विनंती सारांश आणि वर्गीकरण (तिकीट ट्रायज)

नफा:

• लांब आणि विखुरलेल्या ग्राहक विनंत्यांना संरचित, कृतीयोग्य सारांशांमध्ये रूपांतरित करण्याची क्षमता
• श्रेणी, निकड आणि ग्राहकांच्या भावनांनुसार निश्चित स्कीमासह विनंत्यांचे वर्गीकरण करण्याची क्षमता
• बल्क तिकीट प्रक्रियेसाठी ऑटोमेशनसाठी योग्य सातत्यपूर्ण आउटपुट स्वरूप (JSON/टेबल) परिभाषित करण्याची क्षमता

सपोर्ट टीमच्या सकाळची कल्पना करा: 220 नवीन तिकिटे (तिकिटे) रात्रभर जमा झाली आहेत. काही एक-ओळ "मी माझा पासवर्ड विसरलो", काही तीन-परिच्छेदाची संतप्त तक्रार, आणि काही प्रत्यक्षात विक्रीची संधी आहे. या ढिगाऱ्यातून वाचणे, प्रत्येकाला योग्य श्रेणीमध्ये नियुक्त करणे, त्याची निकड निश्चित करणे आणि योग्य व्यक्तीकडे निर्देशित करणे (याला ट्रायज म्हणतात; आणीबाणीच्या खोलीत रुग्णांची प्राधान्यक्रमानुसार वर्गवारी करण्याचा हाच तर्क) दिवसाचे पहिले दोन तास खातो.

कृत्रिम बुद्धिमत्ता (AI) हे काम काही सेकंदात आणि सातत्याने करू शकते. पण जादू "या विनंतीचा सारांश द्या" म्हणण्यात नाही; हे मॉडेलवर श्रेणींची निश्चित यादी, स्पष्ट तात्काळ पातळी आणि एक अपरिवर्तनीय आउटपुट स्वरूप लादते. या युनिटमध्ये, आम्ही एक ट्रायज सिस्टम स्थापित करू जी एका विनंतीवर प्रक्रिया करण्यापासून ते शेकडो विनंत्यांना ऑटोमेशन-रेडी पद्धतीने लेबल करण्यापर्यंत जाते.

टीप: AI द्वारे व्युत्पन्न केलेली श्रेणी आणि तातडीची लेबले हे प्राथमिक स्क्रीनिंग साधन आहे. विशेषतः, "तत्काळ" आणि "तक्रार" असे लेबल असलेल्या विनंत्यांवर प्रक्रिया करण्यापूर्वी एखाद्या व्यक्तीने पुष्टी केली पाहिजे.

संरचित सारांश का?

एक विनामूल्य सारांश ("ग्राहकाला त्यांच्या शिपमेंटमध्ये समस्या येत आहेत") शोधणे, क्रमवारी लावणे किंवा स्वयंचलित करणे शक्य नाही. तथापि, समर्थन व्यवस्थापकाची आवश्यकता खालील प्रश्नांसाठी स्पष्ट आहे:

• ही विनंती कोणत्या श्रेणीत येते? (शिपिंग, रिटर्न, पेमेंट, तांत्रिक, उत्पादन माहिती, तक्रार, विक्री संधी)
• किती निकड आहे? (गंभीर / उच्च / मध्यम / निम्न)
• ग्राहकाची भावनिक स्थिती काय आहे? (राग / निराश / तटस्थ / समाधानी)
• त्याचे एक-वाक्याचे सार काय आहे?
• पुढची पायरी काय असावी?

एकदा तुम्ही या प्रश्नांची आगाऊ व्याख्या केली आणि त्यांना स्कीमा (स्थिर फील्ड आणि संभाव्य मूल्ये) म्हणून मॉडेलला द्या, सर्व 220 विनंत्या समान स्वरूपात तुलना करण्यायोग्य आणि फिल्टर करण्यायोग्य बनतात.

