Permintaan Ringkasan dan Klasifikasi (Tigasi Tiket)

Keuntungan:

• Keupayaan untuk mengubah permintaan pelanggan yang panjang dan berselerak kepada ringkasan berstruktur dan boleh diambil tindakan
• Keupayaan untuk mengklasifikasikan permintaan mengikut kategori, kesegeraan dan sentimen pelanggan dengan skema tetap
• Keupayaan untuk menentukan format output yang konsisten (JSON/jadual) yang sesuai untuk automasi untuk pemprosesan tiket pukal

Bayangkan pagi pasukan sokongan: 220 tiket baharu (tiket) telah terkumpul semalaman. Ada yang satu baris "Saya terlupa kata laluan saya", ada yang merupakan aduan tiga perenggan yang marah, dan ada yang sebenarnya peluang jualan. Membaca melalui timbunan ini, menetapkan setiap satu ke kategori yang betul, menentukan segeranya, dan mengarahkannya kepada orang yang betul (ini dipanggil triage; logik yang sama untuk menyusun pesakit mengikut keutamaan di bilik kecemasan) memakan dua jam pertama hari itu.

Kecerdasan buatan (AI) boleh melakukan kerja ini dalam beberapa saat dan secara konsisten. Tetapi keajaibannya bukan dengan mengatakan "ringkaskan permintaan ini"; Ia mengenakan senarai kategori tetap, tahap segera yang jelas dan format output yang tidak boleh diubah pada model. Dalam unit ini, kami akan mewujudkan sistem triage yang bermula daripada memproses satu permintaan kepada melabelkan beratus-ratus permintaan dalam cara sedia automasi.

Nota: Kategori dan label segera yang dijana oleh AI ialah alat saringan awal. Khususnya, permintaan yang dilabel "mendesak" dan "aduan" mesti disahkan oleh manusia sebelum diproses.

Mengapa Ringkasan Berstruktur?

Ringkasan percuma ("pelanggan menghadapi masalah dengan penghantaran mereka") tidak boleh dicari, diisih atau diautomatikkan. Walau bagaimanapun, keperluan pengurus sokongan adalah jelas kepada soalan berikut:

• Permintaan ini termasuk dalam kategori yang manakah? (Penghantaran, Pemulangan, Pembayaran, Teknikal, Maklumat Produk, Aduan, Peluang Jualan)
• Seberapa mendesaknya? (Kritis / Tinggi / Sederhana / Rendah)
• Apakah keadaan emosi pelanggan? (Marah / Kecewa / Neutral / Puas Hati)
• Apakah intipati satu ayatnya?
• Apakah langkah seterusnya?

Sebaik sahaja anda mentakrifkan soalan ini terlebih dahulu dan memberikannya kepada model sebagai skema (medan malar dan nilai yang mungkin), kesemua 220 permintaan menjadi setanding dan boleh ditapis dalam format yang sama.

Langkah demi Langkah: Mewujudkan Skim Triage

1. Sematkan senarai kategori. Jangan biarkan model sesuai; Berikan senarai tertutup.
2. Tentukan kriteria segera. Konkritkan maksud "kritikal": perkhidmatan dihentikan sepenuhnya, kerugian pembayaran, risiko keselamatan.
3. Kenal pasti label emosi. Gunakan set terhad dan jelas.
4. Import format output. Untuk pemprosesan kelompok, JSON (format data bacaan mesin yang terdiri daripada pasangan nilai medan) adalah sesuai, untuk permintaan tunggal, jadual adalah sesuai.
5. Buat peraturan "tandakan jika tidak pasti". Jika model tidak pasti kategori, katakan tidak pasti dan manusia akan melihat.
6. Sahkan. Dalam kelompok pertama, semak ketepatan label secara manual dan tetapkan gesaan.

