Winst:
- Mogelijkheid om lange en verspreide klantverzoeken om te zetten in gestructureerde, bruikbare samenvattingen
- Mogelijkheid om verzoeken te classificeren op basis van categorie, urgentie en klantsentiment met een vast schema
- Mogelijkheid om een consistent uitvoerformaat (JSON/tabel) te definiëren dat geschikt is voor automatisering voor bulkticketverwerking
Stel je de ochtend van een ondersteuningsteam voor: er zijn 's nachts 220 nieuwe tickets (tickets) verzameld. Sommige zijn een regel van één regel: "Ik ben mijn wachtwoord vergeten", sommige zijn een boze klacht van drie alinea's, en sommige zijn eigenlijk een verkoopkans. Het doorlezen van deze stapel, het indelen van elke stapel in de juiste categorie, het bepalen van de urgentie ervan en het doorverwijzen naar de juiste persoon (dit heet triage; dezelfde logica van het sorteren van patiënten op prioriteit op de eerste hulp) slokt de eerste twee uur van de dag op.
Kunstmatige intelligentie (AI) kan dit werk binnen enkele seconden en consistent doen. Maar de magie zit hem niet in het zeggen van “vat dit verzoek samen”; Het legt een vaste lijst met categorieën, duidelijke urgentieniveaus en een onveranderlijk uitvoerformaat op aan het model. In deze unit zullen we een triagesysteem opzetten dat gaat van het verwerken van een enkel verzoek tot het labelen van honderden verzoeken op een automatiseringsklare manier.
Opmerking: de door AI gegenereerde categorie- en urgentielabels zijn een voorlopige screeningtool. In het bijzonder moeten verzoeken met de aanduiding "dringend" en "klacht" door een mens worden bevestigd voordat ze in behandeling worden genomen.
Waarom een gestructureerde samenvatting?
Een gratis samenvatting (“klant heeft problemen met zijn zending”) kan niet worden doorzocht, gesorteerd of geautomatiseerd. De behoefte van de supportmanager wordt echter duidelijk op de volgende vragen:
- In welke categorie valt dit verzoek? (Verzending, Retourneren, Betaling, Technisch, Productinformatie, Klacht, Verkoopmogelijkheid)
- Hoe urgent is het? (Kritisch / Hoog / Gemiddeld / Laag)
- Wat is de emotionele toestand van de klant? (Boos / Teleurgesteld / Neutraal / Tevreden)
- Wat is de essentie van één zin?
- Wat zou de volgende stap moeten zijn?
Zodra u deze vragen vooraf definieert en als schema (constante velden en mogelijke waarden) aan het model geeft, worden alle 220 verzoeken in hetzelfde formaat vergelijkbaar en filterbaar.
Stap voor stap: een triageschema opzetten
- Zet de categorielijst vast. Laat het model niet passen; Geef een gesloten lijst.
- Definieer het criterium van urgentie. Concreet wat ‘kritiek’ betekent: service volledig gestopt, betalingsverlies, veiligheidsrisico.
- Identificeer emotielabels. Gebruik een beperkte en duidelijke set.
- Importeer het uitvoerformaat. Voor batchverwerking is JSON (machine-read data format bestaande uit veld-waardeparen) geschikt, voor enkelvoudig verzoek is tabel geschikt.
- Maak een ‘vink aan als je het niet zeker weet’-regel. Als het model niet zeker is van de categorie, laat het dan onzeker zeggen en de mens zal kijken.
- Verifiëren. Controleer in de eerste batch handmatig de nauwkeurigheid van de labels en stel de prompt in.
