Be om oppsummering og klassifisering (billetttriage)

Gevinster:

• Ability to transform long and scattered customer requests into structured, actionable summaries
• Evne til å klassifisere forespørsler etter kategori, haster og kundefølelse med et fast skjema
• Evne til å definere et konsistent utdataformat (JSON/tabell) egnet for automatisering for bulkbillettbehandling

Se for deg et supportteams morgen: 220 nye billetter (billetter) har samlet seg over natten. Noen er en en-linje "Jeg har glemt passordet mitt", noen er en sint klage på tre ledd, og noen er faktisk en salgsmulighet. Å lese gjennom denne bunken, tilordne hver enkelt til riktig kategori, bestemme om det haster og rette det til rett person (dette kalles triage; den samme logikken med å sortere pasienter etter prioritet på legevakten) spiser opp de to første timene av dagen.

Kunstig intelligens (AI) kan gjøre denne jobben på sekunder og konsekvent. Men magien ligger ikke i å si "oppsummer denne forespørselen"; Den pålegger modellen en fast liste over kategorier, klare hastenivåer og et uforanderlig utdataformat. I denne enheten skal vi etablere et triagesystem som går fra å behandle en enkelt forespørsel til å merke hundrevis av forespørsler på en automatiseringsklar måte.

Merk: Kategoriene og hasteetikettene generert av AI er et foreløpig screeningsverktøy. Spesielt må forespørsler merket "haster" og "klage" bekreftes av et menneske før de behandles.

Hvorfor strukturert sammendrag?

Et gratis sammendrag ("kunden har problemer med forsendelsen") kan ikke søkes, sorteres eller automatiseres. Imidlertid er behovet til støttelederen klart for følgende spørsmål:

• Hvilken kategori faller denne forespørselen inn i? (frakt, retur, betaling, teknisk, produktinformasjon, klage, salgsmulighet)
• Hvor haster det? (Kritisk / Høy / Middels / Lav)
• Hva er kundens følelsesmessige tilstand? (Sint / Skuffet / Nøytral / Fornøyd)
• Hva er dens en-setnings essens?
• Hva bør være neste steg?

Når du definerer disse spørsmålene på forhånd og gir dem til modellen som et skjema (konstante felt og mulige verdier), blir alle 220 forespørsler sammenlignbare og filtrerbare i samme format.

Trinn for trinn: Etablere en triage-ordning

1. Fest kategorilisten. Ikke la modellen passe; Gi en lukket liste.
2. Definer hastekriteriet. Konkret hva "kritisk" betyr: tjeneste helt stoppet, tap av betaling, sikkerhetsrisiko.
3. Identifiser følelsesetiketter. Bruk et begrenset og oversiktlig sett.
4. Importer utdataformatet. For batchbehandling er JSON (maskinlest dataformat bestående av felt-verdi-par) egnet, for enkeltforespørsel er tabell egnet.
5. Lag en "kryss av hvis ikke sikker"-regel. Hvis modellen er usikker på kategorien, la den si usikker og mennesket vil se.
6. Verifisere. I den første batchen kontrollerer du nøyaktigheten av etikettene manuelt og angir ledeteksten.

Kopierbare ledetekster

Grunnleggende spørsmål som konverterer en enkelt forespørsel til et strukturert sammendrag:

Rolle: Du er en erfaren støttetriage-spesialist. Analyser kundeforespørselen nedenfor. Legg til en kommentar; bare stol på hva som står i teksten.Fyll ut følgende felt:- sammendrag: (maks 1 setning)- kategori: [Frakt | Tilbake | Betaling | Teknisk | Produktinformasjon | Klage | Sales Opportunity]- urgency: [Critical | Høy | Middels | Lav]- følelser: [Sint | Skuffelse | Nøytral | Fornøyd]- neste_steg: (enkelt setning, konkret handling)- usikker: ("ja" hvis kategorien/haster er uklar, ellers "nei") Forespørsel:"""{{ request_text }}"""

For batchbehandling konverterer ledeteksten flere forespørsler til en JSON-matrise samtidig:

Behandle de nummererte forespørslene nedenfor. Generer et JSON-objekt for hvert med følgende skjema og returner dem alle som en JSON-matrise. Går utenfor ordningen: { "id": "", "summary": "", "category": "", "urgency": "", "emotion": "", "next_step": "", "I'm not sure": "" }Kun kategorier: Frakt, retur, betaling, teknisk, produktinformasjon, klage, salgsmulighet. Forespørsler: {{ numbered_request_list }}

Spørsmålet som tydeliggjør hastekriteriet og lærer modellen definisjonen av "Kritisk":

Bestem hastegrad i henhold til følgende regel:- Kritisk: tjenesten er fullstendig utilgjengelig, tap av betaling, sikkerhet/datarisiko, juridisk trussel.- Høy: viktig funksjon er ødelagt, men en løsning finnes; sint kunde.- Middels: enkelt problem, stopper ikke arbeidsflyten.- Lav: forespørsel om informasjon, forslag, generelt spørsmål. Skriv årsaken til avgjørelsen din i én setning i feltet "urgency_reason".

Spørring som fanger salgsmuligheten og etablerer en støtte/salgsbro:

Ved behandling av forespørselen, hvis kunden viser interesse for å kjøpe et nytt produkt/pakke/tillegg (f.eks. «har du en større pakke», «hvor mange brukere tar det»), lag kategorien «Salgsmulighet» og legg til et tips på én setning til salgsteamet i «salgsnotat»-feltet.

