Peringkasan dan Klasifikasi Permintaan (Triage Tiket)

Keuntungan:

• Kemampuan untuk mengubah permintaan pelanggan yang panjang dan tersebar menjadi ringkasan yang terstruktur dan dapat ditindaklanjuti
• Kemampuan untuk mengklasifikasikan permintaan berdasarkan kategori, urgensi, dan sentimen pelanggan dengan skema tetap
• Kemampuan untuk menentukan format keluaran yang konsisten (JSON/tabel) yang cocok untuk otomatisasi pemrosesan tiket massal

Bayangkan pagi hari tim pendukung: 220 tiket (tiket) baru telah terakumulasi dalam semalam. Ada yang berupa satu baris "Saya lupa kata sandi", ada yang merupakan keluhan tiga paragraf yang berisi kemarahan, dan ada pula yang sebenarnya merupakan peluang penjualan. Membaca tumpukan ini, memasukkan setiap pasien ke dalam kategori yang benar, menentukan urgensinya, dan mengarahkannya ke orang yang tepat (ini disebut triase; logika yang sama dalam mengurutkan pasien berdasarkan prioritas di ruang gawat darurat) menghabiskan dua jam pertama dalam sehari.

Kecerdasan buatan (AI) dapat melakukan pekerjaan ini dalam hitungan detik dan konsisten. Namun keajaibannya bukan pada mengatakan "ringkas permintaan ini"; Ini menerapkan daftar kategori yang tetap, tingkat urgensi yang jelas, dan format keluaran yang tidak dapat diubah pada model. Dalam unit ini, kami akan membuat sistem triase mulai dari memproses satu permintaan hingga memberi label pada ratusan permintaan dengan cara yang siap diotomatisasi.

Catatan: Label kategori dan urgensi yang dihasilkan oleh AI adalah alat penyaringan awal. Secara khusus, permintaan berlabel "mendesak" dan "keluhan" harus dikonfirmasi oleh manusia sebelum diproses.

Mengapa Ringkasan Terstruktur?

Ringkasan gratis (“pelanggan mengalami masalah dengan pengirimannya”) tidak dapat dicari, disortir, atau diotomatisasi. Namun, kebutuhan manajer dukungan jelas dalam pertanyaan-pertanyaan berikut:

• Permintaan ini termasuk dalam kategori manakah? (Pengiriman, Pengembalian, Pembayaran, Teknis, Informasi Produk, Keluhan, Peluang Penjualan)
• Seberapa mendesaknya hal ini? (Kritis / Tinggi / Sedang / Rendah)
• Bagaimana keadaan emosional pelanggan? (Marah / Kecewa / Netral / Puas)
• Apa inti satu kalimatnya?
• Apa yang harus menjadi langkah selanjutnya?

Setelah Anda menentukan pertanyaan-pertanyaan ini sebelumnya dan memberikannya ke model sebagai skema (bidang konstan dan nilai yang mungkin), semua 220 permintaan menjadi sebanding dan dapat disaring dalam format yang sama.

Langkah demi Langkah: Menetapkan Skema Triage

1. Sematkan daftar kategori. Jangan biarkan modelnya cocok; Berikan daftar tertutup.
2. Tentukan kriteria urgensinya. Konkritnya apa yang dimaksud dengan “kritis”: layanan terhenti total, kehilangan pembayaran, risiko keamanan.
3. Identifikasi label emosi. Gunakan himpunan yang terbatas dan jelas.
4. Impor format keluaran. Untuk pemrosesan batch, JSON (format data yang dibaca mesin yang terdiri dari pasangan nilai bidang) cocok, untuk permintaan tunggal, tabel cocok.
5. Buatlah aturan "centang jika tidak yakin". Jika model tidak yakin dengan kategorinya, biarkan model tersebut mengatakan tidak yakin dan manusia akan melihatnya.
6. Memeriksa. Pada batch pertama, periksa keakuratan label secara manual dan atur perintahnya.

