Tradotto dall'originale inglese. Dati e fonti restano invariati. Leggi l'originale in inglese
DTDC
DTDC potenzia il chatbot per corrieri DIVA con l'IA generativa e riduce del 51,4% le richieste gestite dal team di assistenza
DTDC, rete indiana di corrieri, ha sostituito il copione rigido del suo chatbot DIVA con un agente di IA generativa su Amazon Bedrock che gestisce tracciamento, tariffe e copertura del servizio. Il post di AWS, scritto con il personale di DTDC, riporta il 93% di accuratezza nelle risposte e il 51,4% in meno di richieste gestite dal team di assistenza.
Dati chiave
Copiati esattamente dalle fonti. Copiate qualsiasi dato insieme alla sua citazione.
oltre 400.000
Richieste di clienti che DTDC Express riceve ogni mese, su tutti i canali1
93%
Accuratezza delle risposte di DIVA 2.0, secondo il post1
51,4%
Calo delle richieste gestite dal team di assistenza clienti, secondo il post1
51,4%
(131.530)
Richieste su spedizioni che non hanno generato un ticket di assistenza, negli ultimi 3 mesi di dati della dashboard1
Cosa è servito
Le fonti non rendono noti costi, dimensioni del team e tempi.
Il problema
DTDC Express riceve oltre 400.000 richieste di clienti al mese, su tracciamento, verifiche di copertura e tariffe di spedizione. Il suo assistente esistente, DIVA, funzionava con un flusso guidato rigido, quindi gli utenti dovevano seguire un percorso fisso invece di fare domande con parole proprie. Questo appesantiva l'assistenza clienti, allungava i tempi di risoluzione e peggiorava l'esperienza del cliente.
Cosa hanno costruito
DTDC e il suo partner AWS ShellKode hanno costruito DIVA 2.0, un agente conversazionale sul sito di DTDC. I clienti fanno domande in linguaggio naturale su tracciamento, tariffe, disponibilità del servizio o temi generali. L'agente capisce cosa vuole il cliente, interroga i sistemi di DTDC per tracciamento, prezzi e copertura delle consegne e può creare un ticket di assistenza. Un modello linguistico di grandi dimensioni, Claude 3.0 di Anthropic su Amazon Bedrock, trasforma i dati in una risposta.
Come ci sono riusciti
Per le domande generali l'agente cerca in una base di conoscenza costruita a partire dal sito di DTDC, da documenti interni di assistenza, FAQ e dati operativi. Se non trova nulla di pertinente, restituisce un messaggio predefinito in cui dice di non poter aiutare. Richieste e risposte vengono registrate in una dashboard aperta al team di amministrazione di DTDC, che mostra accuratezza, richieste irrisolte e picchi di traffico. Il post indica come principali difficoltà il collegamento di dati in tempo reale dai sistemi legacy, la gestione dei termini logistici e delle richieste in più passaggi, e il passaggio dal vecchio DIVA senza interruzioni del servizio.
Risultati
Il post riporta un'accuratezza delle risposte del 93% e dice che il team di assistenza ora gestisce il 51,4% di richieste in meno. Negli ultimi 3 mesi di dati della dashboard, il 51,4% delle 256.048 richieste su spedizioni non ha richiesto un ticket di assistenza. DTDC afferma che il personale di assistenza può ora concentrarsi su questioni più critiche.
Lezioni per il vostro progetto
Sostituire i menu a copione con un agente che sappia interrogare i sistemi in tempo reale. DIVA 2.0 controlla i sistemi di tracciamento, prezzi e aree di servizio e può aprire un ticket di assistenza.
Dare al bot una via d'uscita sicura. Quando la base di conoscenza non ha una risposta, DIVA 2.0 dice di non poter aiutare invece di tirare a indovinare.
Costruire una dashboard fin dal primo giorno. DTDC monitora accuratezza, richieste irrisolte e picchi di traffico, e questo mostra dove migliorare.
Mettere in conto di mantenere gli operatori umani. Il post dice che l'agente non ha eliminato la necessità dell'assistenza clienti, e che molte conversazioni coinvolgono ancora entrambi.
Avvertenze
- La fonte è un post del blog di AWS scritto insieme al personale di DTDC e all'integratore ShellKode, quindi i dati sono dichiarati dal fornitore. Nessuna fonte indipendente li conferma.
- Il post non dice come sia stato misurato il 93% di accuratezza, su quale periodo, né qual sia la base del calo del 51,4% delle richieste al team di assistenza. Lo stesso 51,4% compare anche come quota delle richieste sulle spedizioni senza ticket, quindi le due cifre potrebbero essere collegate.
- Il post non indica una data di avvio. La data riportata è quella del post.
- Il post nomina Claude 3.0 di Anthropic su Amazon Bedrock. La cifra di 400.000 riguarda tutte le richieste mensili a DTDC, non solo quelle gestite dall'agente.
Fonti
- The DIVA logistics agent, powered by Amazon Bedrock
AWS Machine Learning Blog · 2025-08-07 · Caso di studio del fornitore · aws.amazon.com
Riassunto con parole nostre a partire dalle fonti sopra indicate. Avete notato un errore? Consultate le rettifiche.