На что способен чат бот

Что такое чат-бот, и как его используют в бизнесе

Здравствуйте. Меня зовут Людмила, я маркетолог в компании Altcraft. Сегодня рассказываем, что такое чат-бот и зачем его используют в бизнесе. Чат-боты повышают удовлетворенность клиентов на 24%. Узнайте, в чем кроется причина такого показателя, в нашей новой статье. Приятного чтения.

Элиза появилась на свет в 1966 году. Свое призвание она нашла в психотерапии. Люди делились с ней своими переживаниями, и она старалась помочь каждому из них.

Правда, ей не всегда это удавалось:

Да, Элиза была первым чат-ботом. Она имитировала человека-психиатра, функционируя на основе ключевых слов. Программу разработал профессор Массачусетского технологического института Джозеф Вейценбаум. Пообщаться со старушкой Элизой можно здесь.

На протяжении полувека ученые продолжали исследования в области искусственного интеллекта и машинного обучения. Но всё это были лишь эксперименты, которые не преследовали какой-либо практической цели. Например, в 1995 году Ричард Уоллес разработал чат-бот A.L.I.C.E. Проект, выпущенный с открытым исходным кодом, несколько раз получал премию Лёбнера как самый «человечный» ИИ. Однако Уоллес создал бот не для того, чтобы он продавал товары или консультировал потребителей.

Всё изменилось в последнее десятилетие. Новую популярность обрели мессенджеры — WhatsApp, Facebook Messenger, Telegram и другие. Именно они стали идеальной платформой для развертывания чат-ботов. В то же время крупные компании занялись разработкой собственных виртуальных ассистентов. В 2010 Apple запустила Siri, затем люди познакомились с Amazon Alexa, а чуть позже Яндекс презентовал Алису.

Многие заинтересовались этой технологией. Кто из нас не болтал с чат-ботом, желая узнать, насколько тот хорош в имитации человеческой речи?

Бизнес не мог не увидеть огромный потенциал в чат-ботах — технология, которая способна автоматизировать немало рутинных процессов. Многие компании внедрили их на свои сайты или создали ботов в социальных сетях. Чат-боты незаметно вошли в нашу жизнь, и сегодня мы уже без колебаний задаем им вопрос или общаемся по телефону.

Чат-бот — это программа, которая имитирует разговор с пользователем на естественном языке, позволяя ему взаимодействовать с цифровым устройством, как с реальным человеком.

Бот обрабатывает запрос пользователя и дает ему необходимый ответ. Обмен сообщениями — как текстовыми, так и голосовыми — может происходить в мессенджерах, на веб-сайте, в мобильном приложении или через телефон.

В зависимости от того, как именно функционируют боты, выделяют два основных вида: чат-боты на основе правил (стандартные или ограниченные) и чат-боты на основе искусственного интеллекта (умные или самообучающиеся).

Такие чат-боты взаимодействуют с пользователем, опираясь на ключевые слова в запросе. Зачастую бот сам предлагает пользователю выбрать ключевое слово, поскольку подобрать все слова, которые человек способен использовать в вопросе, практически невозможно.

Если в запросе бот не найдет заложенных в его программу ключевых слов, он не сможет дать ответа. Обычно в подобных случаях пользователя перенаправят к «реальному» сотруднику.

Чат-боты на основе искусственного интеллекта полагаются на NLP-техники, а также методы распознавания речи и обработки текстов с помощью нейронных сетей. Такие боты ответят пользователю, даже если он ввел нестандартный вопрос. Главное преимущество — способность к самообучению.

Источник

Что внутри чат-бота?

Меня зовут Иван Бондаренко. Я занимаюсь алгоритмами машинного обучения для анализа текстов и устной речи примерно с 2005 года. Сейчас работаю в Московском Физтехе ведущим научным разработчиком лаборатории бизнес-решений на основе Центра компетенций НТИ по Искусственному интеллекту МФТИ и в компании Data Monsters, которая занимается вопросами практической разработки диалоговых систем для решения тех или иных задач в индустрии. Также немного преподаю у нас в университете. Мой рассказ будет посвящен тому, что такое чат-бот, как алгоритмы машинного обучения и другие подходы применяются для автоматизации общения человека и компьютера и где это может быть реализовано.