Gesaan Boleh Salin

Gesaan asas yang menukar satu permintaan kepada ringkasan berstruktur:

Peranan: Anda adalah pakar triage sokongan yang berpengalaman. Analisis permintaan pelanggan di bawah. Tambah ulasan; hanya bergantung pada apa yang ada dalam teks.Isikan medan berikut:- ringkasan: (maks 1 ayat)- kategori: [Penghantaran | Kembalikan | Pembayaran | Teknikal | Maklumat Produk | Aduan | Peluang Jualan]- segera: [Kritis | Tinggi | Sederhana | Rendah]- emosi: [Marah | Kekecewaan | Berkecuali | Puas hati]- langkah_seterusnya: (ayat tunggal, tindakan konkrit)- tidak pasti: ("ya" jika kategori/kedekatan tidak jelas, jika tidak "tidak") Permintaan:"""{{ request_text }}"""

Untuk pemprosesan kelompok, gesaan menukar berbilang permintaan kepada tatasusunan JSON sekaligus:

Proseskan permintaan bernombor di bawah. Hasilkan objek JSON untuk setiap satu dengan skema berikut dan kembalikan semuanya sebagai tatasusunan JSON. Melangkah ke luar skim: { "id": "", "summary": "", "category": "", "urgency": "", "emotion": "", "next_step": "", "Saya tidak pasti": "" }Kategori sahaja: Penghantaran, Pemulangan, Pembayaran, Teknikal, Maklumat Produk, Aduan, Peluang Jualan. Permintaan: {{ numbered_request_list }}

Gesaan yang menjelaskan kriteria segera dan mengajar model takrifan "Kritis":

Tentukan segera mengikut peraturan berikut:- Kritikal: perkhidmatan tidak tersedia sepenuhnya, kehilangan pembayaran, risiko keselamatan/data, ancaman undang-undang.- Tinggi: fungsi penting rosak tetapi penyelesaiannya wujud; pelanggan yang marah.- Sederhana: isu tunggal, tidak menghentikan aliran kerja.- Rendah: meminta maklumat, cadangan, soalan umum. Tulis sebab untuk keputusan anda dalam satu ayat dalam medan "alasan_kecemasan".

Prompt yang menangkap peluang jualan dan mewujudkan jambatan sokongan/jualan:

Semasa memproses permintaan, jika pelanggan menunjukkan minat untuk membeli produk/pakej/tambahan baharu (cth. "adakah anda mempunyai pakej yang lebih besar", "berapa bilangan pengguna yang diperlukan"), buat kategori "Peluang Jualan" dan tambahkan petua satu ayat untuk pasukan jualan dalam medan "sales_note".

Gesaan Lemah / Gesaan Kuat

Gesaan yang lemah

Gesaan yang berkuasa

"Ringkaskan dan klasifikasikan permintaan ini"

Senarai kategori tertutup + definisi segera + skema JSON tetap

Menghasilkan label yang berbeza setiap kali

Sentiasa berikan label yang sama kepada permintaan yang sama

Dia menggunakan perkataan "urgent" mengikut kehendaknya sendiri.

Menggunakan kriteria konkrit untuk "kritikal"

Dia membuat yang samar-samar

emin_degilim: cakap ya dan serahkan pada orang itu

Ketekalan ialah peraturan emas di sini: jika aduan yang sama tidak termasuk dalam kategori yang sama pada dua hari berbeza, tiada pelaporan dan automasi akan dipercayai.

Tiga Kes Mini

Kes 1 — Pengkritik sulit. Dalam syarikat SaaS (perisian internet yang disewa), mesej "Saya tidak boleh log masuk, seluruh pasukan sedang menunggu 40 orang" kelihatan biasa kerana panjangnya pendek. Gesaan triage menandakannya "Kritis" terima kasih kepada peraturan mendesak (kriteria "perkhidmatan tidak tersedia sepenuhnya"). Permintaan telah dikendalikan dalam masa 6 minit dan bukannya menunggu 2 jam dalam baris gilir; pelanggaran SLA (perjanjian tahap perkhidmatan, iaitu masa respons yang dijanjikan) telah dihalang.

Kes 2 — Pengutamaan kemarahan. Pada suatu hari, apabila teg AI bagi 180 permintaan telah diperiksa, didapati 14 permintaan dengan emosi "Marah" dimasukkan ke dalam baris gilir yang berasingan. Permintaan ini ditujukan kepada wakil yang berpengalaman, dan skor tinjauan negatif (CSAT, iaitu skor kepuasan pelanggan) minggu itu meningkat dengan ketara berbanding minggu sebelumnya.

