Užklausos apibendrinimas ir klasifikavimas (bilietų rinkimas)

Pelnas:

• Gebėjimas paversti ilgus ir išsibarsčiusius klientų prašymus struktūrizuotomis, veiksmingomis santraukomis
• Galimybė klasifikuoti užklausas pagal kategoriją, skubumą ir klientų nuotaikas pagal fiksuotą schemą
• Galimybė apibrėžti nuoseklų išvesties formatą (JSON / lentelę), tinkantį automatizuoti masiniam bilietų apdorojimui

Įsivaizduokite palaikymo komandos rytą: per naktį susikaupė 220 naujų bilietų (bilietų). Kai kurie yra vienos eilutės „Pamiršau slaptažodį“, kai kurie yra piktas trijų pastraipų skundas, o kai kurie iš tikrųjų yra pardavimo galimybė. Perskaičius šią krūvą, priskyrus kiekvieną teisingai kategorijai, nustatant jos skubumą ir nukreipus reikiamam asmeniui (tai vadinama triažu; ta pati pacientų rūšiavimo pagal prioritetą logika greitosios pagalbos skyriuje) suvalgo pirmas dvi dienos valandas.

Dirbtinis intelektas (AI) gali atlikti šį darbą per kelias sekundes ir nuosekliai. Tačiau magija nėra sakyme „apibendrinti šį prašymą“; Tai modeliui nustato fiksuotą kategorijų sąrašą, aiškius skubos lygius ir nekeičiamą išvesties formatą. Šiame skyriuje sukursime skirstymo sistemą, kuri pereis nuo vienos užklausos apdorojimo iki šimtų užklausų žymėjimo automatizavimui paruoštu būdu.

Pastaba: AI sugeneruotos kategorijos ir skubos etiketės yra preliminarus tikrinimo įrankis. Visų pirma, prašymus, pažymėtus etiketėmis „skubūs“ ir „skundas“, prieš nagrinėjant turi patvirtinti žmogus.

Kodėl struktūrizuota santrauka?

Nemokamos suvestinės („klientas turi problemų dėl siuntos“) negalima ieškoti, rūšiuoti ar automatizuoti. Tačiau pagalbos vadovo poreikis yra aiškus šiais klausimais:

• Kuriai kategorijai priklauso ši užklausa? (Pristatymas, grąžinimas, apmokėjimas, techninė informacija, produkto informacija, skundas, pardavimo galimybė)
• Kiek tai skubu? (Kritinis / didelis / vidutinis / žemas)
• Kokia kliento emocinė būsena? (Piktas / nusivylęs / neutralus / patenkintas)
• Kokia jo vieno sakinio esmė?
• Koks turėtų būti kitas žingsnis?

Kai iš anksto apibrėžiate šiuos klausimus ir pateikiate juos modeliui kaip schemą (pastovūs laukai ir galimos reikšmės), visos 220 užklausų tampa palyginamos ir filtruojamos tuo pačiu formatu.

Žingsnis po žingsnio: triažo schemos nustatymas

1. Prisekite kategorijų sąrašą. Neleiskite modeliui tilpti; Pateikite uždarą sąrašą.
2. Apibrėžkite skubos kriterijų. Konkrečiau, ką reiškia „kritinis“: paslauga visiškai sustabdyta, mokėjimo praradimas, saugumo rizika.
3. Nustatykite emocijų etiketes. Naudokite ribotą ir aiškų rinkinį.
4. Importuokite išvesties formatą. Paketiniam apdorojimui tinka JSON (mašininio skaitymo duomenų formatas, susidedantis iš lauko-reikšmių porų), o vienai užklausai tinka lentelė.
5. Padarykite taisyklę „pažymėkite, jei nesate tikri“. Jei modelis nėra tikras dėl kategorijos, tegul sako neaiškus ir žmogus atrodys.
6. Patvirtinti. Pirmoje partijoje rankiniu būdu patikrinkite etikečių tikslumą ir nustatykite raginimą.

