Conversational Marketing Chatbot: Cara Kerja dan Use Case untuk Mempercepat Sales Pipeline

Namun, banyak bisnis masih memakai chatbot sebatas balasan otomatis untuk pertanyaan seputar jam operasional atau harga. Laporan Inside the Conversational AI Revolution dari Twilio memperlihatkan jaraknya bahwa 90% organisasi menilai pelanggan mereka puas dengan conversational AI, sementara hanya 59% konsumen yang menyatakan hal serupa.

Akibatnya, iklan dan kampanye yang mengarahkan calon pelanggan ke percakapan menghasilkan lead yang belum terkualifikasi. Sales mengulang pertanyaan yang sudah dijawab bot, dan tim marketing sulit menunjukkan kontribusi percakapan terhadap pipeline.

Conversational marketing chatbot menutup celah itu dengan menjadikan percakapan sebagai jalur menuju pipeline. Bot menyapa, mengkualifikasi, lalu meneruskan konteksnya ke sales atau CRM.

Dalam artikel ini, Mekari Qontak Blog akan membahas cara kerja, manfaat, dan contoh use case conversational marketing chatbot.

---

Apa Itu Conversational Marketing Chatbot?

Conversational marketing chatbot adalah program komputer otomatis atau asisten virtual berbasis kecerdasan buatan (artificial intelligence/AI) yang berinteraksi langsung dan dua arah dengan calon pelanggan.

Bisnis memakainya dalam strategi conversational marketing untuk mengganti formulir isian web yang kaku dengan percakapan yang mengalir seperti obrolan dengan lawan bicara manusia.

Conversational marketing mencakup live chat dan tim manusia, sedangkan chatbot menjalankan dialognya secara otomatis dalam skala besar.

Dialog membantu bisnis memajukan prospek melalui marketing funnel tanpa jeda menunggu. Formulir dan email membuat prospek menunggu balasan berjam-jam, sedangkan percakapan membuat tiap jawaban prospek langsung menentukan pertanyaan berikutnya.

---

Perbedaan Conversational Marketing Chatbot vs Jenis Chatbot Lain

Gunakan tombol panah kiri/kanan untuk menggulir secara horizontal.

Aspek Perbedaan	Conversational Marketing Chatbot	Form + Email Drip	Customer Service Chatbot	Human Live Chat
Tujuan	Menangkap minat, mengkualifikasi, dan mendorong lead ke tahap berikutnya	Mengumpulkan kontak lalu menunggu follow-up	Menjawab pertanyaan atau menyelesaikan keluhan	Memberikan konsultasi personal
Interaksi	Dua arah dan real-time	Satu arah/asinkron	Dua arah, berorientasi pada penyelesaian	Dua arah, bergantung jam operasional
Pemicu	Perilaku website, iklan, campaign	Pengisian form	Pelanggan memulai percakapan	Pengunjung memulai percakapan
Output	Lead berkualifikasi + ringkasan percakapan di CRM	Data form	Tiket selesai atau eskalasi	Catatan manual dari agent
Metrik	Response time, qualification rate, MQL > SQL	Form conversion, open rate	Resolution rate, CSAT	Jumlah chat yang ditangani

Perbedaan utamanya terletak pada tujuan akhir percakapan. Conversational marketing chatbot tidak berhenti setelah berhasil menjawab pertanyaan.

Proses dianggap berhasil ketika lead telah memenuhi kriteria tertentu dan konteks percakapannya dapat diteruskan kepada sales atau tersimpan di CRM.

Dengan demikian, Chatbot mengambil alih percakapan berulang dan proses kualifikasi awal sehingga tim dapat fokus pada prospek yang membutuhkan interaksi lebih lanjut.

---

Cara Kerja Conversational Marketing Chatbot dari Sapaan Pertama hingga Handoff ke Sales

Percakapan yang menghasilkan pipeline melewati tujuh tahap, dari pemicu sampai perbaikan berkelanjutan. Diagram berikut menunjukkan bagaimana bot menyerahkan lead yang siap ke sales dan merawat sisanya secara otomatis.