Perintah yang Dapat Ditiru

Perintah dasar yang mengubah satu permintaan menjadi ringkasan terstruktur:

Peran: Anda adalah spesialis triase dukungan yang berpengalaman. Analisis permintaan pelanggan di bawah ini. Tambahkan komentar; hanya mengandalkan apa yang ada di teks.Isi kolom berikut:- ringkasan: (maks 1 kalimat)- kategori: [Pengiriman | Kembali | Pembayaran | Teknis | Informasi Produk | Keluhan | Peluang Penjualan]- urgensi: [Kritis | Tinggi | Sedang | Rendah]- emosi: [Marah | Kekecewaan | Netral | Puas]- langkah_berikutnya: (kalimat tunggal, tindakan nyata)- tidak yakin: ("ya" jika kategori/urgensinya tidak jelas, jika tidak "tidak") Permintaan:"""{{ request_text }}"""

Untuk pemrosesan batch, perintah akan mengubah beberapa permintaan menjadi array JSON sekaligus:

Proses permintaan bernomor di bawah ini. Hasilkan objek JSON untuk masing-masing objek dengan skema berikut dan kembalikan semuanya sebagai array JSON. Keluar dari skema: { "id": "", "summary": "", "category": "", "urgency": "", "emotion": "", "next_step": "", "Saya tidak yakin": "" }Hanya kategori: Pengiriman, Pengembalian, Pembayaran, Teknis, Informasi Produk, Keluhan, Peluang Penjualan. Permintaan: {{ numbered_request_list }}

Prompt yang memperjelas kriteria urgensi dan mengajarkan model definisi "Kritis":

Tentukan urgensi berdasarkan aturan berikut: - Kritis: layanan sama sekali tidak tersedia, kehilangan pembayaran, risiko keamanan/data, ancaman hukum. - Tinggi: fungsi penting rusak namun ada solusi; pelanggan yang marah.- Sedang: masalah tunggal, tidak menghentikan alur kerja.- Rendah: permintaan informasi, saran, pertanyaan umum. Tulis alasan keputusan Anda dalam satu kalimat di kolom "urgency_reason".

Perintah yang menangkap peluang penjualan dan membangun jembatan dukungan/penjualan:

Saat memproses permintaan, jika pelanggan menunjukkan minat untuk membeli produk/paket/suplemen baru (misalnya, "apakah Anda memiliki paket yang lebih besar", "berapa banyak pengguna yang dibutuhkan"), buatlah kategori "Peluang Penjualan" dan tambahkan tip satu kalimat untuk tim penjualan di bidang "catatan_penjualan".

Prompt Lemah / Prompt Kuat

Perintah yang lemah

Perintah yang kuat

"Ringkas dan klasifikasikan permintaan ini"

Daftar kategori tertutup + definisi urgensi + skema JSON tetap

Menghasilkan label yang berbeda setiap kali

Selalu memberikan label yang sama untuk permintaan yang sama

Dia menggunakan kata "mendesak" sesuai dengan keinginannya sendiri.

Menerapkan kriteria konkrit untuk “kritis”

Dia mengarang hal yang tidak jelas

emin_degilim: katakan ya dan serahkan pada orangnya

Konsistensi adalah aturan utama di sini: jika keluhan yang sama tidak termasuk dalam kategori yang sama pada dua hari berbeda, pelaporan dan otomatisasi tidak akan dapat diandalkan.

Tiga Kasus Mini

Kasus 1 — Kritikus rahasia. Di sebuah perusahaan SaaS (perangkat lunak sewaan internet), pesan “Saya tidak bisa login, seluruh tim menunggu 40 orang” terkesan biasa saja karena panjangnya yang pendek. Perintah triase menandainya "Kritis" berkat aturan urgensi (kriteria "layanan sama sekali tidak tersedia"). Permintaan ditangani dalam 6 menit dibandingkan menunggu 2 jam dalam antrian; pelanggaran SLA (perjanjian tingkat layanan, yaitu waktu respons yang dijanjikan) telah dicegah.

Kasus 2 - Prioritas kemarahan. Suatu hari, ketika tag AI dari 180 permintaan diperiksa, terlihat 14 permintaan dengan emosi "Marah" dimasukkan ke dalam antrian terpisah. Permintaan ini ditujukan kepada perwakilan yang berpengalaman, dan skor survei negatif (CSAT, yaitu skor kepuasan pelanggan) pada minggu tersebut meningkat secara signifikan dibandingkan minggu sebelumnya.

