¿Cómo crear un chatbot Python desde cero para principiantes? Guía paso a paso

Los chatbots son pequeños bots que se programan con la intención de dar respuestas a las preguntas de los usuarios. Aunque parezca que su funcionalidad es básica, no lo es, ya que puede brindar una gran cantidad de beneficios para tu marca en cuanto a atención al cliente.

Normalmente las empresas o marcas pequeñas utilizan esta tecnología para poder brindar más atención cuando hay un gran flujo de preguntas y aumentar tu audiencia en el mundo digital. También se usa para expandir tu marca y aumentar su reconocimiento, aunque se requiere de estrategias puntuales.

Crear un chatbot no es una tarea muy sencilla, pero con la ayuda de Python y nuestra guía podrás hacer el bot más adecuado para tu empresa.

¿Cuáles son los beneficios de utilizar un Chatbot para mi empresa digital?

Los chatbot son muy importante para el sector empresarial, no solo porque fortalece las ventas, sino también por otros beneficios que permiten evolucionar en esta era digital.

A continuación, te mostraremos los beneficios que obtienes al utilizar esta tecnología:

Acceso a una gran audiencia

Gracias a los chatbots, se puede trabajar en conjunto con diferentes redes sociales, en ellas se ofrece una gran atención a la mensajería de tu mercado digital.

Se implementan en diferentes plataformas como:

• Facebook
• Twitter
• Instagram
• Skype
• Slack

No solo permite atender más rápido a tu audiencia, también deja ventajas al facilitar llegar a un número mayor de clientes. El alto engagement es otra de las posibilidades con los bots a bajo coste.

Monitoreo de datos del consumidor y obtención de estadísticas

El uso de los chatbots puede contribuir en la recopilación de datos, debido a que en muchas ocasiones los consumidores no brindan mucha información de ellos. Al igual que permite encontrar el motivo de su retiro en tu página web. Incluso, puede utilizarse para analizar el flujo de tus consumidores y obtener una estadística optimizada según la conversión de la audiencia a las que deseas llegar.  En este punto, se incluye el análisis del bajo tráfico de tu página.

Los chatbots pueden redireccionar al visitante, siempre que quiera de-suscribirse de tu empresa digital para recopilar información del porqué  deciden abandonar la suscripción. Estos datos que pueden ser recogidos permite adaptarse más a las necesidades de tu público objetivo. Aunque no se limita hasta allí, debido a que ayuda a organizar las diferentes ventas que se han realizado desde tu sitio. La gestión inteligente permite obtener mejores resultados y una toma de decisiones más certera.

Atención personalizada

Si deseas aumentar las ventas de tus productos, primero debes aumentar el número de consumidores y es esto es una de las características que los chatbots ofrecen a cabalidad. Los chatbots pueden ser programados para ofrecer búsquedas y experiencias personalizadas, beneficio que encaja a la perfección con las necesidades de tus clientes. Cumplir con esto, es clave para que el engagement aumente.

Mejora la marca comercial con un esfuerzo mínimo

Debido a la gran competencia que existe hoy en día en el mundo digital, atraer más clientes se ha convertido en una tarea un poco complicada y más si se trata de una empresa nueva. Por esta razón, los bots suelen ser una solución eficaz a los problemas, ya que permite ofrecerles a las personas la información necesaria para su comodidad. Aumentar la experiencia y eliminar los obstáculos para la búsqueda o compra de nuestros clientes, es fundamental para que cataloguen tu empresa como una de sus favoritas.

Se ajustan a las necesidades del negocio

Los chatbots pueden adaptarse a las diferentes necesidades actuales de tu empresa, permitiendo gestionar las ventas, estadificar los indicadores o resolver preguntas automáticamente, abriendo oportunidades de expansión. Todo esto gracias a su modalidad de ajustes y programaciones que permiten sacar el máximo provecho en beneficio de tu negocio digital.

¿Qué tareas de mi funnel de ventas puede realizar un chatbot?