Полную версию моего выступления на «Ночи научных историй» можно посмотреть в видеозаписи, а краткие тезисы я приведу в тексте ниже.

Возможности алгоритмов

В первую очередь, алгоритмы взаимодействия с человеком находят успешное применение в call-центрах. Работа оператора call-центра очень тяжелая и дорогостоящая. Более того, во многих ситуациях полностью решить проблему общения человека и компьютера практически невозможно. Одно дело, когда мы работаем с банком, у которого, как правило, несколько тысяч клиентов. Можно набрать штат сотрудников call-центра, который бы обслуживал этих клиентов и беседовал с ними. Но когда мы решаем более масштабные задачи (например, производим смартфоны или какую-то другую бытовую электронику), у нас клиентов не несколько тысяч, а несколько десятков миллионов по всему миру. И мы хотим понимать, какие проблемы с нашей продукцией есть у людей. Пользователи, как правило, делятся друг с другом информацией на форумах либо пишут в службу поддержки производителя смартфонов. Живые операторы не смогут справиться с работой по огромной клиентской базе, и здесь на помощь приходят алгоритмы, которые могут работать в многоканальном режиме, обслуживая огромное количество людей.

Для решения подобных задач, для построения алгоритмов диалоговых систем, которые могли бы взаимодействовать с человеком и извлекать смысл, важную информацию из произвольных сообщений, существует целое направление в области компьютерной лингвистики – анализ текстов на естественном языке. Робот должен уметь читать, понимать, слушать, говорить и так далее. Это направление – Natural Language Processing (анализ текста на естественном языке) – распадается на несколько частей.

Понимание текста (Natural Language Understanding, NLU).

Когда бот общается с человеком и человек что-то пишет боту, нужно понять, что написано, что хотел пользователь, о чем он упоминал в своей речи. Понимание намерений пользователя, так называемого интента – чего человек хочет: перевыпустить банковскую карту или заказать пиццу. И выделение именованных сущностей, то есть вещей, о которых конкретно говорит пользователь: если это пицца, то «Маргарита» или «Гавайская», если карта, то какая система – MasterCard, Мир и так далее.

И, наконец, понимание тональности сообщения – в каком эмоциональном состоянии находится человек. Алгоритм должен уметь детектировать, в какой тональности написано сообщение, либо это новостной текст, либо это сообщение от человека, который общается с нашим ботом, для того чтобы адекватным образом реагировать на тональность.

Порождение текста (Natural Language Generation) – адекватная реакция на человеческий запрос таким же человеческим языком (естественным), а не сложной табличкой и не формальными фразами.

Распознавание и синтез речи (Speech-to-Text and Text-to-Speech). Если чат-бот не просто переписывается с человеком, а говорит и слушает, нужно научить его понимать устную речь, звуковые колебания преобразовывать в текст, чтобы потом модулем понимания текста этот текст анализировать, и из текста-ответа генерировать, в свою очередь, звуковые колебания, которые потом услышит человек, абонент.

Виды чат-ботов

В чат-ботах можно выделить несколько ключевых архитектур.

Чат-бот, отвечающий на наиболее часто задаваемые вопросы (FAQ-чатбот) – самый простой вариант. Мы всегда можем сформулировать набор типовых вопросов, которые задают люди. Для сайта по доставке готовой еды, как правило, это вопросы: «сколько будет стоить доставка», «доставляете ли вы в Первомайский район», и пр. Можно их сгруппировать по нескольким классам, интентам, пользовательским намерениям. И для каждого интента подобрать типовые ответы.

Целенаправленный чат-бот (goal oriented bot). Я здесь попытался показать архитектуру подобного чат-бота, который реализован в проекте iPavlov. iPavlov – это проект по созданию разговорного искусственного интеллекта. В частности, целенаправленный чат-бот помогает пользователю достичь какой-то цели (например, забронировать столик в ресторане или заказать пиццу, или что-то узнать о проблемах в банке). Речь идет не просто об ответе на вопрос (вопрос-ответ – без всякого контекста). У целенаправленного чат-бота есть модуль понимания текста, управления диалогом и модуль генерации ответов.

