Печалби:
- Възможност за трансформиране на дълги и разпръснати клиентски заявки в структурирани, приложими резюмета
- Възможност за класифициране на заявки според категория, спешност и настроения на клиента с фиксирана схема
- Възможност за дефиниране на последователен изходен формат (JSON/таблица), подходящ за автоматизация за групова обработка на билети
Представете си сутринта на екипа за поддръжка: 220 нови билета (билета) са натрупани за една нощ. Някои са едноредово „Забравих паролата си“, други са гневна жалба от три абзаца, а някои всъщност са възможност за продажба. Прочитането на тази купчина, приписването на всеки един към правилната категория, определянето на неговата спешност и насочването му към правилния човек (това се нарича триаж; същата логика на сортиране на пациентите по приоритет в спешното отделение) изяжда първите два часа от деня.
Изкуственият интелект (AI) може да свърши тази работа за секунди и последователно. Но магията не е в това да кажеш „обобщи това искане“; Той налага фиксиран списък от категории, ясни нива на спешност и неизменен изходен формат на модела. В това звено ще създадем система за сортиране, която преминава от обработка на една заявка до етикетиране на стотици заявки по начин, готов за автоматизация.
Забележка: Етикетите за категория и спешност, генерирани от AI, са инструмент за предварителна проверка. По-специално заявките, обозначени като „спешно“ и „жалба“, трябва да бъдат потвърдени от човек, преди да бъдат обработени.
Защо структурирано резюме?
Безплатно резюме („клиентът има проблеми с пратката си“) не може да се търси, сортира или автоматизира. Нуждата от мениджъра по поддръжка обаче е ясна за следните въпроси:
- В коя категория попада това искане? (Доставка, връщане, плащане, техническа информация, информация за продукта, жалба, възможност за продажба)
- Колко спешно е? (Критичен / висок / среден / нисък)
- Какво е емоционалното състояние на клиента? (Ядосан / Разочарован / Неутрален / Доволен)
- Каква е същността му от едно изречение?
- Каква трябва да е следващата стъпка?
След като дефинирате тези въпроси предварително и ги дадете на модела като схема (постоянни полета и възможни стойности), всичките 220 заявки стават сравними и могат да се филтрират в същия формат.
Стъпка по стъпка: Създаване на схема за сортиране
- Фиксирайте списъка с категории. Не позволявайте на модела да пасне; Дайте затворен списък.
- Определете критерия за спешност. Конкретизирайте какво означава „критично“: напълно спряна услуга, загуба на плащане, риск за сигурността.
- Идентифицирайте етикетите на емоциите. Използвайте ограничен и ясен набор.
- Импортирайте изходния формат. За пакетна обработка е подходящ JSON (формат за машинно четене на данни, състоящ се от двойки поле-стойност), за единична заявка е подходяща таблица.
- Направете правило „отбележете, ако не сте сигурни“. Ако моделът не е сигурен за категорията, нека каже несигурен и човекът ще погледне.
- Проверете. В първата партида проверете ръчно точността на етикетите и задайте подканата.
Подкани за копиране
Основна подкана, която преобразува една заявка в структурирано резюме:
Роля: Вие сте опитен специалист по сортиране по поддръжката. Анализирайте заявката на клиента по-долу. Добавяне на коментар; просто разчитайте на това, което е в текста. Попълнете следните полета:- резюме: (макс. 1 изречение)- категория: [Доставка | Връщане | Плащане | Технически | Информация за продукта | Жалба | Възможност за продажба]- спешност: [Критично | Високо | Средно | Ниско]- емоция: [Ядосан | Разочарование | Неутрално | Удовлетворен]- следваща_стъпка: (единично изречение, конкретно действие)- несигурен: ("да", ако категорията/спешността е неясна, в противен случай "не") Заявка:"""{{ request_text }}"""
За пакетна обработка подканата преобразува няколко заявки в JSON масив наведнъж:
Обработете номерираните заявки по-долу. Генерирайте JSON обект за всеки със следната схема и ги върнете всички като JSON масив. Излизане извън схемата: { "id": "", "summary": "", "category": "", "urency": "", "emotion": "", "next_step": "", "Не съм сигурен": "" }Само категории: Доставка, Връщане, Плащане, Технически, Информация за продукта, Жалба, Възможност за продажба. Заявки: {{ numbered_request_list }}
Подканата, която изяснява критерия за спешност и учи модела на определението за „Критично“:
Определете спешността според следното правило: - Критична: услугата е напълно недостъпна, загуба на плащане, риск за сигурността/данните, правна заплаха. - Висока: важна функция е повредена, но съществува заобиколно решение; ядосан клиент.- Средна: единичен проблем, без спиране на работния процес.- Ниска: искане за информация, предложение, общ въпрос. Напишете причината за решението си с едно изречение в полето "спешна_причина".
Подкана, която улавя възможността за продажба и установява мост за поддръжка/продажби:
При обработката на заявката, ако клиентът прояви интерес към закупуване на нов продукт/пакет/добавка (напр. "имате ли по-голям пакет", "колко потребители са необходими"), направете категорията "Възможност за продажба" и добавете съвет от едно изречение за търговския екип в полето "sales_note".