En general, los chatbots pueden ayudar a gestionar los clientes potenciales y monitorear todas las etapas de un funnel. Estos pueden desarrollar tareas que le permiten guiar a los clientes dentro de la empresa digital, de forma que pueda conseguir los productos y precios que más se adapten a sus necesidades.

El servicio de mensajería instantánea recopila toda la información de lo que necesitan los clientes. Por otro lado, cumplen con su función básica que son las respuestas programadas, cuya característica incrementa el engagement. Sea  digital o físico, los clientes siempre buscan una justa atención, y basándonos en este punto se puede asegurar que los chatbots se especializan en ello.

La principal idea es buscar comodidad en los consumidores, y el objetivo se cumple cuando:

• Se ofrecen productos de interés
• Se genera atención personalizada
• Existen búsquedas sugeridas
• Se cumplen con las necesidades del consumidor
• Lo más importante ¡se valora su tiempo!

En esta última debe haber un mayor énfasis, debido que en el mundo digital, donde todo va muy rápido, ofrecer ventas rápidas a nuevos y antiguos clientes es esencial para que sus próximas compras las realicen con tu marca. Por tal razón, los chatbots son muy importantes, ya que son los que brindan esa atención personalizada que tanto necesitan los consumidores, aunque su tarea pueda durar algunos segundos solamente.

¿Por qué utilizar Python para crear mi chatbot? Principales ventajas

Los grandes expertos en programación prefieren utilizar Python para el desarrollo de sus proyectos, por sus beneficios variados.

Son muchas las ventajas que puedes obtener al utilizar este lenguaje:

Simplificado y rápido

Python nos permite adaptarnos a un modo de programación según lo que busquemos, en este caso programar un chatbot, por lo que usando los patrones de este, podemos crear nuestro bot de chat con un lenguaje scripting. Por este motivo, se considera que parte de las grandes ventajas que nos brinda Python, es su sencillez y rapidez en todos los procesos de programación del bot chat.

Elegante y flexible

Ambas son características esenciales de Python. Este lenguaje tiene una gran cantidad de herramientas para que las programaciones cumplan con los objetivos de la estrategia de atención al cliente. No debes preocuparte tanto por repetir codificaciones ya que este lenguaje sugiere las que corresponden para que el algoritmo se cumpla a la perfección, y con un mínimo de error.

Programación sana y productiva

Programar en base a Python resulta ser muy productivo, no solo por los detalles mencionados anteriormente, sino también por su gran facilidad al momento de hacer que nuestra programación cumpla con las reglas correspondientes para la función adecuada. Dicho de otra forma, aprender en Python es sumamente sencillo porque su inteligencia permite hacer programaciones de gran calidad en las operaciones, en el menor tiempo posible.

Portable

Este lenguaje es totalmente portable, permitiendo programar desde tu Mac, Linux o Windows. En cualquiera de los sistemas donde se utilice, su perfección y calidad es igual, incluyendo que no se requiere de la instalación de complementos o terceros para culminar los proyectos o programaciones.

Pasos para crear un chatbot para mi empresa desde cero con Python

A continuación, te mostramos una serie de pasos y requisitos necesarios para que puedas crear desde cero un chatbot útil para tu empresa.

Es recomendable prestar mucha atención, debido que si tu experiencia en este tema es muy baja, tendrás que repetir el proceso en algunas ocasiones:

Requisitos previos

El requisito más importante antes de poder programar con Python es conocer los conceptos claves de NLTK, Scikit y NLP. Si no tienes ni la menor idea de lo que te estamos mencionando, te invitamos a que leas los conceptos que corresponden a cada uno de ellos.

NLP

El Procesamiento del Lenguaje Natural, o también conocido como NLP, hace referencia a la interacción que existe entre el procesador del lenguaje humano con el de las computadoras. En otras palabras es el intermediario o traductor del proceso.