Чат-боты вопросно-ответной системы question answering system и просто «болталки» (chit chat bot). Если два предыдущих типа чат-ботов либо отвечают на наиболее часто задаваемые вопросы, либо ведут пользователя по графу диалогов, в конце концов, помогая забронировать ресторан, выясняя, что хочет пользователь, китайскую или итальянскую кухню и т.д., то вопросно-ответная система – это другой тип чат-бота. Задача такого чат-бота – не двигаться по графу диалога и не просто классифицировать намерения пользователя, а обеспечивать информационный поиск – находить наиболее релевантный документ, соответствующий вопросу человека, и место в документе, где содержится ответ. Например, сотрудники крупного ритейлера вместо того, чтобы заучивать наизусть инструкции, регламентирующие работу, либо искать ответ, куда ставить гречку, задают вопрос такому чат-боту на основе вопросно-ответной системы.

Виды машинного обучения

Распознавание интентов, выделение именованных сущностей, поиск в документах и поиск мест в документе, которые соответствуют семантике вопроса – все это без машинного обучения, без некого статистического анализа реализовать невозможно. Поэтому в основе современных чат-ботов лежит машинное обучение –методы задач, аппроксимации некой скрытой закономерности, которая есть в больших массивах данных и выявление этих закономерностей. Такой подход имеет смысл применять, когда закономерности, задачи есть, но простую формулу, формализм для описания этой закономерности придумать невозможно.

Существует несколько видов машинного обучения: с учителем (supervised learning), без учителя (unsupervised learning), с подкреплением (reinforcement learning). Нас интересует, прежде всего, задача обучения с учителем – когда есть входные изображения и указания (метки) учителя и классификация этих изображений. Либо входные речевые сигналы и их классификация. И мы учим нашего бота, наш алгоритм воспроизводить работу учителя.

О’кей, вроде бы все круто. А как научить компьютер понимать тексты? Текст – это сложный объект, и как буквы превратить в числа и придумать векторное описание текста? Есть самый простой вариант – «мешок слов». Мы задаем словарь всей системы, например, все слова, которые есть в русском языке, и формулируем вот такие очень разреженные вектора с частотами слов. Этот вариант хорош для простых вопросов, но для более сложных задач он не годится.

В 2013 году произошла в некотором роде революция в моделировании слов и текстов. Томас Миколов предложил специальный подход эффективного векторного представления слов, основанный на дистрибутивной гипотезе. Если разные слова встречаются в одном и том же контексте, значит, они имеют что-то общее. Например: «Ученые провели анализ алгоритмов» и «Ученые провели исследование алгоритмов». Так, «Анализ» и «исследование» являются синонимами и обозначают примерно одно и то же. Поэтому можно научить специальную нейронную сеть прогнозировать слово по контексту, либо контекст по слову.

Наконец, как мы обучаем? Для того чтобы обучить бота понимать интенты, истинные намерения, нужно вручную разметить кучу текстов с помощью специальных программ. Чтобы научить бота понимать именованные сущности – имя человека, название фирмы, локация – тоже нужно размещать тексты. Соответственно, с одной стороны, алгоритм обучения с учителем наиболее эффективный, он позволяет создавать эффективную распознающую систему, но, с другой стороны, возникает проблема: нужны большие размеченные дата-сеты, а это делать дорого и долго. В процессе разметки дата-сетов могут быть ошибки, вызванные человеческим фактором.

Для решения этой проблемы в современных чат-ботах применяют так называемый перенос обучения – transfer learning. Те, кто знают много иностранных языков, наверняка замечали такой нюанс, что очередной иностранный язык учить легче, чем первый. Собственно, когда вы изучаете какую-то новую задачу, то пытаетесь использовать для этого свой прошлый опыт. Так вот, transfer learning (перенос обучения) как раз основан на этом принципе: мы обучаем алгоритм решать одну задачу, для которой у нас есть большой дата-сет. А потом этот обученный алгоритм (то есть берем алгоритм не с нуля, а обученный решению другой задачи), дообучаем решать нашу задачу. Таким образом, мы получаем эффективное решение с использованием небольших различных данных.

Одна из таких моделей – это ELMo (Embeddings from Language Models), как ELMo из Улицы Сезам. Мы используем рекуррентные нейронные сети, они имеют память и могут обрабатывать последовательности. Например: «Программист Вася любит пиво. Каждый вечер после работы он заходит в «Джонатан» и пропускает бокал-другой». Так вот, он – это кто? Он – это вечер, он – это пиво, или он – это программист Вася? Нейронная сеть, которая обрабатывает слова, как элементы последовательности, учитывая контекст, рекуррентная нейронная сеть, может понять взаимосвязи, решить эту задачу и выделить какую-то семантику.