Kopieerbare aanwijzingen
Basisprompt die een enkel verzoek omzet in een gestructureerde samenvatting:
Rol: Je bent een ervaren supporttriagespecialist. Analyseer hieronder het verzoek van de klant. Voeg een opmerking toe; vertrouw gewoon op wat er in de tekst staat. Vul de volgende velden in: - samenvatting: (max 1 zin) - categorie: [Verzending | Terug | Betaling | Technisch | Productinformatie | Klacht | Verkoopmogelijkheid] - urgentie: [Kritisch | Hoog | Middel | Laag]- emotie: [Boos | Teleurstelling | Neutraal | Tevreden]- volgende_stap: (enkele zin, concrete actie)- onzeker: ("ja" als categorie/urgentie onduidelijk is, anders "nee") Verzoek:"""{{ request_text }}"""
Voor batchverwerking converteert de prompt meerdere verzoeken tegelijk naar een JSON-array:
Verwerk onderstaande genummerde aanvragen. Genereer voor elk een JSON-object met het volgende schema en retourneer ze allemaal als een JSON-array. Buiten het schema gaan: { "id": "", "summary": "", "category": "", "urgency": "", "emotion": "", "next_step": "", "Ik weet het niet zeker": "" }Alleen categorieën: verzending, retourneren, betaling, technisch, productinformatie, klacht, verkoopmogelijkheid. Verzoeken: {{ numbered_request_list }}
De prompt die het urgentiecriterium verduidelijkt en het model de definitie van ‘kritisch’ leert:
Bepaal de urgentie aan de hand van de volgende regel: - Kritiek: dienst is volledig niet beschikbaar, verlies van betaling, beveiligings-/datarisico, juridische dreiging. - Hoog: belangrijke functie is defect maar er bestaat een oplossing; boze klant.- Gemiddeld: enkelvoudig probleem, stopt de workflow niet.- Laag: verzoek om informatie, suggestie, algemene vraag. Schrijf de reden voor uw beslissing in één zin in het veld 'urgentie_reden'.
Prompt die de verkoopkans benut en een ondersteunings-/verkoopbrug tot stand brengt:
Als de klant bij het verwerken van de aanvraag interesse toont in de aankoop van een nieuw product/pakket/supplement (bijvoorbeeld "hebt u een groter pakket", "hoeveel gebruikers zijn er nodig"), maak dan de categorie "Verkoopmogelijkheid" en voeg een tip van één zin toe voor het verkoopteam in het veld "sales_note".
Zwakke prompt/sterke prompt
Zwakke prompt
Krachtige prompt
"Samenvatten en classificeren van dit verzoek"
Gesloten categorielijst + urgentiedefinitie + vast JSON-schema
Genereert elke keer verschillende labels
Geeft altijd hetzelfde label aan dezelfde aanvraag
Hij gebruikt het woord "dringend" volgens zijn eigen wensen.
Past concrete criteria toe voor "kritiek"
Hij verzint het vage
emin_degilim: zeg ja en laat het aan de persoon over
Consistentie is hierbij de gouden regel: als dezelfde klacht niet op twee verschillende dagen in dezelfde categorie valt, is geen enkele rapportage en automatisering betrouwbaar.
Drie mini-hoesjes
Casus 1 — Vertrouwenscriticus. Bij een SaaS-bedrijf (internetverhuurde software) leek het bericht "Ik kan niet inloggen, het hele team wacht op 40 mensen" gewoon omdat het kort was. De triage-prompt markeerde het als 'Kritiek' dankzij de urgentieregel ('dienst volledig niet beschikbaar'-criteria). Het verzoek werd binnen 6 minuten afgehandeld in plaats van 2 uur in de wachtrij; een schending van de SLA (Service Level Agreement, d.w.z. beloofde responstijd) is voorkomen.
Geval 2 – Prioriteit voor woede. Toen op een dag de AI-tags van 180 verzoeken werden onderzocht, bleek dat 14 verzoeken met de emotie ‘Boos’ in een aparte wachtrij werden geplaatst. Deze verzoeken waren gericht aan ervaren vertegenwoordigers en de negatieve enquêtescore (CSAT, d.w.z. klanttevredenheidsscore) verbeterde die week aanzienlijk vergeleken met de week ervoor.