NLTK

La plataforma Natural Language Toolkit es una de las más reconocidas al programar con Python. Es la adecuada para la escritura en un lenguaje humano, proporcionando interfaces flexibles y sencillas de utilizar. En ella se pueden encontrar diferentes bibliotecas de procesamiento ideales para la clasificación, tokenización, derivación, etiquetado, análisis y razonamiento semántico, trabajando en conjunto con el PNL.

Scikit-learn

Esta es la biblioteca de aprendizaje automático y se caracteriza por ofrecer toda una guía de algoritmos de programación en Python, de forma que se pueda dominar a la perfección diferentes detalles que son altamente valiosos durante el desarrollo del chatbot.

Descargando e instalando NLTK

Hay cientos de sitios web que permiten hacer una descarga rápida de este programa. Una vez tengas el instalador, se ejecuta el archivo después de descargarlo, con el siguiente código: pip install nltk.

Vamos a ello:

• Después, se realiza instalación de prueba ejecutando Python, debes escribir: import nltk.
• Nota: si quieres más información sobre NLYK, visita su web https://www.nltk.org/install.html

Instalación de paquetes NLTK

Ahora importamos y ejecutamos NLTK con el comando nltk.download(). El código anterior abrirá el software que se encarga de bajar la plataforma, permitiendo elegir los corpus o modelos que se desea anexar.

Reprocesamiento de texto con NLTK

El reprocesamiento de texto con NLTK es muy importante antes de realizar cualquier proyecto de PNL, debido que el principal problema de estos textos, es que se presentan en forma de cadenas.

Los reprocesamientos, de forma básica, incluyen dentro de sus tareas lo siguiente:

• Transforma y convierte los textos que se encuentran en mayúscula o minúsculas, según corresponda para que el algoritmo pueda ser interpretado de forma correcta en los diferentes pasos.
• Convierte las cadenas de textos en lista de tokens, cuyo proceso se conoce como tokenización. Entre las diferentes utilidades que se le pueden dar a este proceso, está la búsqueda de palabras en cadenas.
• Disipar el ruido, se trata de eliminar las letras o números que están en estándar.
• De existir dentro de la programación palabras de uso común, pero que cause mucha relevancia, se eliminan, categorizándolas como Stop Words, excluyéndolos totalmente de los documentos que se estén escribiendo.
• Las derivaciones son procesos donde se reduce el número de palabras con inflexión, desde sus root o raíz. En otras palabras, eliminan aquellos sinónimos que conducen al mismo acto o hecho.
• A diferencia del anterior, la lematización es la existencia en la programación de palabras reales, el cual no son derivadas y son denominadas como lemas.

Bag of Words

Luego de realizar el reprocesamiento, es necesario que las palabras o matriz de números se conviertan o transformen en una representación de textos. A este proceso se le conoce como bag of words, el cual su objetivo es describir el espectro de palabras dentro de un documento.

Enfoque TF-IDF

Parte de los problemas que se presentan al momento de codificar, es el enfoque de la bolsa de palabras. Esto consiste en agrupar palabras que son muy frecuentes entre sí, pero con poco valor en la programación, por lo que hará que nuestros documentos tengan más peso, para funciones más cortas. El enfoque consiste en volver a escalar la frecuencia de esas palabras, de forma que se disminuya el peso, pero aumente el valor. Tales palabras frecuentes pueden ser artículos, como por ejemplo: “the, a y an”.

Similitud coseno

Consiste en la transformación o interpretación que le aplican a los textos para que puedan ser identificados dentro de un vector real en el espacio. Dentro del proceso de NPL se puede tomar esa similitud y dividirla por el producto de las normas, produciendo un ángulo entre ambos vectores. De manera más exacta y clara, la similitud de coseno es la medida que existe entre dos o más vectores, cuyo valor es diferente a cero.

Existe una fórmula que puede ser utilizada para descubrir cuándo existe una similitud entre dos documentos (d1 y d2):

• Cosine Similarity (d1, d2) = Dot product(d1, d2) / ||d1|| * ||d2||

Comencemos con la programación del bot

Ahora que ya conoces en qué consiste el proceso NPL, y algunos términos esenciales, procedemos a la idea principal: “crear un chatbot desde cero”. Antes que todo, debes definir un nombre a tu chatbot, tienes total libertad en hacerlo, en nuestro caso utilizaremos “ROBO”.