Мы обучаем такую глубокую нейронную сеть моделировать тексты. Формально это задача обучения с учителем, но учителем у нас выступает сам неразмеченный текст. Следующее слово в тексте является учителем по отношению ко всем предыдущим. Таким образом, можем использовать гигабайты, десятки гигабайт текстов, обучать эффективные модели, которые выделяет семантика в этих текстах. И потом, когда мы используем модель Embeddings from Language Models (ELMo) в режиме вывода, мы подаем слово с учетом контекста. Не просто stick, a let’s stick. Смотрим, что нейронная сеть генерирует в этот момент времени, какие сигналы. Эти сигналы мы катанируем и получаем векторное представление слова в конкретном тексте, с учетом его конкретной сематической значимости.

В анализе текстов есть еще одна особенность: когда решается задача машинного перевода, один и тот же смысл одним количеством слов на английском может быть передан и другим количеством слов на русском. Соответственно, идет не линейное сопоставление, и нам необходим механизм, который бы акцентировал внимание на тех или иных кусочках текста, чтобы адекватно их перевести на другой язык. Изначально внимание было придумано для машинного перевода – задача преобразования одного текста в другой с обычными рекуррентными нейронными системами. В это мы добавляем специальный слой внимания, который в каждый момент времени оценивает, какое слово нам сейчас важно.

Но потом ребята из Google подумали, а почему не использовать механизм внимания вообще без рекуррентных нейронных сетей – только внимание. И придумали архитектуру, которая называется трансформер (BERT (Bidirectional Encoder Representations from Transformers)).

На базе такой архитектуры, когда есть только многоголовое внимание, были придуманы специальные алгоритмы, которые тоже могут анализировать взаимосвязи слов в текстах, взаимосвязи текстов друг с другом – как это делает ELMo, только более хитро. Во-первых, это более крутая и сложная сеть. Во-вторых, мы решаем одновременно две задачи, а не одну, как в случае с ELMo – языковое моделирование, прогнозирование. Мы пытаемся восстановить скрытые слова в тексте и восстановить связи между текстами. То есть, допустим: «Программист Вася любит пиво. Каждый вечер он ходит в бар». Два текста связаны между собой. «Программист Вася любит пиво. Журавли осенью улетают на юг» – это два несвязанных текста. Опять-таки, эту информацию можно извлечь из неразмеченных текстов, обучить BERT и получить очень крутые результаты.

Об этом в ноябре прошлого года была опубликована статья «Attention Is All You Need», которую очень я очень рекомендую прочитать. На данный момент это является самым крутым результатом в области анализа текстов для решения разных задач: для классификации текста (распознавание тональности, намерений пользователя); для вопросно-ответных систем; для распознавания именованных сущностей и так далее. Современные диалоговые системы используют BERT, предобученные контекстные эмбеддинги (ELMo или BERT) для того, чтобы понять, что хочет пользователь. Но модуль управления диалогом по-прежнему часто проектируется на основе правил, потому что конкретный диалог может быть очень зависим от предмета или даже от задачи.

Источник

Как работают чат-боты

Как часто вместо службы поддержки вы общались с ботом? Уверен, в последнее время вы встречаете их гораздо чаще. Роботы повсюду: в блогах, на информационных порталах, одностраничниках, в сообществах и мессенджерах.

Владелец бизнеса может задуматься: почему большинство ресурсов подключают чат-боты? Какие задачи они решают? Как автоматизированный помощник поможет мне повысить конверсию и продажи?

Предпосылки

Занимательная статистика от Google: 65% посетителей предпочитают написать службе поддержки, нежели читать информацию на сайте, звонить или встречаться с менеджером лично. Получается, более половины потенциальных клиентов обязательно напишут в чат. Люди хотят получить информацию, не тратя время на изучение и анализ товара.

Никакая компания не желает раздувать штат сотрудников. Служба поддержки, отдел продаж и технические специалисты требуют финансовых и организационных затрат. Порой работники физически не могут обработать наплыв клиентов, и часть посетителей, так и не дождавшись ответа, просто уходит. Среди огромного потока людей сложно отыскать действительно заинтересованных пользователей: спам, «узнавайки» и прочие «залетчики» сильно тормозят рабочий процесс. В итоге конверсия падает, а продажи улетучиваются.

