Introducción
Bistrohunter es un chat que facilita la búsqueda y reserva en restaurantes en España a través de Whatsapp. El objetivo de este proyecto fue mejorar la UX de un chat de recomendación de restaurantes asistido con IA.
Planteamiento inicial
Este proyecto es una fase más del desarrollo de lo que empezó como un MVP que se ha ido iterando y mejorando hasta lo que es hoy. Aunque originalmente el producto estaba enfocado en empresas (B2B) y era a través de otra plataforma, escuchando a los usuarios y observando los resultados nos dimos cuenta de que podría funcionar mucho mejor en Whatsapp y para otro tipo de público. En las siguientes iteraciones fuimos añadiendo capas de complejidad, como integrar la IA para que la conversación fuera más fluida y que las recomendaciones fueran más automáticas y escalables.
Investigación
Para esta parte del proceso se han seguido varias vías de investigación:
Entrevistas: se realizaron varias entrevistas para tratar de conocer más a los usuarios y tratar de entender para qué usarían el chat.
Encuestas: estas han servido para confirmar algunos de los insights detectados en las entrevistas y para hacer un pequeño seguimiento cuantitativo del producto (NPS, valoraciones…)
Análisis de datos: hacer un análisis de los datos registrados en la base de datos sobre las recomendaciones que han pedido los clientes (lugar, tipo de cocina, precios…)
Análisis de conversaciones: investigar más en detalle como son las conversaciones de los clientes para tratar de entender los flujos que siguen en la conversación y las veces que se repiten estos flujos.
User persona
Para sintetizar esta investigación se definieron tres tipologías de persona que usan nuestro chat:
Los viajeros: personas que viajan a otra ciudad y no conocen ningún restaurante.
Los descubridores: personas que quieren conocer sitios nuevos en la ciudad donde viven o donde trabajan.
Los específicos: quieren buscar algo con una característica particular, por ejemplo, que tenga opciones sin gluten o que tenga un ambiente muy elegante.
Introducción
Bistrohunter es un chat que facilita la búsqueda y reserva en restaurantes en España a través de Whatsapp. El objetivo de este proyecto fue mejorar la UX de un chat de recomendación de restaurantes asistido con IA.
Planteamiento inicial
Este proyecto es una fase más del desarrollo de lo que empezó como un MVP que se ha ido iterando y mejorando hasta lo que es hoy. Aunque originalmente el producto estaba enfocado en empresas (B2B) y era a través de otra plataforma, escuchando a los usuarios y observando los resultados nos dimos cuenta de que podría funcionar mucho mejor en Whatsapp y para otro tipo de público. En las siguientes iteraciones fuimos añadiendo capas de complejidad, como integrar la IA para que la conversación fuera más fluida y que las recomendaciones fueran más automáticas y escalables.
Investigación
Para esta parte del proceso se han seguido varias vías de investigación:
Entrevistas: se realizaron varias entrevistas para tratar de conocer más a los usuarios y tratar de entender para qué usarían el chat.
Encuestas: estas han servido para confirmar algunos de los insights detectados en las entrevistas y para hacer un pequeño seguimiento cuantitativo del producto (NPS, valoraciones…)
Análisis de datos: hacer un análisis de los datos registrados en la base de datos sobre las recomendaciones que han pedido los clientes (lugar, tipo de cocina, precios…)
Análisis de conversaciones: investigar más en detalle como son las conversaciones de los clientes para tratar de entender los flujos que siguen en la conversación y las veces que se repiten estos flujos.
User persona
Para sintetizar esta investigación se definieron tres tipologías de persona que usan nuestro chat:
Los viajeros: personas que viajan a otra ciudad y no conocen ningún restaurante.
Los descubridores: personas que quieren conocer sitios nuevos en la ciudad donde viven o donde trabajan.
Los específicos: quieren buscar algo con una característica particular, por ejemplo, que tenga opciones sin gluten o que tenga un ambiente muy elegante.
Happy path
En un primer momento se planteó un flujo sencillo para que siguieran las peticiones de los clientes, pero pronto nos dimos cuenta que las casuísticas iban a ser mucho más complejas que las que habíamos pensado inicialmente. Idealmente el cliente sigue cuatro pasos:
Nos escribe y acepta la política de privacidad.
Nos pide recomendación
Le enviamos la recomendación
Solicita y se gestiona la reserva (si quiere)
Diagrama de flujo
A partir de este happy path desarrollamos todos las posibilidades que nos habíamos ido encontrando y las plasmamos en un flujo. Hay que tener en cuenta que al ser un flujo conversacional para un mismo paso del flujo el cliente podía interactuar de muchas maneras. Al contrario que lo que ocurre cuando hay botones e interfaces en pantalla, el cliente puede escribir de muchas maneras.
Otro de los aspectos que descubrimos gracias a la experimentación es que cuantas más pistas le des al cliente sobre cómo debe interactuar con el chatbot más fácil es que siga ese happy path. Para ello establecimos algunos mensajes para educar al usuario en un onboarding escrito que también se tuvieron en cuenta en este flujo.
Mensajes y tono
Como hemos visto no solo es importante el flujo, también el contenido de los mensaje especialmente de aquellos clave que pueden reconducir el flujo y evitar que se salga de las posibilidades que hemos definido.
Por último, era importante que se mantuviera un mismo tono acorde con la marca. La marca no es solo una entidad gráfica, sino que también debe plasmarse en las comunicaciones ya sean en redes o web o en las comunicaciones del propio producto, como ocurre en este caso.
Implementación y métricas
La implementación de este proyecto la llevó a cabo el equipo de desarrollo elaborando mejoras en el prompt para mejorar las respuestas y estableciendo algunos mensajes predefinidos que debían mantenerse siempre iguales.
Para analizar los resultados se establecieron una serie de métricas como los datos de reserva, la recurrencia, el porcentaje de fallos… Además se siguieron analizando chats para detectar nuevos flujos no contemplados.
Aprendizajes
Los principales aprendizajes de este proyecto para mi ha sido:
Entender las limitaciones que tiene la tecnología.
Descubrir cómo se abre el abanico de interacciones cuando el flujo es conversacional.
Apreciar la importancia de una buena estructuración de los datos para un buen análisis.
Implementación y métricas
La implementación de este proyecto la llevó a cabo el equipo de desarrollo elaborando mejoras en el prompt para mejorar las respuestas y estableciendo algunos mensajes predefinidos que debían mantenerse siempre iguales.
Para analizar los resultados se establecieron una serie de métricas como los datos de reserva, la recurrencia, el porcentaje de fallos… Además se siguieron analizando chats para detectar nuevos flujos no contemplados.
Aprendizajes
Los principales aprendizajes de este proyecto para mi ha sido:
Entender las limitaciones que tiene la tecnología.
Descubrir cómo se abre el abanico de interacciones cuando el flujo es conversacional.
Apreciar la importancia de una buena estructuración de los datos para un buen análisis.