Слаба подкана / Силна подкана
Слаба подкана
Мощна подкана
„Обобщете и класифицирайте тази заявка“
Затворен списък с категории + дефиниция за спешност + фиксирана JSON схема
Всеки път генерира различни етикети
Винаги дава един и същ етикет на една и съща заявка
Той използва думата „спешно“ според собственото си желание.
Прилага конкретни критерии за „критичен“
Той измисля неясното
emin_degilim: кажи да и го остави на човека
Последователността е златното правило тук: ако една и съща жалба не попада в една и съща категория в два различни дни, никакво отчитане и автоматизация няма да бъдат надеждни.
Три мини калъфа
Случай 1 — Поверителен критик. В SaaS (интернет нает софтуер) компания съобщението „Не мога да вляза, целият екип чака 40 души“ изглеждаше обикновено, защото беше кратко. Подканата за сортиране го маркира като „Критичен“ благодарение на правилото за спешност (критерий „услугата е напълно недостъпна“). Заявката беше обработена за 6 минути, вместо да чака 2 часа на опашката; нарушение на SLA (споразумение за ниво на обслужване, т.е. обещано време за реакция) е предотвратено.
Случай 2 — Приоритизиране на гнева. Един ден, когато бяха изследвани AI таговете на 180 заявки, се видя, че 14 заявки с емоцията „Ядосан“ бяха поставени в отделна опашка. Тези искания бяха насочени към опитни представители и отрицателният резултат от проучването (CSAT, т.е. резултат за удовлетвореност на клиентите) тази седмица се подобри значително в сравнение с предходната седмица.
Случай 3 — Мост от поддръжка към продажби. „Текущият ми пакет е за 5 потребители, трябва да го увелича до 20 души, възможно ли е?“ AI маркира съобщението като „Възможност за продажба“ и добави бележка за продажба. Заявката автоматично падна на екипа по продажбите; Възможност за наддаване, която би останала незабелязана, ако беше изгубена в стандартната опашка за поддръжка, се превърна в печалба.
Съвет: Поддържайте списъка си с категории възможно най-кратък и дискретен. 20 категории ще объркат модела (и вашия екип); 6-8 ясни категории са обозначени по-последователно и имат смисъл в отчетите. Комбинирайте две често бъркани категории.
Свързване с автоматизация
Истинската сила на структурирания JSON изход е, че той преминава автоматично към следващата стъпка: Заявката, обозначена като „Критична“, незабавно уведомява мениджъра, „Възможност за продажба“ попада в CRM (софтуер за управление на взаимоотношенията с клиенти), „Връщане“ отива в потока за самообслужване. Но първото правило за автоматизация: действия с голямо въздействие (възстановяване на суми, закриване на акаунт) никога не се задействат въз основа само на AI маркера; Понякога има човешко одобрение.
Внимание: Анализът на настроението е прогноза, а не точно измерване. Клиент, когото моделът нарича „неутрален“, всъщност може да бъде тихо много ядосан. Използвайте маркера за емоция, за да приоритизирате; но не разчитайте само на него, за да направите окончателни заключения като „този клиент вече е доволен“.
Често срещани грешки
- Оставяне на списъка с категории на модела; получаване на различни, несъвместими етикети всеки път.
- Оставяне на относителна дума като "спешно" недефинирана; Молбата на всички е спешна.
- Не се коригира изходният формат; Понякога параграф, понякога списък се появява вместо JSON.
- Не предоставя изходна врата за несигурност (не съм сигурен).
- Свързване на транзакции с голямо въздействие (възстановяване на средства, закриване на акаунт) с маркера на AI без одобрение от човек.
- Автоматизиране на целия поток без ръчна проверка на първата партида.
В обобщение
- Сортирането бързо сортира купчината входящи заявки по категория, спешност и емоция.
- Ключът към последователността: затворен списък с категории, конкретно определение за спешност и фиксиран изходен формат (JSON).
- Етикетите за спешност и емоция ускоряват приоритизирането; Извежда критични и гневни изисквания.
- Структурираният изход може да бъде директно свързан с автоматизацията (уведомяване, маршрутизиране, CRM).
- Силно въздействащите действия и двусмислените етикети трябва винаги да преминават човешка проверка.
Задача за приложение
Обработете групово 5-те различни клиентски заявки, които имате (или проби) с подканата за JSON масив по-горе. След това проверете ръчно резултата: (1) Правилна ли е всяка категория? (2) Означените като „критични“ действително ли спират услугата? (3) Сигурно ли казах „да“ на правилните места? Коригирайте всички тагове, които не пасват, и съответно актуализирайте подканата (особено дефинициите на категории и правилото за спешност). Това упражнение изгражда навика за калибриране на схемата към вашата собствена реалност.
контролен списък
- [ ] Дефинирах затворен и дискретен списък от категории.
- [ ] Описах нивата на спешност с конкретни мерки.
- [ ] Поправих изходния формат (JSON/таблица).
- [] Добавих изходна врата за несигурност (I'm_unsure).
- [ ] Проверих ръчно първата партида и калибрирах подканата.
- [ ] Слагам слой от човешко одобрение на действия с голямо въздействие.