Récapitulatif et classification des demandes (triage des tickets)

Gains :

• Capacité à transformer les demandes longues et dispersées des clients en résumés structurés et exploitables
• Possibilité de classer les demandes selon la catégorie, l'urgence et le sentiment du client avec un schéma fixe
• Possibilité de définir un format de sortie cohérent (JSON/table) adapté à l'automatisation du traitement des tickets en masse

Imaginez la matinée d'une équipe support : 220 nouveaux tickets (tickets) se sont accumulés du jour au lendemain. Certains sont une seule ligne « J'ai oublié mon mot de passe », d'autres sont une plainte en colère de trois paragraphes et certains sont en fait une opportunité de vente. Lire cette pile, classer chacun dans la bonne catégorie, déterminer son urgence et l'orienter vers la bonne personne (c'est ce qu'on appelle le triage ; la même logique de tri des patients par priorité aux urgences) consomme les deux premières heures de la journée.

L’intelligence artificielle (IA) peut effectuer ce travail en quelques secondes et de manière cohérente. Mais la magie ne consiste pas à dire « résumez cette demande » ; Il impose une liste fixe de catégories, des niveaux d'urgence clairs et un format de sortie immuable sur le modèle. Dans cette unité, nous établirons un système de tri qui va du traitement d'une seule demande à l'étiquetage de centaines de demandes de manière prête à l'automatisation.

Remarque : Les étiquettes de catégorie et d'urgence générées par l'IA constituent un outil de sélection préliminaire. En particulier, les demandes étiquetées « urgentes » et « réclamation » doivent être confirmées par un humain avant d'être traitées.

Pourquoi un résumé structuré ?

Un résumé gratuit (« le client a des problèmes avec son envoi ») ne peut pas être recherché, trié ou automatisé. Cependant, le besoin du responsable du support est clair pour les questions suivantes :

• Dans quelle catégorie appartient cette demande ? (Expédition, retour, paiement, technique, informations sur le produit, réclamation, opportunité de vente)
• Est-ce urgent ? (Critique / Élevé / Moyen / Faible)
• Quel est l’état émotionnel du client ? (En colère / Déçu / Neutre / Satisfait)
• Quelle est l’essence d’une phrase ?
• Quelle devrait être la prochaine étape ?

Une fois que vous avez défini ces questions à l'avance et que vous les avez transmises au modèle sous forme de schéma (champs constants et valeurs possibles), les 220 requêtes deviennent comparables et filtrables dans le même format.

Étape par étape : établir un programme de triage

1. Épinglez la liste des catégories. Ne laissez pas le modèle s'adapter ; Donnez une liste fermée.
2. Définir le critère d’urgence. Concrètement, ce que signifie « critique » : service complètement arrêté, perte de paiement, risque de sécurité.
3. Identifiez les étiquettes d’émotion. Utilisez un ensemble limité et clair.
4. Importez le format de sortie. Pour le traitement par lots, JSON (format de données lu par machine composé de paires champ-valeur) convient, pour une requête unique, un tableau convient.
5. Établissez une règle « cochez si vous n'êtes pas sûr ». Si le modèle n'est pas sûr de la catégorie, dites-le incertain et l'humain regardera.
6. Vérifier. Dans le premier lot, vérifiez manuellement l'exactitude des étiquettes et définissez l'invite.

Invites copiables

Invite de base qui convertit une seule demande en un résumé structuré :

Rôle : Vous êtes un spécialiste expérimenté du triage des supports. Analysez la demande du client ci-dessous. Ajoutez un commentaire ; fiez-vous simplement au contenu du texte.Remplissez les champs suivants :- résumé : (max 1 phrase)- catégorie : [Expédition | Retour | Paiement | Technique | Informations sur le produit | Plainte | Opportunité de vente] - urgence : [Critique | Élevé | Moyen | Faible]- émotion : [En colère | Déception | Neutre | Satisfait]- étape_suivante : (une seule phrase, action concrète)- incertain : ("oui" si la catégorie/l'urgence n'est pas claire, sinon "non") Requête :"""{{ request_text }}"""

Pour le traitement par lots, l'invite convertit plusieurs requêtes en un tableau JSON à la fois :

Traitez les demandes numérotées ci-dessous. Générez un objet JSON pour chacun avec le schéma suivant et renvoyez-les tous sous forme de tableau JSON. Sortir du schéma : { "id": "", "summary": "", "category": "", "urgency": "", "emotion": "", "next_step": "", "I'm not sure": "" }Catégories uniquement : expédition, retour, paiement, technique, informations sur le produit, réclamation, opportunité de vente. Requêtes : {{ numbered_request_list }}

L'invite qui clarifie le critère d'urgence et enseigne au modèle la définition de « Critique » :

Déterminez l'urgence selon la règle suivante : - Critique : service totalement indisponible, perte de paiement, risque de sécurité/données, menace juridique. - Élevé : une fonction importante est interrompue mais une solution de contournement existe ; client en colère.- Moyen : problème unique, n'arrêtant pas le flux de travail.- Faible : demande d'informations, suggestion, question générale. Écrivez la raison de votre décision en une phrase dans le champ « urgency_reason ».

Invite qui capture l'opportunité de vente et établit un pont support/vente :

Lors du traitement de la demande, si le client manifeste son intérêt pour l'achat d'un nouveau produit/package/supplément (par exemple « avez-vous un package plus grand », « combien d'utilisateurs cela prend-il »), créez la catégorie « Opportunité de vente » et ajoutez un conseil d'une phrase pour l'équipe commerciale dans le champ « sales_note ».