स्टेप बाय स्टेप: ट्रायज स्कीमची स्थापना

1. श्रेणी सूची पिन करा. मॉडेल बसू देऊ नका; बंद यादी द्या.
2. तातडीचे निकष परिभाषित करा. "गंभीर" म्हणजे काय ते ठोस करा: सेवा पूर्णपणे थांबली, पेमेंट नुकसान, सुरक्षितता धोका.
3. भावना लेबले ओळखा. मर्यादित आणि स्पष्ट संच वापरा.
4. आउटपुट स्वरूप आयात करा. बॅच प्रोसेसिंगसाठी, JSON (मशीन-रीड डेटा फॉरमॅट ज्यामध्ये फील्ड-व्हॅल्यू जोड्यांचा समावेश आहे) योग्य आहे, एकल विनंतीसाठी, टेबल योग्य आहे.
5. "नक्की नसल्यास टिक" असा नियम बनवा. मॉडेल श्रेणीबद्दल अनिश्चित असल्यास, ते अनिश्चित म्हणू द्या आणि मनुष्य दिसेल.
6. सत्यापित करा. पहिल्या बॅचमध्ये, स्वहस्ते लेबल्सची अचूकता तपासा आणि प्रॉम्प्ट सेट करा.

कॉपी करण्यायोग्य प्रॉम्प्ट्स

मूलभूत प्रॉम्प्ट जे एका विनंतीला संरचित सारांशात रूपांतरित करते:

भूमिका: तुम्ही अनुभवी सपोर्ट ट्रायज स्पेशालिस्ट आहात. खालील ग्राहकांच्या विनंतीचे विश्लेषण करा. एक टिप्पणी जोडा; फक्त मजकूरात काय आहे त्यावर अवलंबून रहा. खालील फील्ड भरा:- सारांश: (कमाल 1 वाक्य)- श्रेणी: [शिपिंग | परत | पेमेंट | तांत्रिक | उत्पादन माहिती | तक्रार | विक्रीची संधी]- निकड: [गंभीर | उच्च | मध्यम | कमी] - भावना: [राग | निराशा | तटस्थ | समाधानी]- पुढील_चरण: (एक वाक्य, ठोस कृती)- अनिश्चित: ("होय" श्रेणी/तात्काळ अस्पष्ट असल्यास, अन्यथा "नाही") विनंती:"""{{ request_text }}"""

बॅच प्रक्रियेसाठी, प्रॉम्प्ट एकाधिक विनंत्या एकाच वेळी JSON ॲरेमध्ये रूपांतरित करते:

खालील क्रमांकित विनंत्यांवर प्रक्रिया करा. खालील स्कीमासह प्रत्येकासाठी एक JSON ऑब्जेक्ट तयार करा आणि ते सर्व JSON ॲरे म्हणून परत करा. योजनेच्या बाहेर जाणे: { "id": "", "summary": "", "category": "", "urgency": "", "emotion": "", "next_step": "", "मला खात्री नाही": "" }केवळ श्रेण्या: शिपिंग, रिटर्न, पेमेंट, तांत्रिक, उत्पादन माहिती, तक्रार, विक्री संधी. विनंत्या: {{ numbered_request_list }}

तात्काळ निकष स्पष्ट करणारा आणि मॉडेलला "क्रिटिकल" ची व्याख्या शिकवणारा प्रॉम्प्ट:

खालील नियमानुसार तातडीचे निर्धारण करा:- गंभीर: सेवा पूर्णपणे अनुपलब्ध, पेमेंट गमावणे, सुरक्षितता/डेटा जोखीम, कायदेशीर धोका.- उच्च: महत्त्वाचे कार्य खंडित झाले आहे परंतु वर्कअराउंड अस्तित्वात आहे; संतप्त ग्राहक.- मध्यम: एकवचन समस्या, कार्यप्रवाह थांबत नाही.- कमी: माहितीसाठी विनंती, सूचना, सामान्य प्रश्न. तुमच्या निर्णयाचे कारण "urgency_reason" फील्डमध्ये एका वाक्यात लिहा.

प्रॉम्प्ट जे विक्रीची संधी कॅप्चर करते आणि समर्थन/विक्री ब्रिज स्थापित करते:

विनंतीवर प्रक्रिया करताना, जर ग्राहक नवीन उत्पादन/पॅकेज/पूरक खरेदी करण्यात स्वारस्य दाखवत असेल (उदा. "तुमच्याकडे मोठे पॅकेज आहे का", "ते किती वापरकर्ते घेतात"), "विक्री संधी" श्रेणी बनवा आणि "सेल्स_नोट" फील्डमध्ये विक्री संघासाठी एक-वाक्य टीप जोडा.

कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट

कमकुवत प्रॉम्प्ट

शक्तिशाली प्रॉम्प्ट

"या विनंतीचा सारांश आणि वर्गीकरण करा"

बंद श्रेणी सूची + तातडीची व्याख्या + निश्चित JSON स्कीमा

प्रत्येक वेळी वेगवेगळी लेबले व्युत्पन्न करते

समान विनंतीला नेहमी समान लेबल देते

तो स्वतःच्या इच्छेनुसार "अर्जंट" हा शब्द वापरतो.

"गंभीर" साठी ठोस निकष लागू करते

तो अस्पष्ट बनवतो

emin_degilim: होय म्हणा आणि त्या व्यक्तीवर सोडा

सुसंगतता हा येथे सुवर्ण नियम आहे: जर तीच तक्रार दोन वेगवेगळ्या दिवशी एकाच श्रेणीत येत नसेल, तर कोणतेही रिपोर्टिंग आणि ऑटोमेशन विश्वसनीय होणार नाही.

तीन मिनी केसेस

केस 1 - गोपनीय समीक्षक. SaaS (इंटरनेट भाड्याने दिलेले सॉफ्टवेअर) कंपनीत, "मी लॉग इन करू शकत नाही, संपूर्ण टीम 40 लोकांची वाट पाहत आहे" हा संदेश सामान्य वाटला कारण त्याची लांबी कमी होती. तातडीच्या नियमामुळे ("सेवा पूर्णपणे अनुपलब्ध" निकष) ट्रायज प्रॉम्प्टने "गंभीर" म्हणून चिन्हांकित केले. 2 तास रांगेत थांबण्याऐवजी 6 मिनिटांत विनंती हाताळण्यात आली; SLA (सेवा स्तरावरील करार, म्हणजे वचन दिलेला प्रतिसाद वेळ) चे उल्लंघन रोखले गेले आहे.

केस 2 - राग प्राधान्य. एके दिवशी, 180 विनंत्यांचे AI टॅग तपासले असता, "अँग्री" या भावनेने 14 विनंत्या वेगळ्या रांगेत लावल्या गेल्याचे दिसून आले. या विनंत्या अनुभवी प्रतिनिधींना निर्देशित केल्या गेल्या आणि त्या आठवड्यात नकारात्मक सर्वेक्षण स्कोअर (CSAT, म्हणजे ग्राहक समाधान स्कोअर) मागील आठवड्याच्या तुलनेत लक्षणीयरीत्या सुधारला.

प्रकरण 3 - समर्थनापासून विक्रीपर्यंतचा पूल. "माझे सध्याचे पॅकेज 5 वापरकर्त्यांसाठी आहे, मला ते 20 लोकांपर्यंत वाढवायचे आहे, हे शक्य आहे का?" AI ने संदेशाला "विक्रीची संधी" म्हणून टॅग केले आणि एक विक्री नोट जोडली. विनंती आपोआप विक्री संघाकडे पडली; एक अपसेल संधी जी मानक समर्थन रांगेत गमावली असती तर त्याकडे दुर्लक्ष झाले असते.

टीप: तुमची श्रेणी सूची शक्य तितकी लहान आणि वेगळी ठेवा. 20 श्रेण्या मॉडेलला (आणि तुमची टीम) गोंधळात टाकतील; 6-8 स्पष्ट श्रेणी अधिक सुसंगतपणे लेबल केल्या आहेत आणि अहवालांमध्ये अर्थपूर्ण आहेत. दोन वारंवार गोंधळलेल्या श्रेणी एकत्र करा.

ऑटोमेशनशी कनेक्ट करत आहे

संरचित JSON आउटपुटची खरी शक्ती ही आहे की ती पुढील पायरीवर आपोआप प्रवाहित होते: “क्रिटिकल” लेबल असलेली विनंती व्यवस्थापकाला लगेच सूचित करते, “विक्रीची संधी” CRM (ग्राहक संबंध व्यवस्थापन सॉफ्टवेअर) मध्ये येते, “रिटर्न” स्वयं-सेवा प्रवाहात जाते. परंतु ऑटोमेशनचा पहिला नियम: केवळ एआय टॅगवर आधारित उच्च-प्रभाव क्रिया (परतावा, खाते बंद करणे) कधीही ट्रिगर होत नाहीत; कधीकधी मानवी मान्यता असते.