1. Menentukan Trigger Percakapan

Percakapan dapat dimulai secara reaktif ketika pelanggan mengirim pesan atau secara proaktif ketika sistem mendeteksi perilaku tertentu.

Contohnya, chatbot dapat aktif ketika pengunjung berada di halaman produk, mengklik iklan Click-to-WhatsApp, atau memindai QR code. Untuk trigger proaktif di website, bisnis juga perlu menetapkan batas frekuensi agar pesan tidak terasa mengganggu.

Trigger menentukan konteks awal percakapan. Karena itu, pesan pembuka sebaiknya disesuaikan dengan sumber atau aktivitas yang dilakukan prospek.

2. Menentukan Identitas, Persona, dan Aturan Eskalasi Emosi

Identitas dan persona bot perlu ditetapkan sebelum tim menulis alur percakapan. Anda perlu menentukan nama, tone of voice, tujuan, dan batas perilaku bot, lalu menyesuaikan register bahasanya dengan brand.

Penelitian di Journal of Marketing oleh Crolic, dkk. menemukan bahwa chatbot yang dibuat mirip manusia, misalnya dengan nama dan avatar, menurunkan kepuasan, penilaian terhadap perusahaan, dan niat beli berikutnya pada pelanggan yang masuk dalam keadaan marah. Efek itu tidak muncul pada pelanggan yang tidak marah.

Artinya, persona yang hangat cocok untuk percakapan kualifikasi, tetapi keluhan perlu jalur cepat ke agen manusia. Aturan yang sederhana: kata kunci keluhan atau sentimen negatif langsung memicu handover.

3. Mengidentifikasi Intent dan Tingkat Kematangan Lead

Pemahaman niat (intent) memungkinkan chatbot AI menangkap maksud dari kalimat bebas, termasuk bahasa informal, lewat pemrosesan bahasa alami (natural language processing/NLP). Pelanggan tidak perlu mengetik angka menu untuk memilih topik.

Secara umum, kemampuan chatbot dapat dibagi menjadi tiga tingkat.

Gunakan tombol panah kiri/kanan untuk menggulir secara horizontal.

Jenis	Cara kerja	Cocok untuk	Keterbatasan
Rule-based chatbot	Tombol, decision tree, dan aturan tetap	Kualifikasi sederhana dan informasi statis	Kurang fleksibel di luar skenario
AI chatbot	NLU dan knowledge base	Pertanyaan bebas terkait produk, harga, atau kebijakan	Kualitas sangat bergantung pada knowledge base
Agentic AI	Memahami konteks sekaligus menjalankan tindakan dalam batas tertentu	Booking, pengecekan jadwal, pengiriman link, atau proses transaksi	Membutuhkan kontrol, otorisasi, dan audit yang ketat

4. Knowledge Base sebagai Sumber Jawaban

Knowledge base menjadi sumber jawaban chatbot AI. Anda hanya perlu mengunggah dokumen, menautkan halaman web, atau menghubungkan API untuk data real time seperti stok dan status pesanan.

Jawaban bot hanya sebaik sumber yang tersedia: dokumen yang usang menghasilkan jawaban yang usang. Karena itu, daftar pertanyaan yang belum terjawab menjadi bahan perbaikan rutin.

5. Melakukan Kualifikasi Secara Terstruktur

Setelah intent dipahami, chatbot dapat mengumpulkan informasi yang dibutuhkan untuk menentukan kualitas lead. Pertanyaan dapat mencakup kebutuhan, anggaran, ukuran bisnis, maupun waktu pengambilan keputusan.

Penggunaan pilihan jawaban dapat mengurangi friction. Namun, semakin banyak pertanyaan yang tidak relevan, semakin besar kemungkinan prospek berhenti di tengah percakapan.