Importando las librerías necesarias

Después de iniciar y ejecutar la plataforma anterior, debes importar todas las librerías que necesitarás.

Para ello ingresa el siguiente código en la terminal de comandos:

import nltk
import numpy as np
import random
import string # to process standard Python strings

Cuerpo

Debes buscar un cuerpo, y para ello vas a cualquier página de Internet y copiamos todo el corpus, y guardas un archivo con el nombre de “chatbot.txt”.

Leyendo en los datos

Continuamos con una lectura del archivo “chatbot.txt” en una completa lista de oraciones y frases para el procesamiento de la lectura de nuestro bot.

El proceso se realiza mediante la siguiente fórmula:

f=open('chatbot.txt','r',errors = 'ignore')raw=f.read()raw=raw.lower()# converts to lowercasenltk.download('punkt') # first-time use only
nltk.download('wordnet') # first-time use onlysent_tokens = nltk.sent_tokenize(raw)# converts to list of sentences
word_tokens = nltk.word_tokenize(raw)# converts to list of words

Hecho lo anterior puedes hacer una lectura o ver la estructura del “sent tokens” y “Word tokens”, por medio del siguiente:

sent_tokens[:2]
['a chatbot (also known as a talkbot, chatterbot, bot, im bot, interactive agent, or artificial conversational entity) is a computer program or an artificial intelligence which conducts a conversation via auditory or textual methods.',
'such programs are often designed to convincingly simulate how a human would behave as a conversational partner, thereby passing the turing test.']
word_tokens[:2]
['a', 'chatbot', '(', 'also', 'known']

Pre-procesamiento del texto crudo

En este nivel, tendrás que definir la función para que llame al Lem Tokens, que tomará los tokens en forma de entradas, pero no alterará ningún dato, ya que posteriormente los regresara normalizados:

lemmer = nltk.stem.WordNetLemmatizer()
#WordNet is a semantically-oriented dictionary of English included in NLTK.def LemTokens(tokens):
return [lemmer.lemmatize(token) for token in tokens]
remove_punct_dict = dict((ord(punct), None) for punct in string.punctuation)
def LemNormalize(text):
return
LemTokens(nltk.word_tokenize(text.lower().translate(remove_punct_dict)))

Coincidencia de palabras clave

Ahora tendrás que definir una función que permitirá que se active mediante un saludo. Normalmente los saludos se utilizan mucho en los bots, por lo que debes programar un saludo donde el bot brinde una respuesta justa.

Este puede ser un simple “Hola”, pero depende de lo que estés interesado en agregar:

GREETING_NPUTS = ("hello", "hi", "greetings", "sup", "what's up","hey",)GREETING_RESPONSES = ["hi", "hey", "*nods*", "hi there", "hello", "I am glad! You are talking to me"]def greeting(sentence):
for word in sentence.split():
if word.lower() in GREETING_INPUTS:
return random.choice(GREETING_RESPONSES)

Generando respuesta

Como toda conversación, se necesita que se generen respuestas. Por este motivo se debe agregar preguntas de entrada y respuestas para que la conversación con la audiencia o cliente se inicie. Para ello se inicia con la importación de ciertos módulos necesarios.

Desde la biblioteca, se importa directamente el vectorizador TFidf, el cual se utilizará para convertir una colección de documentos, en una matriz fácil de interpretar:

• from sklearn.feature_extraction.text import TfidfVectorizer

También se debe hacer el proceso de importación con el módulo de similitud de coseno, desde la biblioteca de aprendizaje de Scikit:

• from sklearn.metrics.pairwise import cosine_similarity

El objetivo de esto, es que el algoritmo encuentre similitudes entre las diferentes palabras ingresadas por el usuario, y pueda encontrar una solución o respuesta al mismo. Esta es una de las implementaciones más sencillas de un chatbot.