Однако чат-боту не нужна премия, он не ест, не спит и выполняет несколько действий одновременно. Вместо десятка сотрудников достаточно подключить одного автопомощника. При этом он будет выполнять те же функции, что и человек: отвечать на вопросы, делать персональные предложения и оформлять заказы.

Но как же живое общение? Неужели клиенты не почувствуют холодность бездушного робота? Отнюдь. Согласно исследованию Statista за 2017 год, 34% посетителей не против общаться с чат-ботом. Прошло четыре года, и ситуация стала только лучше. Уже сейчас 80% крупных компаний из Нидерландов, Франции и Англии развивают автоматизированное общение, подавая пример своим конкурентам.

Что такое чат-бот и как он работает

Бот – это автоматизированная программа, выдающая ответ после ключевых слов. Например, клиент пишет «сколько стоит автомобиль» на сайте официального дилера Ford. В ту же секунду бот отвечает: «Автомобиль Ford Focus в базовой комплектации стоит 700 000 рублей». Представьте, сколько может быть таких клиентов на одного бота! И каждый получит ответ на свой вопрос.

Конечно, это не все возможности чата. Настраиваются практически любые автоматические действия:

Конкретные задачи чат-бота

Робот берется за все, что можно автоматизировать. Теперь бизнес, связанный с клиентами, может открыть один человек. ВКонтакте ярко показал, на что способен бот: администраторы пабликов настраивали и поиск туристических путевок, и расшифровку голосовых сообщений, и даже игры.

Автоматизированный чат редко ошибается, он отвечает быстро, без опечаток и неточностей. У него нет нерабочего времени; даже ночью робот приведет посетителя к оформлению заказа. Помимо общения, бот умеет:

Увеличение продаж

Какой выхлоп приносит ресурс, заточенный под продажи? Маркетологи считают, что конверсия в пределах 1-6% – показатель успеха. Но по факту сайт теряет львиную долю клиентов: привлекательный и понятный дизайн, грамотный текст, интересные баннеры и цепляющие попапы не спасают от скоропостижного закрытия вкладки.

Основная проблема – неосведомленность клиентов о товаре или услуге. При этом они не хотят читать информацию на сайте, тем более спрятанную за вкладками и страшной аббревиатурой FAQ.

Частично проблема решается методом «семи касаний»: посетитель должен увидеть товар не менее семи раз, после чего он должен оформить заказ. Однако в 2021 году конкуренция очень высока, поэтому даже 15 показов могут не убедить человека в качестве товара. А рекламировать продукт в больших масштабах очень трудно и затратно.

Чат-бот – новый инструмент привлечения клиентов. Всего один диалог выводит человека если не на продажу, то на новостную подписку. А уже через сообщения отправляются предложения, напоминания об акциях и просто разогревочные слова с легким побуждением к покупке.

Автоматические продажи

Перед маркетологами стоит задача настроить автоворонку продаж, то есть путь клиента от знакомства с товаром до оформления заказа. Однако часто маршрут оставляет желать лучшего: посетитель сам идет по «рекламным этапам» и может спотыкаться о свои вопросы и страхи. Менеджеры не всегда будут рядом, а клиенты все разные – кто-то никогда не будет звонить и уточнять информацию.

Чат-бот устраняет эти недостатки, превращаясь в автоворонку. У клиента есть надежный путеводитель, который будет постоянно подогревать интерес и отвечать на появившиеся вопросы.

Пример: человек зашел на сайт музыкального оборудования. Через какое-то время бот предлагает диалог. Посетитель соглашается, подключаясь к чату. Система сразу же получает информацию о клиенте, хранящуюся в открытом доступе. Теперь бот осведомлен и может сделать персонализированное предложение. Никаких шаблонов и однотипного текста – только то, что хочет услышать клиент. Если покупатель еще в раздумьях, бот предложит подписку и будет ненавязчиво разогревать интерес регулярными сообщениями.

Подводя итог

Чат-бот – одно из самых развивающихся направлений в сфере маркетинга и бизнеса. Скрипт берет на себя столько задач, сколько не под силу целой команде. При этом вы не обманываете клиента: он будет только рад круглосуточному обслуживанию.