Karena itu, pertanyaan chatbot sebaiknya disesuaikan dengan lead scoring dan informasi yang benar-benar dibutuhkan sales.

6. Melakukan Handover dengan Konteks

Lead yang memenuhi kriteria perlu diteruskan kepada sales atau tim yang tepat bersama konteks percakapannya.

Data lead, ringkasan kebutuhan, serta hasil kualifikasi dapat disimpan di CRM sehingga sales tidak perlu mengulang pertanyaan yang sudah dijawab pelanggan.

Handover yang baik bukan sekadar memindahkan chat dari bot ke agent. Sistem perlu memastikan siapa yang menerima lead, informasi apa yang ikut diteruskan, dan apa tindakan berikutnya.

7. Perbaikan Berkelanjutan dari Percakapan Nyata

Chatbot perlu dievaluasi berdasarkan percakapan yang gagal, pertanyaan yang tidak terjawab, dan hasil handover.

Perbaikan dapat dilakukan pada knowledge base, alur percakapan, pertanyaan kualifikasi, maupun aturan eskalasi. Dalam praktiknya, “learning” pada chatbot bisnis tidak selalu berarti sistem belajar sendiri tanpa kontrol manusia. Tim tetap perlu melakukan evaluasi dan pembaruan secara berkala.

---

Manfaat Conversational Marketing Chatbot untuk Kecepatan Respons

Manfaat conversational marketing chatbot terlihat paling jelas di titik tempat pipeline biasanya bocor, dari respons pertama hingga data yang masuk ke CRM.

1. Mempercepat First Response

Kecepatan respons berpengaruh terhadap peluang lead untuk ditindaklanjuti.

Dalam studi terpisah atas 1,25 juta lead, perusahaan yang menghubungi dalam satu jam hampir tujuh kali lebih mungkin mengkualifikasi lead dibanding yang menunggu satu jam lebih lama.

Data ini berasal dari 2011 dan perusahaan Amerika Serikat, sehingga tim Indonesia perlu memakainya sebagai arah, bukan patokan pasti.

Chatbot dapat membantu menutup gap tersebut, terutama ketika volume percakapan tinggi atau prospek datang di luar jam kerja.

2. Membuat Kualifikasi Lead Lebih Konsisten

Tanpa standar yang sama, setiap channel atau agent dapat mengajukan pertanyaan berbeda. Akibatnya, data yang diterima sales menjadi tidak seragam.

Chatbot dapat menggunakan alur pertanyaan yang sama di website, WhatsApp, maupun channel digital lainnya. Data yang dihasilkan kemudian dapat digunakan sebagai dasar lead scoring.

Sales tidak hanya menerima daftar kontak, tetapi juga informasi mengenai kebutuhan dan tingkat kesiapan prospek.

3. Mendorong Conversion melalui CTA Berbasis Percakapan

Percakapan membuat CTA lebih kontekstual dibandingkan sekadar tombol atau form.

Angka ini mencerminkan niat yang dilaporkan responden, jadi tim tidak dapat membacanya sebagai bukti sebab-akibat, tetapi ketersediaan kanal percakapan sudah menjadi sinyal layanan.

4. Menyediakan Layanan 24 Jam

Chatbot dapat menangani pertanyaan dasar dan proses kualifikasi di luar jam kerja tanpa menambah jumlah agent secara langsung.

Namun, efisiensi tersebut tetap bergantung pada kualitas chatbot dan mekanisme handover. Bisnis perlu menghitung penghematan waktu agent, volume percakapan yang ditangani, serta biaya per qualified lead untuk mengetahui dampak sebenarnya.

5. Memungkinkan Personalisasi Berdasarkan Data

Ketika chatbot terhubung dengan CRM, percakapan dapat menggunakan informasi mengenai riwayat interaksi atau segmen pelanggan.

Misalnya, prospek yang sebelumnya pernah berinteraksi dengan produk tertentu dapat menerima pertanyaan lanjutan yang lebih relevan.

