiện của một từ trong toàn bộ tập dữ liệu. TF-IDF được tính bằng cách nhân TF với IDF. Những từ có giá trị TF-IDF cao là những từ quan trọng nhất trong văn bản.Khi đó: Những từ có giá trị TF-IDF cao là những từ xuất hiện nhiều trong văn bản này, và xuất hiện ít trong các văn bản khác. Việc này giúp lọc ra những từ phổ biến và giữ lại những từ có giá trị cao (từ khoá của văn bản đó).
3.2. Ưu Nhược Điểm Của TF IDF Trong Xây Dựng Chatbot
Thuật toán TF-IDF có nhiều ưu điểm, bao gồm tính đơn giản, dễ hiểu, và hiệu quả. Tuy nhiên, TF-IDF cũng có một số nhược điểm. TF-IDF không xem xét ngữ cảnh của các từ, và có thể bỏ qua những từ quan trọng nếu chúng xuất hiện ít trong văn bản. Ngoài ra, TF-IDF có thể bị ảnh hưởng bởi các từ stop words (các từ phổ biến không mang nhiều ý nghĩa). Mặc dù đơn giản nhưng có thể độ chính xác sẽ không cao bằng các thuật toán khác. Hiện nay với số lượng câu còn khiêm tốn thì vẫn mang lại hiệu quả và độ chính xác cao, các thuật toán khác phức tạp có thể không đem lại nhiều lợi ích hơn.
3.3. Tiền Xử Lý Dữ Liệu Chuẩn Hóa Văn Bản Cho Chatbot
Để TF-IDF hoạt động hiệu quả, cần thực hiện các bước tiền xử lý dữ liệu. Các bước tiền xử lý bao gồm: loại bỏ các ký tự đặc biệt, chuyển đổi văn bản về chữ thường, loại bỏ các từ stop words, và stemming/lemmatization (rút gọn các từ về dạng gốc). Việc tiền xử lý dữ liệu giúp cải thiện độ chính xác của TF-IDF và giảm thiểu nhiễu. Cụ thể, - Chuyển câu hỏi của người dùng cũng như câu hỏi trong tập dữ liệu các câu mẫu về dạng chuẩn hóa. Cụ thể như sau: Chuyển về dạng viết thường, trong dữ liệu đang xét, các chữ viết hoa không có tác dụng phân loại, mà còn dẫn đến làm sai lệch ý nghĩa. Ví dụ: "tôi", "Tôi" nếu xét đến in hoa thường, thì coi đây là 2 từ khác nhau. Tuy nhiên đây đều giống nhau về mặt ý nghĩa. Tiếp theo loại bỏ từ stopword trong câu. Đây là những từ không mang ý nghĩa về phân loại, đôi khi còn làm nhiễu dữ liệu và giảm độ chính xác. Ví dụ: anh, em, tôi, và
IV. Đánh Giá Cải Thiện Hiệu Suất Chatbot Chăm Sóc Khách Hàng
Sau khi xây dựng chatbot, cần đánh giá và cải thiện hiệu suất của chatbot. Các độ đo phổ biến để đánh giá hiệu suất chatbot bao gồm Precision, Recall, F1-score, và Accuracy. Precision đo lường tỷ lệ các câu trả lời đúng trong số các câu trả lời mà chatbot đưa ra. Recall đo lường tỷ lệ các câu trả lời đúng mà chatbot đưa ra trong số tất cả các câu trả lời đúng có thể. F1-score là trung bình điều hòa của Precision và Recall. Accuracy đo lường tỷ lệ các câu trả lời đúng mà chatbot đưa ra trong số tất cả các câu hỏi.Cụ thể, Cross validation là một kỹ thuật lấy mẫu để đánh giá mô hình học máy trong trường hợp dữ liệu không được dồi dào cho lắm. Tham số quan trọng trong kỹ thuật này là k, đại diện cho số nhóm mà dữ liệu sẽ được chia ra. Vì lý do đó, nó được mang tên k-fold cross-validation. Khi giá trị của k được lựa chọn, người ta sử dụng trực tiếp giá trị đó trong tên của phương pháp đánh giá.
4.1. Sử Dụng Cross Validation Để Đánh Giá Chatbot Khách Quan
Cross-validation là một kỹ thuật đánh giá mô hình học máy giúp đánh giá hiệu suất của mô hình một cách khách quan. Cross-validation chia tập dữ liệu thành nhiều phần, và sử dụng một phần để kiểm tra và các phần còn lại để huấn luyện. Kết quả đánh giá được tổng hợp từ nhiều lần kiểm tra khác nhau. Phương pháp này giúp giảm thiểu sự thiên vị và cung cấp một ước lượng chính xác hơn về hiệu suất của mô hình.Đối với 29 chủ đề gồm 120 mẫu câu, là tổng số câu hỏi do nhân viên chăm sóc khách hàng tổng hợp được thông qua các cuộc hội thoại thực tế trong quá trình hỗ trợ khách hàng, số lượng mẫu câu sẽ luôn có sự thay đổi vì thường xuyên được cập nhật, bổ sung, thêm mới vào cơ sở dữ liệu. Nhưng hiện tính đến thời điểm hoàn thành luận văn thì tổng số mẫu câu đang có là 120 câu.