Kasus 3 — Menjembatani dari dukungan ke penjualan. “Paket saya saat ini untuk 5 pengguna, saya perlu menambahnya menjadi 20 orang, apakah bisa?” AI menandai pesan tersebut sebagai "Peluang Penjualan" dan menambahkan catatan penjualan. Permintaan secara otomatis jatuh ke tim penjualan; Peluang upsell yang mungkin luput dari perhatian jika hilang dalam antrean dukungan standar telah menjadi suatu keuntungan.

Tip: Buat daftar kategori Anda sesingkat dan sejelas mungkin. 20 kategori akan membingungkan model (dan tim Anda); 6-8 kategori yang jelas diberi label dengan lebih konsisten dan bermakna dalam laporan. Gabungkan dua kategori yang sering membingungkan.

Menghubungkan ke Otomatisasi

Kekuatan sebenarnya dari keluaran JSON terstruktur adalah bahwa ia mengalir secara otomatis ke langkah berikutnya: Permintaan berlabel “Kritis” segera memberi tahu manajer, “Peluang Penjualan” masuk ke dalam CRM (perangkat lunak manajemen hubungan pelanggan), “Pengembalian” masuk ke aliran layanan mandiri. Namun aturan pertama otomatisasi: tindakan berdampak tinggi (pengembalian dana, penutupan akun) tidak pernah dipicu hanya berdasarkan tag AI; Terkadang ada persetujuan manusia.

Perhatian: Analisis sentimen adalah prediksi, bukan pengukuran pasti. Seorang pelanggan yang oleh model disebut "Netral" mungkin sebenarnya sedang sangat marah. Gunakan tag emosi untuk memprioritaskan; tapi jangan hanya mengandalkannya untuk menarik kesimpulan pasti seperti "pelanggan ini sudah puas".

Kesalahan umum

• Menyerahkan daftar kategori kepada model; mendapatkan label yang berbeda dan tidak kompatibel setiap saat.
• Membiarkan kata relatif seperti "mendesak" tidak terdefinisi; Permintaan semua orang sangat mendesak.
• Tidak memperbaiki format keluaran; Terkadang paragraf, terkadang daftar muncul, bukan JSON.
• Tidak memberikan pintu keluar untuk ketidakpastian (saya tidak yakin).
• Menautkan transaksi berdampak tinggi (pengembalian dana, penutupan akun) ke tag AI tanpa persetujuan manusia.
• Mengotomatiskan seluruh aliran tanpa memverifikasi batch pertama secara manual.

Singkatnya

• Triage dengan cepat memilah tumpukan permintaan masuk berdasarkan kategori, urgensi, dan emosi.
• Kunci konsistensi: daftar kategori tertutup, definisi urgensi yang konkret, dan format keluaran tetap (JSON).
• Label urgensi dan emosi mempercepat penentuan prioritas; Hal ini memunculkan tuntutan kritis dan kemarahan.
• Output terstruktur dapat langsung dihubungkan ke otomatisasi (notifikasi, perutean, CRM).
• Tindakan yang berdampak besar dan label yang ambigu harus selalu melalui verifikasi manusia.

Tugas aplikasi

Proses batch 5 permintaan pelanggan berbeda yang Anda miliki (atau sampel) dengan perintah array JSON di atas. Kemudian periksa hasilnya secara manual: (1) Apakah setiap kategori benar? (2) Apakah yang bertanda "kritis" benar-benar menghentikan layanan? (3) Apakah saya yakin mengatakan "ya" pada tempat yang benar? Perbaiki semua tag yang tidak sesuai dan perbarui perintah (terutama definisi kategori dan aturan urgensi) sesuai kebutuhan. Latihan ini membangun kebiasaan mengkalibrasi skema dengan realitas Anda sendiri.

daftar periksa

• [ ] Saya telah menetapkan daftar kategori yang tertutup dan terpisah.
• [ ] Saya menjelaskan tingkat urgensinya dengan langkah-langkah konkrit.
• [] Saya memperbaiki format output (JSON/tabel).
• [ ] Saya menambahkan pintu keluar untuk ketidakpastian (Saya_tidak yakin).
• [] Saya memverifikasi batch pertama secara manual dan mengkalibrasi prompt.
• [ ] Saya memberikan lapisan persetujuan manusia pada tindakan yang berdampak besar.