Namun, kualitas personalisasi bergantung pada kelengkapan data, izin penggunaan data, serta integrasi antar-sistem.

6. Menghasilkan First-Party Data yang Lebih Relevan

Percakapan dapat menjadi sumber first-party data ketika pelanggan secara langsung memberikan informasi seperti nama, industri, kebutuhan, preferensi, atau consent komunikasi.

Data tersebut dapat disimpan di CRM untuk mendukung segmentasi dan attribution. Percakapan juga dapat membantu marketing memahami preferensi serta hambatan yang dialami prospek.

Kuncinya adalah memastikan data dikumpulkan untuk tujuan yang jelas dan berdasarkan dasar pemrosesan yang sesuai.

7. Memperluas Channel Tanpa Mengulang Logika Percakapan

Logika kualifikasi yang sama dapat diterapkan di website, WhatsApp, media sosial, atau QR code.

Meski demikian, format percakapan perlu disesuaikan dengan karakteristik setiap channel. Pesan yang efektif di website belum tentu cocok untuk WhatsApp atau media sosial.

---

Contoh Use Case Conversational Marketing Chatbot di Berbagai Fungsi dan Industri

Use case berikut disusun per fungsi supaya Marketing, Sales, dan Customer Success dapat menemukan bagiannya masing-masing.

1. Lead Qualification dari Iklan dan Landing Page

Traffic dari iklan tidak otomatis menjadi lead berkualitas. Ketika prospek diarahkan langsung ke percakapan melalui Click-to-WhatsApp atau landing page, chatbot dapat langsung mengidentifikasi kebutuhan dan kesiapan mereka.

Alurnya dapat mencakup pertanyaan kualifikasi, pemilihan produk, booking demo, hingga handover ke sales.

Dengan begitu, tim sales menerima konteks lebih lengkap dibandingkan sekadar data nama dan nomor telepon.

2. Product Guide atau Shopping Assistant

Chatbot dapat membantu prospek menemukan produk berdasarkan kebutuhan, kategori, maupun skala penggunaan.

Dibandingkan dengan menampilkan seluruh katalog, chatbot dapat menanyakan kebutuhan pelanggan terlebih dahulu lalu memberikan rekomendasi yang relevan.

Modelnya sudah lama dicoba: eBay memperkenalkan ShopBot versi beta di Facebook Messenger sebagai asisten belanja yang bertanya untuk memahami maksud pembeli. Contoh ini menjadi penanda tren, bukan bukti performa.

3. Distribusi Content dan Promotion Berbasis Opt-in

Chatbot dapat digunakan untuk mendistribusikan ebook, artikel, webinar, maupun penawaran berdasarkan interaksi pengguna.

Misalnya, seseorang yang membaca konten mengenai topik tertentu dapat ditawari panduan terkait melalui percakapan. Sebelum menerima komunikasi lanjutan, bisnis perlu menjelaskan jenis pesan yang akan dikirim dan meminta opt-in sesuai kebutuhan.

4. Pengumpulan First-Party Data dan Consent

Chatbot dapat mengumpulkan informasi seperti nama, industri, preferensi, dan persetujuan komunikasi secara langsung dari pelanggan.

Data tersebut kemudian dapat diteruskan ke CRM atau marketing automation untuk segmentasi dan follow-up.

Pada tahap ini, marketing, IT, dan Legal perlu menyepakati jenis data yang dikumpulkan, tujuan penggunaannya, masa retensi, serta mekanisme pengelolaannya.

5. Demo dan Appointment Booking

Untuk bisnis B2B, chatbot dapat membantu menawarkan slot meeting, melakukan konfirmasi, hingga mengirimkan pengingat.

Sales menerima informasi mengenai konteks kebutuhan sebelum pertemuan berlangsung sehingga waktu meeting dapat digunakan untuk pembahasan yang lebih substantif.