4.2. Các Độ Đo Precision Recall F1 Score Accuracy
Precision, Recall, F1-score, và Accuracy là các độ đo phổ biến để đánh giá hiệu suất chatbot. Precision đo lường tỷ lệ các câu trả lời đúng trong số các câu trả lời mà chatbot đưa ra. Recall đo lường tỷ lệ các câu trả lời đúng mà chatbot đưa ra trong số tất cả các câu trả lời đúng có thể. F1-score là trung bình điều hòa của Precision và Recall. Accuracy đo lường tỷ lệ các câu trả lời đúng mà chatbot đưa ra trong số tất cả các câu hỏi. Việc sử dụng các độ đo này giúp đánh giá toàn diện hiệu suất của chatbot. Cụ thể, - Precision là độ đo có bao nhiêu câu đúng trong tổng số các câu được dự đoán là đúng; - Recall là độ đo có bao nhiêu câu được dự đoán đúng trong tổng số các câu đúng thực sự; - F1 là độ đo trung bình điều hòa giữa precision và recall - Accuracy là độ đo chính xác tỉ lệ đoán đúng của mô hình.
4.3. Tinh Chỉnh Cải Thiện Chatbot Dựa Trên Phản Hồi Người Dùng
Phản hồi từ người dùng là một nguồn thông tin quý giá để cải thiện chatbot. Việc thu thập và phân tích phản hồi từ người dùng giúp xác định các điểm yếu của chatbot và đề xuất các cải tiến. Các phương pháp như A/B testing và user feedback surveys có thể giúp thu thập phản hồi từ người dùng hiệu quả hơn. Ngoài ra, việc theo dõi và phân tích các cuộc hội thoại giữa người dùng và chatbot cũng giúp xác định các vấn đề và đề xuất các cải tiến. Từ đó xây dựng phương pháp phân loại ý định người dùng giúp Chat-bot trả lời tự động. Những câu hỏi nằm ngoài các chủ đề đã có sẽ được chuyển đến cho nhân viên tư vấn để trả lời.
V. Tương Lai Của Chatbot Tích Hợp Phát Triển Tiềm Năng
Tương lai của chatbot chăm sóc khách hàng rất hứa hẹn. Chatbot ngày càng trở nên thông minh hơn và có thể giải quyết các vấn đề phức tạp hơn. Chatbot sẽ được tích hợp với nhiều hệ thống khác nhau, bao gồm CRM, ERP, và các nền tảng thương mại điện tử. Ngoài ra, chatbot sẽ được sử dụng trong nhiều lĩnh vực khác nhau, bao gồm y tế, giáo dục, và tài chính. Công nghệ trí tuệ nhân tạo cũng là tương lai giúp Chatbot trả lời chính xác hơn. Ngoài ra, trong quá trình thực hiện, ngoài các kiến thức về học máy, thu được những kiến thức về tiếng Việt, ngôn ngữ và đánh giá dữ liệu chọn giải pháp.
5.1. Chatbot Đa Kênh Cung Cấp Trải Nghiệm Liên Tục
Chatbot đa kênh là một xu hướng quan trọng trong tương lai. Chatbot sẽ có mặt trên nhiều kênh khác nhau, bao gồm website, ứng dụng di động, mạng xã hội, và các ứng dụng nhắn tin. Điều này giúp cung cấp một trải nghiệm liên tục cho khách hàng, bất kể họ sử dụng kênh nào. Khách hàng có thể bắt đầu một cuộc hội thoại trên website và tiếp tục cuộc hội thoại đó trên ứng dụng di động mà không bị gián đoạn. Điều đó giúp Chatbot tích hợp thực vào hệ thống của doanh nghiệp và đánh giá kết quả thực tế, đồng thời cải tiến và khắc phục lỗi khi tích hợp thực tế.
5.2. Cá Nhân Hóa Trải Nghiệm Với Chatbot Thông Minh
Cá nhân hóa là một yếu tố quan trọng trong việc cung cấp trải nghiệm khách hàng tốt hơn. Chatbot thông minh có thể sử dụng dữ liệu khách hàng để cung cấp trải nghiệm cá nhân hóa cho từng khách hàng. Chatbot có thể chào hỏi khách hàng bằng tên, gợi ý các sản phẩm phù hợp với sở thích của khách hàng, và giải quyết các vấn đề cụ thể mà khách hàng đang gặp phải. Việc cá nhân hóa trải nghiệm giúp tăng cường sự hài lòng của khách hàng và tạo dựng mối quan hệ lâu dài. Chatbot còn có thể thêm sửa lỗi chính tả với việc người dùng nhập sai.
