Índice

[[#Colaboración]]
[[#Otras herramientas]]

Colaboración

Para optimizar la analítica del rendimiento del agente, se recomienda trabajar en conjunto con los desarrolladores de Dialogflow CX. Se pueden usar parámetros de sesión para capturar información clave que haga que los reportes sean más impactantes.

Mejoras clave en el diseño de Dialogflow CX para reporting

1. Parámetro de sesión de evento: Permite registrar el motivo de una llamada de forma de alto nivel, especialmente cuando la conversación tiene un resultado negativo o el usuario toma un camino inesperado. Se pueden usar cuatro categorías principales para clasificar los eventos de escalada:

   • Solicitud de agente: Cuando el usuario pide explícitamente ser transferido.

   • Intentos máximos (Max attempts):

     • Maxed intent collection: El bot no pudo obtener la intención del usuario después de varios intentos.

     • Maxed ID collection: El bot no pudo obtener la información de identificación del usuario.

     • Maxed no match: Demasiadas respuestas del usuario resultaron en "no coincidencia".

     • Maxed no input: El usuario no respondió después de varios intentos.

   • Reglas de negocio: El usuario no era elegible para el autoservicio o la lógica de negocio forzó la transferencia a un agente humano.

   • Fallos de webhook: Ocurrió un problema con el webhook.

     • Fallo operativo: Falla técnica con la integración.

     • Fallo funcional: El webhook devolvió una respuesta incorrecta.

2. Parámetro de sesión de intención principal (Head Intent): Se recomienda que los desarrolladores marquen la intención principal en un parámetro de sesión para diferenciarla de las intenciones suplementarias. Esto facilita la correlación de los turnos de conversación con el objetivo principal del usuario.

3. Parámetro de sesión del número de versión (Version number): Añade el número de la versión del bot como parámetro de sesión. Esto ayuda a correlacionar los errores con un despliegue específico, facilitando la resolución de bugs. También permite rastrear las nuevas características en el registro de cambios (changelog).

Estas mejoras permiten obtener datos más granulares y útiles para la analítica, y son el resultado de una colaboración efectiva entre los analistas y los desarrolladores.

Otras herramientas

Hay otras herramientas que pueden complementar el análisis avanzado del feedback loop de un agente conversacional. La principal de estas es Colab, un cuaderno Jupyter alojado, que en combinación con la API de Dialogflow CX Scripting, permite realizar un análisis profundo.

Herramientas para el análisis avanzado

1. Colab (Jupyter Notebook): Es una herramienta de Google Research que te permite escribir y ejecutar código Python en un navegador, sin necesidad de configuración. Es especialmente útil para el análisis de datos.

2. DFCX SCRAPI (Dialogflow CX Scripting API): Una API de alto nivel para Python que facilita la construcción y el mantenimiento de bots de Dialogflow CX a escala. Te permite realizar las siguientes tareas:

   • Administración de recursos: Crear, actualizar, eliminar, obtener y listar todos los tipos de recursos de CX.

   • Análisis de datos: Convertir los recursos de CX a DataFrames de Pandas para su análisis.

   • Automatización: Ejecutar conversaciones completas con un agente CX de forma automatizada.

   • Extracción de información: Obtener datos de validación e historial de cambios.

   • Búsqueda: Buscar un parámetro o frase específica en todos los flujos, páginas y rutas.

   • Copia de recursos: Mover recursos entre agentes de manera rápida.

3. BigQuery: Se usa para exportar los datos de Dialogflow CX y analizarlos.

4. Looker Studio: Se utiliza para crear paneles de visualización a partir de los datos en BigQuery.

Estrategia para el análisis del feedback loop

1. Integrar: Conecta Dialogflow CX con BigQuery para tener los datos listos para el análisis.

2. Analizar: Usa Colab Notebooks y DFCX SCRAPI para leer los metadatos del agente y entender su diseño.

3. Visualizar: Crea paneles en Looker Studio a partir de las tablas de BigQuery para visualizar las métricas y los insights de diseño.

La combinación de estas herramientas te permite ir más allá de las funcionalidades nativas de Dialogflow y obtener un entendimiento profundo del rendimiento del agente, lo que lleva a mejoras significativas en la experiencia del usuario.