Svak forespørsel / sterk forespørsel

Svak melding

Kraftig forespørsel

"Oppsummer og klassifiser denne forespørselen"

Lukket kategoriliste + hastedefinisjon + fast JSON-skjema

Genererer forskjellige etiketter hver gang

Gir alltid samme etikett til samme forespørsel

Han bruker ordet «haster» etter eget ønske.

Bruker konkrete kriterier for "kritisk"

Han finner opp det vage

emin_degilim: si ja og overlat det til personen

Konsistens er den gylne regelen her: Hvis den samme klagen ikke faller inn i samme kategori på to forskjellige dager, vil ingen rapportering og automatisering være pålitelig.

Tre minivesker

Sak 1 - Konfidensiell kritiker. In a SaaS (internet rented software) company, the message "I can't log in, the whole team is waiting for 40 people" seemed ordinary because it was short in length. Triage-meldingen markerte den som "Kritisk" takket være hasteregelen ("tjeneste helt utilgjengelig"-kriterier). Forespørselen ble behandlet på 6 minutter i stedet for å vente 2 timer i køen; et SLA-brudd (service level agreement, dvs. lovet responstid) har blitt forhindret.

Case 2 - Sinneprioritering. En dag, da AI-taggene til 180 forespørsler ble undersøkt, ble det sett at 14 forespørsler med følelsen "Angry" ble satt i en egen kø. Disse forespørslene ble rettet til erfarne representanter, og den negative undersøkelsesscore (CSAT, dvs. kundetilfredshetsscore) den uken forbedret seg betydelig sammenlignet med forrige uke.

Case 3 — Bro fra støtte til salg. "Min nåværende pakke er for 5 brukere, jeg må øke den til 20 personer, er det mulig?" AI merket meldingen som "Sales Opportunity" og la til en salgsnota. Forespørselen falt automatisk til salgsteamet; En mersalgsmulighet som ville gått ubemerket hen hvis den hadde gått tapt i standard supportkø, har blitt en gevinst.

Tips: Hold kategorilisten så kort og diskret som mulig. 20 kategorier vil forvirre modellen (og teamet ditt); 6-8 klare kategorier er merket mer konsekvent og er meningsfulle i rapporter. Kombiner to ofte forvirrede kategorier.

Koble til automatisering

Den virkelige kraften til den strukturerte JSON-utgangen er at den flyter automatisk til neste trinn: Forespørselen merket "Kritisk" varsler umiddelbart lederen, "Sales Opportunity" faller inn i CRM (customer relationship management software), "Return" går inn i selvbetjeningsflyten. Men den første automatiseringsregelen: handlinger med høy effekt (refusjon, kontostenging) utløses aldri basert på AI-taggen alene; Noen ganger er det menneskelig godkjenning.

Forsiktig: Sentimentanalyse er en prediksjon, ikke en eksakt måling. En kunde som modellen kaller «nøytral» kan faktisk stille og rolig være veldig sint. Bruk følelsestaggen for å prioritere; men ikke stol på det alene for å trekke definitive konklusjoner som "denne kunden er allerede fornøyd."

Vanlige feil

• Overlater kategorilisten til modellen; får forskjellige, inkompatible etiketter hver gang.
• Å etterlate et relativt ord som "haster" udefinert; Alles forespørsel haster.
• Ikke fikse utdataformatet; Noen ganger vises avsnitt, noen ganger liste i stedet for JSON.
• Ikke gi en utgangsdør for usikkerhet (jeg er ikke sikker).
• Koble transaksjoner med høy effekt (refusjon, kontostenging) til AI-taggen uten menneskelig godkjenning.
• Automatisering av hele flyten uten å manuelt verifisere den første batchen.

Oppsummert

• Triage sorterer raskt gjennom haugen av innkommende forespørsler etter kategori, haster og følelser.
• Nøkkelen til konsistens: lukket kategoriliste, konkret hastedefinisjon og fast utdataformat (JSON).
• Hastighets- og følelsesetiketter øker prioriteringen; Det bringer frem kritiske og sinte krav.
• Strukturert utgang kan kobles direkte til automatisering (varsling, ruting, CRM).
• Effektive handlinger og tvetydige etiketter bør alltid gjennomgå menneskelig verifisering.

Søknadsoppgave

Batchbehandle de 5 forskjellige kundeforespørslene du har (eller prøvene) med JSON-matrisen ovenfor. Sjekk deretter utdataene manuelt: (1) Er hver kategori riktig? (2) Stopper de som er merket som "kritisk" faktisk tjenesten? (3) Sa jeg sikkert "ja" på de riktige stedene? Korriger eventuelle tagger som ikke passer og oppdater ledeteksten (spesielt kategoridefinisjoner og hasteregel) tilsvarende. Denne øvelsen bygger vanen med å kalibrere skjemaet til din egen virkelighet.

sjekkliste

• [ ] Jeg har definert en lukket og diskret liste over kategorier.
• [ ] Jeg beskrev hastenivåene med konkrete tiltak.
• [ ] Jeg fikset utdataformatet (JSON/tabell).
• [ ] Jeg la til en utgangsdør for usikkerhet (jeg er_usikker).
• [ ] Jeg verifiserte den første batchen manuelt og kalibrerte ledeteksten.
• [ ] Jeg legger et lag med menneskelig godkjenning på handlinger med stor effekt.