6. Order Tracking dan Feedback

Setelah pembelian, chatbot dapat digunakan untuk memberikan informasi status pesanan sekaligus meminta feedback.

Jika pelanggan memberikan respons negatif atau menyampaikan keluhan yang membutuhkan penanganan khusus, percakapan dapat langsung dialihkan kepada agent.

7. Pre-Qualification dan Pengumpulan Dokumen di Sektor Keuangan

Dalam layanan finansial, chatbot dapat membantu memberikan informasi awal, melakukan pre-qualification, dan memeriksa kelengkapan dokumen sebelum diteruskan kepada relationship manager.

Di sektor perbankan, OJK menerbitkan pedoman tata kelola AI untuk perbankan yang meminta bank mengelola AI sepanjang siklus hidupnya dengan penekanan pada akuntabilitas, pengawasan manusia, dan keandalan.

Dengan demikian, bot cukup menangani tahap awal, sedangkan keputusan kelayakan tetap dipegang manusia. Ini contoh penerapan yang selaras dengan prinsip pengawasan manusia, bukan kewajiban hukum bagi semua lembaga keuangan.

8. Informasi Penting saat Gangguan atau Kejadian Operasional

Chatbot juga dapat digunakan untuk memberikan informasi ketika terjadi gangguan layanan.

Pelanggan dapat menerima informasi berdasarkan segmen atau layanan yang terdampak, sementara pertanyaan berulang dapat ditangani otomatis. Kasus khusus tetap dapat diteruskan kepada agent.

---

Cara Menyusun Alur Conversational Marketing Chatbot di Mekari Qontak

Menyusun alur conversational marketing chatbot lebih mudah bila tim memulai dari satu tujuan dan menguji sebelum publish. Langkah berikut memakai fitur chatbot Mekari Qontak sebagai contoh.

1. Mulai dari Satu Tujuan Bisnis

Hindari membuat chatbot dengan terlalu banyak tujuan sejak awal. Tentukan satu use case utama, misalnya booking demo dari Click-to-WhatsApp Ads.

Tujuan yang spesifik memudahkan bisnis menentukan trigger, pertanyaan, handover, serta metrik keberhasilan.

2. Rancang Conversation Flow

Buat alur percakapan dalam bentuk decision tree sebelum mengimplementasikannya.

Batasi pertanyaan pada informasi yang benar-benar dibutuhkan. Untuk pengumpulan data yang lebih panjang dan terstruktur, WhatsApp Flows dapat digunakan agar pelanggan tidak perlu melewati percakapan yang terlalu panjang.

3. Bangun Knowledge Base

Chatbot dapat dilatih menggunakan PDF, URL, teks, maupun API. Untuk informasi seperti harga, kebijakan, atau detail produk, kreativitas respons perlu dibatasi agar jawaban tetap konsisten dengan sumber resmi.

Pertanyaan yang tidak dapat dijawab juga perlu dipantau. Data tersebut menjadi input untuk memperbarui knowledge base.

4. Tetapkan Aturan Handover

Tentukan kondisi yang membuat percakapan harus diteruskan kepada manusia.

Contohnya:

• Pelanggan meminta berbicara dengan agent.
• Chatbot gagal memahami pertanyaan beberapa kali.
• Percakapan masuk ke topik sensitif atau keluhan.
• Lead memenuhi kriteria tertentu.
• Pelanggan membutuhkan tindakan yang berada di luar kewenangan chatbot.

Aturan tersebut perlu dilengkapi dengan informasi apa yang diteruskan kepada agent dan tindakan yang dilakukan ketika percakapan berhenti.

5. Uji Sebelum Diluncurkan

Anda bisa menggunakan Bot Preview dan Listen Mode untuk menguji percakapan.

Setidaknya, simulasi perlu mencakup pertanyaan mengenai harga, keluhan, pertanyaan di luar topik, permintaan berbicara dengan manusia, dan pertanyaan ambigu.