Kopijuojami raginimai

Pagrindinis raginimas, paverčiantis vieną užklausą struktūrine santrauka:

Vaidmuo: esate patyręs pagalbos skirstymo specialistas. Išanalizuokite toliau pateiktą kliento užklausą. Pridėti komentarą; tiesiog pasikliaukite tuo, kas yra tekste.Užpildykite šiuos laukus:- santrauka: (maks. 1 sakinys)- kategorija: [Pristatymas | Grąžinti | Mokėjimas | Techninė | Informacija apie produktą | Skundas | Pardavimo galimybė] – skubumas: [Kritinis | Aukštas | Vidutinis | Žema]- emocija: [Piktas | Nusivylimas | Neutralus | Patenkintas]- next_step: (vienas sakinys, konkretus veiksmas)- neaišku: ("taip", jei kategorija/skubumas neaiški, kitu atveju "ne") Užklausa:"""{{ request_text }}"""

Vykdant paketinį apdorojimą, raginimas konvertuoja kelias užklausas į JSON masyvą vienu metu:

Apdorokite toliau nurodytas sunumeruotas užklausas. Sugeneruokite JSON objektą kiekvienam pagal šią schemą ir grąžinkite juos visus kaip JSON masyvą. Išeinant iš schemos ribų: { "id": "", "suvestinė": "", "kategorija": "", "skubumas": "", "emocija": "", "next_step": "", "nesu tikras": "" }Tik kategorijos: siuntimas, grąžinimas, mokėjimas, techninė, produkto informacija, skundas, pardavimo galimybė. Užklausos: {{ numbered_request_list }}

Raginimas, paaiškinantis skubos kriterijų ir išmokantis modelį apibrėžti „kritinis“:

Nustatykite skubumą pagal šią taisyklę:- Kritinis: paslauga visiškai nepasiekiama, mokėjimo praradimas, saugumo / duomenų rizika, teisinė grėsmė.- Didelis: svarbi funkcija sugedusi, bet yra sprendimas; piktas klientas.- Vidutinis: pavienis klausimas, nestabdantis darbo eigos.- Žemas: informacijos prašymas, pasiūlymas, bendras klausimas. Laukelyje „skubos_priežastis“ vienu sakiniu parašykite savo sprendimo priežastį.

Raginimas, kuris užfiksuoja pardavimo galimybę ir sukuria palaikymo / pardavimo tiltą:

Apdorojant užklausą, jei klientas parodo susidomėjimą įsigyti naują prekę/pakuotę/priedą (pvz., "ar turite didesnę pakuotę", "kiek vartotojų reikia"), nurodykite kategoriją "Pardavimo galimybė" ir laukelyje "pardavimo pastaba" pridėkite vieno sakinio patarimą pardavimų komandai.

Silpnas raginimas / stiprus raginimas

Silpnas raginimas

Galingas raginimas

„Apibendrinti ir klasifikuoti šį prašymą“

Uždaras kategorijų sąrašas + skubos apibrėžimas + fiksuota JSON schema

Kiekvieną kartą generuoja skirtingas etiketes

Visada suteikia tą pačią etiketę tai pačiai užklausai

Žodį „skubus“ jis vartoja pagal savo norus.

Taiko konkrečius kriterijus „kritiniams“

Jis sugalvoja neaiškius dalykus

emin_degilim: pasakykite „taip“ ir palikite tai asmeniui

Nuoseklumas yra auksinė taisyklė: jei tas pats skundas nepatenka į tą pačią kategoriją dvi skirtingas dienas, ataskaitų teikimas ir automatizavimas nebus patikimi.

Trys mini dėklai

1 atvejis. Konfidencialus kritikas. SaaS (internetu nuomojamos programinės įrangos) įmonėje pranešimas „Negaliu prisijungti, visa komanda laukia 40 žmonių“ atrodė įprastas, nes buvo trumpas. Pagal skubos taisyklę („paslauga visiškai nepasiekiama“ kriterijai) rūšiavimo raginimas jį pažymėjo kaip „Kritinis“. Prašymas buvo išnagrinėtas per 6 minutes, užuot laukęs 2 valandas eilėje; buvo užkirstas kelias SLA (service level agreement, t. y. pažadėto atsakymo laiko) pažeidimui.

2 atvejis – pykčio prioritetų nustatymas. Vieną dieną, išnagrinėjus 180 užklausų AI žymas, buvo pastebėta, kad į atskirą eilę buvo įrašyta 14 užklausų su emocija „Piktas“. Šie prašymai buvo skirti patyrusiems atstovams, o neigiamas apklausos balas (CSAT, t. y. klientų pasitenkinimo balas) tą savaitę gerokai pagerėjo, palyginti su ankstesne.

