EVO Banco, actualmente del grupo Bankinter, nació como marca comercial en el año 2012 con el objetivo de convertirse en una alternativa de calidad a la banca tradicional. La entidad nació con la idea de cuestionar lo establecido y ofrecer respuestas inteligentes a las necesidades de sus clientes.

Bajo el modelo de Banca Inteligente, en EVO Banco han desarrollado durante este tiempo una propuesta única en el sector que les posiciona como una de las referencias bancarias más valoradas por los consumidores. Esta entidad bancaria ha sido reconocida por su concepto ambicioso e innovador, además de por su madurez en tecnologías basadas en Inteligencia Artificial y Big Data.

Hace varios años, apostaron por ofrecer un asistente virtual a sus clientes. Pero esta compañía va mucho más allá del producto, va de relaciones y de personas. Por este motivo, decidió buscar a un partner que le ofreciera dar una mejor asistencia a sus usuarios a través de su agente conversacional.

Aumentar el rendimiento del sistema conversacional

Después de más de dos años desde el lanzamiento de su asistente virtual en página web, app y call center, EVO buscaba seguir mejorando su sistema conversacional. Para ello, su intención era encontrar un partner que tuviera experiencia acumulada en agentes virtuales y que apoyara a su equipo de expertos en el proceso de mejora.

En este caso, la propuesta de Emergya y el alcance asociado a los distintos puntos estaba focalizado en dar respuesta a dos grandes objetivos:

• Mejorar la calidad del asistente y sus ratios de rendimiento. Uno de los desafíos consistía en ayudar a que el equipo de EVO Banco se encaminara hacia la evolución y roadmap del asistente. Asimismo, se buscaba garantizar, de la forma más autónoma posible, la calidad de las respuestas para todos los canales -actuales y futuros- en los que se encuentre el asistente virtual.
• Acelerar la industrialización del asistente. Por otro lado, otro reto era que EVO Banco acelerara el roadmap y Time to Market del asistente en canales, integraciones y funcionalidades donde Emergya tuviera experiencia previa de éxito y conseguir eliminar tiempos de investigación, desarrollo y puesta en marcha.

Además de estos dos grandes objetivos, había un reto especial añadido: conseguir el propósito del proyecto con éxito a través del trabajo y la comunicación conjunta e interés profesional común del equipo de EVO Banco y Emergya.

Optimizar el entrenamiento con la curación de intents

Emergya propuso un plan de actuación que estaba definido en los siguientes pasos a seguir:

• Revisión y organización de las distintas categorías y visión general del agente conversacional, para empezar por identificar dónde se podía aportar más valor.
• Optimización cognitiva del agente, donde cubrir un análisis profundo de su diseño conversacional. Con esto se pretendía conseguir la curación y reducción de los intents, frases de entrenamiento y refactorización de entidades.
• Medición del impacto de las mejoras comparando el estado inicial del asistente conversacional en relación con las medidas implantadas en el proceso de evolución del mismo.

Con todos estos pasos se pretendía conseguir la curación y la optimización del asistente virtual para llevarlo al siguiente nivel: mejorar su interacción con los clientes y su ratio de conversión.

Mejoras del 29% sobre la tasa de aciertos

Tras los cambios llevados a cabo, se realizó un proceso de análisis sobre el agente en web y app, para medir la mejora conseguida en el nivel de acierto del asistente. Para ello, se analizaron los ratios de acierto para un subconjunto de 450 frases de test, formado por unas 3 frases de entrenamiento por intent que cubrían el 33,5% de intents de primer nivel y distintas categorías. El resultado del análisis reflejó una mejora de un 29% sobre las tasas de acierto anteriores para el subconjunto analizado.

Por otro lado, se realizó un proceso de medición similar sobre el agente de call center, a través de un subconjunto de 136 frases de entrenamiento donde se representan los intents de primer nivel y de distintas categorías. En este caso, la mejora alcanzada para este otro subconjunto en el nivel de acierto llegó al 10%.

Estos han sido los resultados obtenidos a causa de las primeras optimizaciones implementadas. Sin embargo, el trabajo con EVO Assistant no se queda aquí, el objetivo es seguir avanzando en nuevas mejoras tanto en operativas actuales como en las futuras operativas que EVO Banco quiere poner en marcha.