Kes 3 — Jambatan daripada sokongan kepada jualan. "Pakej saya sekarang untuk 5 pengguna, saya perlu tambah kepada 20 orang, boleh?" AI menandai mesej itu sebagai "Peluang Jualan" dan menambah nota jualan. Permintaan secara automatik jatuh kepada pasukan jualan; Peluang upsell yang tidak akan disedari jika ia telah hilang dalam baris gilir sokongan standard telah menjadi keuntungan.

Petua: Pastikan senarai kategori anda sesingkat dan diskret yang mungkin. 20 kategori akan mengelirukan model (dan pasukan anda); 6-8 kategori yang jelas dilabelkan dengan lebih konsisten dan bermakna dalam laporan. Gabungkan dua kategori yang sering keliru.

Menyambung ke Automasi

Kuasa sebenar output JSON berstruktur ialah ia mengalir secara automatik ke langkah seterusnya: Permintaan yang dilabel "Kritikal" segera memberitahu pengurus, "Peluang Jualan" jatuh ke dalam CRM (perisian pengurusan perhubungan pelanggan), "Return" masuk ke dalam aliran layan diri. Tetapi peraturan automasi pertama: tindakan berimpak tinggi (bayaran balik, penutupan akaun) tidak pernah dicetuskan berdasarkan teg AI sahaja; Kadang-kadang ada persetujuan manusia.

Awas: Analisis sentimen ialah ramalan, bukan ukuran tepat. Pelanggan yang model itu panggil "Neutral" sebenarnya boleh marah secara senyap-senyap. Gunakan tag emosi untuk memberi keutamaan; tetapi jangan bergantung padanya sahaja untuk membuat kesimpulan yang pasti seperti "pelanggan ini sudah berpuas hati."

Kesilapan biasa

• Meninggalkan senarai kategori kepada model; mendapat label yang berbeza dan tidak serasi setiap kali.
• Meninggalkan perkataan relatif seperti "mendesak" tidak ditentukan; Permintaan semua orang adalah mendesak.
• Tidak membetulkan format output; Kadangkala perenggan, kadangkala senarai muncul dan bukannya JSON.
• Tidak menyediakan pintu keluar untuk ketidakpastian (saya tidak pasti).
• Memautkan transaksi berimpak tinggi (bayaran balik, penutupan akaun) kepada teg AI tanpa kelulusan manusia.
• Mengautomasikan keseluruhan aliran tanpa mengesahkan kumpulan pertama secara manual.

Secara ringkasnya

• Triage sedang menyusun dengan pantas timbunan permintaan masuk mengikut kategori, kesegeraan dan emosi.
• Kunci kepada ketekalan: senarai kategori tertutup, takrifan mendesak konkrit dan format output tetap (JSON).
• Label kecemasan dan emosi mempercepatkan keutamaan; Ia membawa tuntutan kritikal dan marah.
• Output berstruktur boleh dipautkan terus kepada automasi (pemberitahuan, penghalaan, CRM).
• Tindakan berimpak tinggi dan label samar-samar hendaklah sentiasa menjalani pengesahan manusia.

Tugasan permohonan

Proses kelompok 5 permintaan pelanggan berbeza yang anda miliki (atau sampel) dengan gesaan tatasusunan JSON di atas. Kemudian semak output secara manual: (1) Adakah setiap kategori betul? (2) Adakah mereka yang ditanda "kritikal" sebenarnya menghentikan perkhidmatan? (3) Adakah saya pasti berkata "ya" di tempat yang betul? Betulkan mana-mana teg yang tidak sesuai dan kemas kini gesaan (terutama definisi kategori dan peraturan segera) dengan sewajarnya. Latihan ini membina tabiat menentukur skema kepada realiti anda sendiri.

senarai semak

• [ ] Saya telah menentukan senarai kategori tertutup dan diskret.
• [ ] Saya menerangkan tahap-tahap segera dengan langkah-langkah konkrit.
• [ ] Saya membetulkan format output (JSON/jadual).
• [ ] Saya menambah pintu keluar untuk ketidakpastian (saya_tidak pasti).
• [ ] Saya mengesahkan kumpulan pertama secara manual dan menentukur gesaan.
• [ ] Saya meletakkan lapisan kelulusan manusia pada tindakan berimpak tinggi.