Casus 3 — Brug van ondersteuning naar verkoop. "Mijn huidige pakket is voor 5 gebruikers, ik moet dit uitbreiden naar 20 personen, is dat mogelijk?" AI heeft het bericht getagd als 'Verkoopmogelijkheid' en een verkoopnota toegevoegd. Het verzoek kwam automatisch terecht bij het verkoopteam; Een upsell-mogelijkheid die onopgemerkt zou zijn gebleven als deze verloren was gegaan in de standaard ondersteuningswachtrij, is een winst geworden.
Tip: Houd uw categorielijst zo kort en discreet mogelijk. 20 categorieën zullen het model (en uw team) in verwarring brengen; Zes tot acht duidelijke categorieën worden consistenter gelabeld en zijn betekenisvol in rapporten. Combineer twee vaak verwarde categorieën.
Verbinding maken met automatisering
De echte kracht van de gestructureerde JSON-uitvoer is dat deze automatisch naar de volgende stap stroomt: het verzoek met het label ‘Kritisch’ brengt onmiddellijk de manager op de hoogte, ‘Sales Opportunity’ valt in de CRM (software voor klantrelatiebeheer), ‘Return’ gaat in de zelfbedieningsstroom. Maar de eerste automatiseringsregel: acties met een hoge impact (terugbetaling, sluiting van een account) worden nooit geactiveerd op basis van alleen de AI-tag; Soms is er menselijke goedkeuring.
Let op: Sentimentanalyse is een voorspelling, geen exacte meting. Een klant die het model ‘neutraal’ noemt, kan in werkelijkheid stilletjes heel boos zijn. Gebruik de emotietag om prioriteiten te stellen; maar vertrouw er niet alleen op om definitieve conclusies te trekken, zoals 'deze klant is al tevreden'.
Veel voorkomende fouten
- De categorielijst aan het model overlaten; elke keer andere, incompatibele labels krijgen.
- Een relatief woord als ‘dringend’ ongedefinieerd laten; Ieders verzoek is dringend.
- Het uitvoerformaat niet repareren; Soms verschijnt een alinea, soms een lijst in plaats van JSON.
- Ik bied geen uitgangsdeur voor onzekerheid (ik weet het niet zeker).
- Het koppelen van transacties met een hoge impact (terugbetaling, sluiting van een account) aan de AI-tag zonder menselijke goedkeuring.
- Automatisering van de gehele stroom zonder de eerste batch handmatig te verifiëren.
Samengevat
- Triage sorteert snel de stapel binnenkomende verzoeken op categorie, urgentie en emotie.
- De sleutel tot consistentie: gesloten categorielijst, concrete definitie van urgentie en vast uitvoerformaat (JSON).
- Urgentie- en emotielabels versnellen het stellen van prioriteiten; Het brengt kritische en boze eisen naar voren.
- Gestructureerde output kan direct gekoppeld worden aan automatisering (notificatie, routing, CRM).
- Acties met een grote impact en dubbelzinnige labels moeten altijd een menselijke verificatie ondergaan.
Applicatie taak
Verwerk de vijf verschillende klantverzoeken (of voorbeelden) die u heeft in batches met de bovenstaande JSON-arrayprompt. Controleer vervolgens handmatig de uitvoer: (1) Is elke categorie correct? (2) Stoppen degenen die als "kritiek" zijn gemarkeerd de service daadwerkelijk? (3) Heb ik zeker op de juiste plaatsen ‘ja’ gezegd? Corrigeer eventuele tags die niet passen en werk de prompt bij (vooral categoriedefinities en urgentieregel). Met deze oefening maakt u er een gewoonte van om het schema af te stemmen op uw eigen realiteit.
controlelijst
- [ ] Ik heb een gesloten en discrete lijst met categorieën gedefinieerd.
- [ ] Ik heb de urgentieniveaus beschreven met concrete maatregelen.
- [ ] Ik heb het uitvoerformaat (JSON/table) gerepareerd.
- [ ] Ik heb een uitgangsdeur toegevoegd voor onzekerheid (ik weet het niet zeker).
- [ ] Ik heb de eerste batch handmatig geverifieerd en de prompt gekalibreerd.
- [ ] Ik heb een laagje menselijke goedkeuring aangebracht op acties met een grote impact.