Pengujian tidak berhenti ketika chatbot dapat menjawab pertanyaan normal. Skenario kegagalan justru penting untuk memastikan sistem memiliki jalur fallback dan handover yang jelas.

---

Audit Percakapan: Cara Menilai Apakah Chatbot Marketing Benar-Benar Menggerakkan Pipeline

1. Ukur Kesenjangan antara Perspektif Bisnis dan Pengalaman Pelanggan

Dashboard biasanya menunjukkan metrik seperti volume percakapan dan response time. Namun, pelanggan menilai chatbot dari kemampuan menyelesaikan kebutuhan mereka.

Twilio menemukan kesenjangan antara persepsi organisasi dan konsumen terhadap conversational AI. Karena itu, evaluasi sebaiknya tidak hanya menggunakan dashboard, tetapi juga membaca percakapan aktual dan menggunakan survei setelah interaksi.

2. Evaluasi Kualitas Handover ke Manusia

Handover yang baik harus memastikan pelanggan diteruskan pada waktu yang tepat dan agent menerima konteks yang cukup untuk melanjutkan percakapan tanpa mengulang pertanyaan dari awal.

Karena itu, tentukan aturan handover berdasarkan kondisi seperti permintaan pelanggan untuk berbicara dengan agent, sentimen negatif, percakapan yang berulang, atau lead yang telah memenuhi kriteria tertentu.

Saat handover, sertakan ringkasan kebutuhan, informasi penting, dan konteks percakapan agar agent dapat segera mengambil tindakan yang relevan.

3. Identifikasi Dead End dan Loop

Dead end terjadi ketika chatbot tidak mampu membawa percakapan ke langkah berikutnya, sedangkan loop muncul ketika chatbot terus mengulang respons atau pertanyaan yang sama.

Keduanya dapat membuat pelanggan frustrasi dan menghentikan percakapan sebelum kebutuhannya terselesaikan.

Untuk menemukan masalah tersebut, pantau metrik seperti fallback rate, loop rate, pertanyaan yang tidak terjawab, dan frekuensi eskalasi ke agent.

Jika chatbot gagal memahami kebutuhan pelanggan setelah beberapa kali percobaan, arahkan percakapan kepada agent daripada terus mempertahankan interaksi otomatis.

4. Perhatikan Transparansi dan Persepsi terhadap Bot

Temuan ini memiliki konteks yang spesifik dan bukan alasan untuk menyembunyikan penggunaan AI.

Studi tersebut juga menunjukkan bahwa bot yang diungkapkan dapat dipersepsikan kurang knowledgeable dan empathetic, meskipun pengalaman AI berikutnya atau waktu pengungkapan dapat mempengaruhi persepsi tersebut.

---

Bangun Conversational Marketing Chatbot yang Terhubung ke Pipeline Anda dengan Mekari Qontak

Dengan demikian, respons yang lambat, lead yang belum terkualifikasi, handoff tanpa konteks, dan consent yang tidak terdokumentasi membuat conversational marketing chatbot berhenti sebagai balasan otomatis.

Kerangka di artikel ini membantu tim menghubungkan bot dengan pipeline, mengukur kualitas percakapannya, dan menjaga kepatuhan sejak awal.

Mekari Qontak sebagai platform customer engagement berbasis AI terintegrasi dengan chatbot AI berbasis conversational, omnichannel CRM, dan WhatsApp Business API resmi dalam satu dashboard.

Dengan begitu, percakapan, data lead, dan riwayat pelanggan tersimpan di satu tempat yang dapat dipakai sales, marketing, dan customer service.

Pelajari solusi Mekari Qontak untuk tim marketing untuk melihat bagaimana chatbot dapat terhubung dengan pipeline Anda.

Dapatkan uji coba gratis atau konsultasikan kebutuhan bisnis Anda dengan tim ahli Mekari Qontak.

Referensi

• Tata Kelola Kecerdasan Artifisial Perbankan Indonesia – Otoritas Jasa Keuangan