Respuesta no encontrada

Para definir las respuestas, se debe usar las palabras claves adecuadas para cuando el usuario realice preguntas y brinde las respuestas correctas. Entre las respuestas también se pueden integrar una que le indique al cliente que formule nuevamente la pregunta.

Normalmente se programa al bot de forma que si no entiende las preguntas realizadas, le muestre al usuario un mensaje indicando que realice nuevamente las preguntas: “¡Lo siento! No te entiendo”:

def response(user_response):
robo_response=''
sent_tokens.append(user_response)TfidfVec = TfidfVectorizer(tokenizer=LemNormalize, stop_words='english')
tfidf = TfidfVec.fit_transform(sent_tokens)
vals = cosine_similarity(tfidf[-1], tfidf)
idx=vals.argsort()[0][-2]
flat = vals.flatten()
flat.sort()
req_tfidf = flat[-2]if(req_tfidf==0):
robo_response=robo_response+"I am sorry! I don't understand you"
return robo_response
else:
robo_response = robo_response+sent_tokens[idx]
return robo_response

Para ir cerrando con la programación, se debe incluir unas líneas que debe decir nuestro robot al iniciar o culminar la conversación, el código para esto es el siguiente:

flag=True
print("ROBO: My name is Robo. I will answer your queries about Chatbots. If you want to exit, type Bye!")while(flag==True):
user_response = input()
user_response=user_response.lower()
if(user_response!='bye'):
if(user_response=='thanks' or user_response=='thank you' ):
flag=False
print("ROBO: You are welcome..")
else:
if(greeting(user_response)!=None):
print("ROBO: "+greeting(user_response))
else:
print("ROBO: ",end="")
print(response(user_response))
sent_tokens.remove(user_response)
else:
flag=False
print("ROBO: Bye! take care..")

Si has cumplido los pasos tal y como te los mencionamos, entonces tu programación ha sido de total éxito, por lo que ahora podrás utilizarlo y probarlo para que puedas ver cómo interactúa con los usuarios.

Ejemplos de chats de marcas reconocidas que han tenido un gran éxito

Los chatbots son las herramientas esenciales para el crecimiento de una marca.

Muchas de las marcas que son grandemente reconocidas, han impulsado un mayor su éxito, gracias a la utilidad de los chatbots:

National Geographic

Todos conocen al gran canal de ciencias National Geographic, parte de su éxito actual se debe al uso de los chatbots con la intención de fortalecer la conexión con su audiencia. En su innovación más actual, elaboraron un chatbot para la mensajería de Facebook, de forma que brindan respuestas a su audiencia con respecto a las ideas de Albert Einstein.

El objetivo del desarrollo de este bot según los autores, fue compartir con el público todos los conocimientos que se albergaban dentro de la mente del tan complejo físico, lo que resultó ser muy efectivo e impulsó un mayor reconocimiento de esta marca.

Marvel

Al igual que Disney, Marvel utilizó un bot para la promoción de Secret Empire, donde el algoritmo consistía en permitirle a los fanáticos conversar con uno de los personajes. Todo este proceso se llevó a cabo por medio de Facebook Messenger. El resultado de este chatbot fue un rotundo éxito debido que la Marca creció y la promoción de Secret Empire resultó más económica que utilizando otros medios.

Starbucks

Aunque esta siempre ha sido una de las marcas con mayor interacción con sus clientes, siempre está presta a nuevas innovaciones. Esto se refuerza utilizando un chatbot, pero con modalidad de audio donde le permite a sus usuarios de Amazon realizar pedidos usando únicamente su voz. El nombre de este bot es “On-Command Ordering” y como todos los resultados con los bots, fue un total éxito.

KLM

Para terminar debes conocer a esta aerolínea holandesa que les permite a sus clientes usar una aplicación con inteligencia artificial por medio de la mensajería de Facebook, para recibir actualizaciones y notificaciones de vuelo según sea las preguntas que estos le realicen al bot.