3 atvejis. Perėjimas nuo paramos iki pardavimo. „Dabartinis mano paketas skirtas 5 vartotojams, man reikia jį padidinti iki 20 žmonių, ar tai įmanoma? AI pažymėjo pranešimą kaip „Pardavimo galimybė“ ir pridėjo pardavimo pažymą. Prašymas automatiškai pateko į pardavimų komandą; Išpardavimo galimybė, kuri būtų buvusi nepastebėta, jei būtų prarasta standartinėje palaikymo eilėje, tapo pelnu.

Patarimas: kategorijų sąrašą laikykite kuo trumpesnį ir diskretiškesnį. 20 kategorijų suklaidins modelį (ir jūsų komandą); 6–8 aiškios kategorijos pažymėtos nuosekliau ir yra reikšmingos ataskaitose. Sujunkite dvi dažnai painiojamas kategorijas.

Prisijungimas prie automatikos

Tikroji struktūrinės JSON išvesties galia yra ta, kad ji automatiškai pereina į kitą veiksmą: užklausa, pažymėta „Kritiška“, nedelsiant praneša vadovui, „Pardavimo galimybė“ patenka į CRM (ryšių su klientais valdymo programinę įrangą), „Grąžinimas“ patenka į savitarnos srautą. Tačiau pirmoji automatizavimo taisyklė: didelio poveikio veiksmai (lėšų grąžinimas, paskyros uždarymas) niekada nėra suaktyvinami remiantis vien AI žyma; Kartais yra žmonių pritarimas.

Atsargiai: jausmų analizė yra numatymas, o ne tikslus matavimas. Klientas, kurį modelis vadina „neutraliu“, iš tikrųjų gali būti tyliai labai piktas. Pirmenybei nustatyti naudokite emocijų žymą; bet nepasikliaukite vien tuo, kad padarytumėte galutines išvadas, pavyzdžiui, „šis klientas jau patenkintas“.

Dažnos klaidos

• Kategorijų sąrašo palikimas modeliui; kiekvieną kartą gauti skirtingas, nesuderinamas etiketes.
• Santykinio žodžio, pavyzdžiui, „skubus“, neapibrėžimas; Visų prašymas yra skubus.
• Netaisomas išvesties formatas; Kartais vietoj JSON pasirodo pastraipa, kartais sąrašas.
• Nesuteikia išėjimo durų dėl netikrumo (nesu tikras).
• Didelio poveikio operacijų (lėšų grąžinimas, paskyros uždarymas) susiejimas su AI žyma be žmogaus patvirtinimo.
• Viso srauto automatizavimas rankiniu būdu nepatikrinus pirmosios partijos.

Apibendrinant

• Triage greitai rūšiuoja gaunamų užklausų krūvą pagal kategorijas, skubumą ir emocijas.
• Raktas į nuoseklumą: uždarų kategorijų sąrašas, konkretus skubos apibrėžimas ir fiksuotas išvesties formatas (JSON).
• Skubos ir emocijų etiketės pagreitina prioritetų nustatymą; Tai kelia kritiškus ir piktus reikalavimus.
• Struktūrinė produkcija gali būti tiesiogiai susieta su automatizavimu (pranešimas, maršrutizavimas, CRM).
• Didelio poveikio veiksmai ir dviprasmiškos etiketės visada turėtų būti žmogaus patikrintos.

Taikymo užduotis

Pakeistine tvarka apdorokite 5 skirtingas klientų užklausas (arba pavyzdžius) naudodami aukščiau pateiktą JSON masyvo raginimą. Tada rankiniu būdu patikrinkite išvestį: (1) Ar kiekviena kategorija yra teisinga? (2) Ar tie, kurie pažymėti „kritiniais“, iš tikrųjų sustabdo paslaugą? (3) Ar aš tikrai pasakiau „taip“ tinkamose vietose? Ištaisykite visas netinkančias žymas ir atitinkamai atnaujinkite raginimą (ypač kategorijų apibrėžimus ir skubos taisyklę). Šis pratimas ugdo įprotį kalibruoti schemą pagal savo tikrovę.

kontrolinis sąrašas

• [ ] Sudariau uždarą ir atskirą kategorijų sąrašą.
• [ ] Skubos lygius aprašiau konkrečiomis priemonėmis.
• [ ] Pataisiau išvesties formatą (JSON / lentelė).
• [ ] Dėl netikrumo pridėjau išėjimo duris (aš_nesu tikras).
• [ ] Rankiniu būdu patikrinau pirmąją partiją ir sukalibravau raginimą.
• [ ] Didelio poveikio veiksmams dedu žmogaus pritarimo sluoksnį.