खबरदारी: भावना विश्लेषण हे एक अंदाज आहे, अचूक मोजमाप नाही. एक ग्राहक ज्याला मॉडेल "तटस्थ" म्हणतो तो खरोखर शांतपणे खूप रागावू शकतो. प्राधान्य देण्यासाठी भावना टॅग वापरा; परंतु "हा ग्राहक आधीच समाधानी आहे" सारखे निश्चित निष्कर्ष काढण्यासाठी केवळ त्यावर अवलंबून राहू नका.

सामान्य चुका

• मॉडेलवर श्रेणी सूची सोडणे; प्रत्येक वेळी भिन्न, विसंगत लेबल मिळवणे.
• "अर्जंट" सारखा सापेक्ष शब्द अपरिभाषित सोडणे; सर्वांना विनंती आहे.
• आउटपुट स्वरूप निश्चित करत नाही; कधी परिच्छेद, कधी JSON ऐवजी यादी दिसते.
• अनिश्चिततेसाठी बाहेर पडण्याचा दरवाजा प्रदान करत नाही (मला खात्री नाही).
• मानवी मंजुरीशिवाय उच्च-प्रभाव व्यवहार (परतावा, खाते बंद) AI टॅगशी जोडणे.
• पहिल्या बॅचची व्यक्तिचलितपणे पडताळणी न करता संपूर्ण प्रवाह स्वयंचलित करणे.

सारांशात

• वर्गवारी, निकड आणि भावना यानुसार येणाऱ्या विनंत्यांचे ढीग त्वरीत वर्गीकरण करत आहे.
• सुसंगततेची गुरुकिल्ली: बंद श्रेणी सूची, ठोस तात्काळ व्याख्या आणि निश्चित आउटपुट स्वरूप (JSON).
• तातडी आणि भावना लेबले प्राधान्यक्रमाला गती देतात; हे गंभीर आणि संतप्त मागण्या पुढे आणते.
• संरचित आउटपुट थेट ऑटोमेशन (सूचना, राउटिंग, CRM) शी जोडले जाऊ शकते.
• उच्च-प्रभाव कृती आणि अस्पष्ट लेबले नेहमी मानवी पडताळणीतून जातात.

अर्ज कार्य

वरील JSON ॲरे प्रॉम्प्टसह तुमच्याकडे असलेल्या (किंवा नमुने) 5 वेगवेगळ्या ग्राहकांच्या विनंत्यांची बॅच प्रक्रिया करते. नंतर मॅन्युअली आउटपुट तपासा: (1) प्रत्येक श्रेणी योग्य आहे का? (2) ज्यांना "गंभीर" म्हणून चिन्हांकित केले आहे ते खरोखर सेवा बंद करतात? (3) मी योग्य ठिकाणी "होय" म्हटले आहे का? योग्य नसलेले कोणतेही टॅग दुरुस्त करा आणि त्यानुसार प्रॉम्प्ट (विशेषत: श्रेणी व्याख्या आणि तात्काळ नियम) अद्यतनित करा. हा व्यायाम आपल्या स्वतःच्या वास्तविकतेनुसार स्कीमा कॅलिब्रेट करण्याची सवय तयार करतो.

चेकलिस्ट

• [ ] मी श्रेणींची एक बंद आणि स्वतंत्र यादी परिभाषित केली आहे.
• [ ] मी ठोस उपायांसह तातडीच्या पातळीचे वर्णन केले आहे.
• [ ] मी आउटपुट स्वरूप (JSON/टेबल) निश्चित केले.
• [ ] मी अनिश्चिततेसाठी बाहेर पडण्याचा दरवाजा जोडला आहे (मला_अनिश्चित आहे).
• मी मॅन्युअली पहिल्या बॅचची पडताळणी केली आणि प्रॉम्प्ट कॅलिब्रेट केले.
• [ ] मी उच्च-प्रभावकारी कृतींवर मानवी मंजुरीचा थर ठेवतो.