Источник

Сколько стоит чат-бот и в чем его преимущества для бизнеса

Блочный редактор писем, готовые шаблоны email, формы подписки и автоматизация. Запускайте email-рассылки, чтобы быть на связи со своими клиентами.

Где взять базу? Как сделать красивое письмо? Какие показатели смотреть? Расскажем об этом в бесплатном курсе из 16 писем. Татуировка в каждом письме!

Рассказываем про инструменты для email-рассылок. Обсуждаем лучшие примеры и механики. Говорим о деньгах. Публикуем вакансии.

По данным CNBC, к 2022 году 80% запросов от пользователей будут обрабатываться без участия человека. Отвечать будут чат-боты.

Чат-боты — это программы, которые автоматизируют общение с пользователями. Например, человек делает заявку на заказ, а бот отвечает по заданному сценарию.

В прошлой статье мы писали, как создать чат-бот своими руками. Теперь расскажем, сколько стоят чат-боты и какую выгоду они могут дать.

Эффективны ли чат-боты

51% пользователей ожидают от брендов немедленного ответа в любое время суток. Для этого бизнесы запускают круглосуточную службу поддержки и тратят на это большие деньги.

По данным SalesForce, 69% пользователей предпочитают общение с ботами, потому что они могут получить ответы от бренда с удобной для себя скоростью. Роботу не сложно ответить 100 пользователям одновременно, а менеджера придется ждать.

Чат-бот создаёт ощущение, что бизнес всегда с тобой на связи. И если робот решает все проблемы пользователя, присутствие человека не нужно.

Если боты так выгодны — почему их не внедрило большинство бизнесов? Брендам не хватает примеров применения чат-ботов, они переживают о приватности пользователей и том, что бот будет давать неточные ответы.

Сколько стоит сделать чат-бота

Оценить бюджет на разработку чат-бота сложно. Цена зависит от того, кто разрабатывает (вы сами или агентство), для каких целей, насколько сложным будет функционал. Мы посоветовались с экспертом и привели очень условную вилку цен.

Бизнесу, у которого есть разработчики в штате, можно разработать чат-бота инхаус. Скорее всего в IT-департаменте уже есть автоматизация для внутренних нужд. Эти практики нужно перенести на чат-ботов для целевой аудитории компании.

Возможности чат-ботов для бизнеса

Дополнительный канал продаж. По словам Антона Библи, разработчика Railwaybot, люди проводят в мессенджерах около 80% времени использования смартфона. Потому Антон советует ecommerce-бизнесам смотреть в сторону чат-ботов, как дополнительного канала продаж.

С точки зрения продаж, чат-бот похож на приложение. В том же Telegram можно нативно из бота вызывать оплату с Apple Pay. Самое главное тут — аудитория, которая определяет выбор мессенджера. К примеру по географии — в одних регионах России более популярен WhatsApp, Viber, в других — Telegram.

Важно помнить, что чат-бот — это не приложение и не сайт. Поэтому не нужно переносить, к примеру, добавление товаров в корзину и оформление заказа в бот. Чат-бот – это история про скорость, простоту и удобство. Чем проще диалог, тем выше продажи.

MVP мобильного приложения. Чат-бот — хороший способ протестировать, нужно ли бизнесу делать мобильное приложение. Одновременно можно протестировать и маркетинг, и разработку.

Порог входа в бот у пользователя ниже, чем в приложение: Telegram у него уже стоит, запустить бот — это два клика. При этом сам диалог в боте можно сделать коротким, сократить количество этапов воронки продаж и увеличить скорость их прохождения. При таких условиях чат-бот сможет легко обогнать приложение. А бизнес поймет, есть ли у аудитории запрос на разработку полноценного приложения.

Ограничения в чат-ботах тоже есть. К примеру, через чат-ботов тяжело собирать информацию о пользователях. Аналитические сервисы есть (например, Chatbase, Dashbot и Metabase), но данных все равно не хватает. Поэтому заменить полноценное приложение чат-бот не сможет.

В проекте «Іван Маск» создатели пошли еще дальше — запоминают все нестандартные сообщения от пользователей типа «Благодарю» и открытых вопросов. Затем анализируют их и обучают на их базе нейронную сеть, которая подбирает подходящие по смыслу ответы. За счет этого, диалог получается более естественным, а бот старается привести пользователя к сделке.

Источник