Invite faible/Invite forte

Invite faible

Invite puissante

"Résumer et classer cette demande"

Liste de catégories fermées + définition d'urgence + schéma JSON corrigé

Génère des étiquettes différentes à chaque fois

Donne toujours le même label à la même requête

Il utilise le mot « urgent » selon ses propres souhaits.

Applique des critères concrets pour « critique »

Il invente le vague

emin_degilim : dites oui et laissez le soin à la personne

La cohérence est ici la règle d’or : si une même réclamation n’entre pas dans la même catégorie deux jours différents, aucun reporting ni aucune automatisation ne seront fiables.

Trois mini-étuis

Cas 1 — Critique confidentiel. Dans une entreprise SaaS (logiciel de location par internet), le message « Je n'arrive pas à me connecter, toute l'équipe attend 40 personnes » paraissait banal car court. L'invite de triage l'a marqué "Critique" grâce à la règle d'urgence (critère "service totalement indisponible"). La demande a été traitée en 6 minutes au lieu de 2 heures d'attente ; une violation du SLA (accord de niveau de service, c'est-à-dire le temps de réponse promis) a été évitée.

Cas 2 – Priorisation de la colère. Un jour, lorsque les balises AI de 180 requêtes ont été examinées, il a été constaté que 14 requêtes avec l'émotion « En colère » étaient placées dans une file d'attente séparée. Ces demandes ont été adressées à des représentants expérimentés, et le score négatif de l'enquête (CSAT, c'est-à-dire le score de satisfaction client) cette semaine-là s'est considérablement amélioré par rapport à la semaine précédente.

Cas 3 — Passer du support aux ventes. "Mon forfait actuel est pour 5 utilisateurs, je dois le passer à 20 personnes, est-ce possible ?" AI a marqué le message comme « Opportunité de vente » et a ajouté une note de vente. La demande tombait automatiquement sur l'équipe commerciale ; Une opportunité de vente incitative qui serait passée inaperçue si elle avait été perdue dans la file d'attente du support standard est devenue un gain.

Astuce : gardez votre liste de catégories aussi courte et discrète que possible. 20 catégories confondront le modèle (et votre équipe) ; 6 à 8 catégories claires sont étiquetées de manière plus cohérente et sont significatives dans les rapports. Combinez deux catégories souvent confondues.

Connexion à l'automatisation

Le véritable pouvoir de la sortie JSON structurée est qu'elle passe automatiquement à l'étape suivante : la demande étiquetée « Critique » informe immédiatement le responsable, « Opportunité de vente » tombe dans le CRM (logiciel de gestion de la relation client), « Retour » va dans le flux libre-service. Mais première règle de l’automatisation : les actions à fort impact (remboursement, clôture de compte) ne sont jamais déclenchées sur la seule base du tag IA ; Parfois, il y a une approbation humaine.

Attention : l'analyse des sentiments est une prédiction et non une mesure exacte. Un client que le modèle qualifie de « neutre » peut en réalité être discrètement très en colère. Utilisez la balise d'émotion pour établir des priorités ; mais ne vous y fiez pas uniquement pour tirer des conclusions définitives du type « ce client est déjà satisfait ».

Erreurs courantes

• Laisser la liste des catégories au modèle ; obtenir des étiquettes différentes et incompatibles à chaque fois.
• Laisser un mot relatif comme « urgent » indéfini ; La demande de chacun est urgente.
• Ne pas corriger le format de sortie ; Parfois un paragraphe, parfois une liste apparaît à la place de JSON.
• Ne pas fournir de porte de sortie à l'incertitude (je ne suis pas sûr).
• Lier les transactions à fort impact (remboursement, clôture de compte) au tag IA sans approbation humaine.
• Automatiser l'intégralité du flux sans vérifier manuellement le premier lot.

En résumé

• Le triage trie rapidement la pile de demandes entrantes par catégorie, urgence et émotion.
• La clé de la cohérence : liste de catégories fermée, définition d'urgence concrète et format de sortie fixe (JSON).
• Les étiquettes d’urgence et d’émotion accélèrent la priorisation ; Il met en avant des revendications critiques et colériques.
• Les sorties structurées peuvent être directement liées à l'automatisation (notification, routage, CRM).
• Les actions à fort impact et les étiquettes ambiguës doivent toujours faire l’objet d’une vérification humaine.

Tâche de candidature

Traitez par lots les 5 demandes clients différentes que vous avez (ou échantillons) avec l'invite de tableau JSON ci-dessus. Vérifiez ensuite manuellement le résultat : (1) Chaque catégorie est-elle correcte ? (2) Ceux marqués « critiques » arrêtent-ils réellement le service ? (3) Ai-je bien dit « oui » aux bons endroits ? Corrigez toutes les balises qui ne correspondent pas et mettez à jour l'invite (en particulier les définitions de catégorie et la règle d'urgence) en conséquence. Cet exercice développe l’habitude de calibrer le schéma en fonction de votre propre réalité.

liste de contrôle

• [ ] J'ai défini une liste fermée et discrète de catégories.
• [ ] J'ai décrit les niveaux d'urgence avec des mesures concrètes.
• [ ] J'ai corrigé le format de sortie (JSON/table).
• [ ] J'ai ajouté une porte de sortie pour l'incertitude (je ne suis pas sûr).
• [ ] J'ai vérifié manuellement le premier lot et calibré l'invite.
• [ ] J'ajoute une couche d'approbation humaine aux actions à fort impact.