Vinster:
- Förmåga att omvandla långa och spridda kundförfrågningar till strukturerade, handlingsbara sammanfattningar
- Möjlighet att klassificera förfrågningar efter kategori, brådska och kundsentiment med ett fast schema
- Möjlighet att definiera ett konsekvent utdataformat (JSON/tabell) lämpligt för automatisering för bulkbiljettbehandling
Föreställ dig ett supportteams morgon: 220 nya biljetter (biljetter) har samlats på natten. Vissa är en rad "Jag har glömt mitt lösenord", andra är ett argt klagomål i tre stycken, och vissa är faktiskt en försäljningsmöjlighet. Att läsa igenom den här högen, tilldela var och en till rätt kategori, fastställa hur brådskande den är och rikta den till rätt person (detta kallas triage; samma logik att sortera patienter efter prioritet på akuten) äter upp de första två timmarna på dygnet.
Artificiell intelligens (AI) kan göra det här jobbet på några sekunder och konsekvent. Men magin ligger inte i att säga "sammanfatta denna begäran"; Den ålägger modellen en fast lista med kategorier, tydliga brådskande nivåer och ett oföränderligt utdataformat. I den här enheten kommer vi att etablera ett triagesystem som går från att bearbeta en enda förfrågan till att märka hundratals förfrågningar på ett automationsfärdigt sätt.
Obs: Kategorierna och brådskande etiketter som genereras av AI är ett preliminärt screeningverktyg. Framför allt måste förfrågningar märkta "brådskande" och "klagomål" bekräftas av en människa innan de behandlas.
Varför strukturerad sammanfattning?
En gratis sammanfattning ("kunden har problem med sin leverans") kan inte sökas, sorteras eller automatiseras. Supportchefens behov är dock tydligt för följande frågor:
- Vilken kategori faller denna begäran i? (Frakt, retur, betalning, teknisk, produktinformation, klagomål, försäljningsmöjlighet)
- Hur brådskande är det? (Kritisk / Hög / Medium / Låg)
- Vad är kundens känslomässiga tillstånd? (Arg / Besviken / Neutral / Nöjd)
- Vad är dess essens i en mening?
- Vad bör vara nästa steg?
När du väl definierat dessa frågor i förväg och ger dem till modellen som ett schema (konstanta fält och möjliga värden) blir alla 220 förfrågningar jämförbara och filtrerbara i samma format.
Steg för steg: Upprätta ett triage-schema
- Fäst kategorilistan. Låt inte modellen passa; Ge en stängd lista.
- Definiera kriteriet för brådska. Konkret vad "kritiskt" betyder: tjänsten helt stoppad, betalningsförlust, säkerhetsrisk.
- Identifiera känslor etiketter. Använd ett begränsat och tydligt set.
- Importera utdataformatet. För batchbehandling är JSON (maskinläst dataformat bestående av fält-värdepar) lämpligt, för enstaka begäran är tabell lämplig.
- Gör en "kryss om inte säker"-regel. Om modellen är osäker på kategorin, låt den säga osäker och människan kommer att titta.
- Kontrollera. I den första satsen kontrollerar du manuellt etiketternas noggrannhet och ställer in prompten.
Kopieringsbara uppmaningar
Grundläggande prompt som konverterar en enstaka begäran till en strukturerad sammanfattning:
Roll: Du är en erfaren supporttriagespecialist. Analysera kundförfrågan nedan. Lägg till en kommentar; lita bara på vad som står i texten. Fyll i följande fält:- sammanfattning: (max 1 mening)- kategori: [Frakt | Återgå | Betalning | Teknisk | Produktinformation | Klagomål | Försäljningsmöjlighet]- brådskande: [Kritisk | Hög | Medium | Låg]- känsla: [Arg | Besvikelse | Neutral | Nöjd]- nästa_steg: (enkel mening, konkret åtgärd)- osäker: ("ja" om kategorin/brådskan är otydlig, annars "nej") Begäran:"""{{ request_text }}"""
För batchbearbetning konverterar prompten flera förfrågningar till en JSON-array samtidigt:
Behandla de numrerade förfrågningarna nedan. Generera ett JSON-objekt för vart och ett med följande schema och returnera dem alla som en JSON-array. Gå utanför schemat: { "id": "", "summary": "", "category": "", "urgency": "", "emotion": "", "next_step": "", "I'm not sure": "" }Endast kategorier: Frakt, Retur, Betalning, Teknisk, Produktinformation, Klagomål, Försäljningsmöjlighet. Förfrågningar: {{ numbered_request_list }}
Uppmaningen som klargör brådskandekriteriet och lär modellen definitionen av "Kritisk":
Fastställ brådskande enligt följande regel:- Kritisk: tjänsten är helt otillgänglig, betalningsförlust, säkerhet/datarisk, juridiskt hot.- Hög: viktig funktion är trasig men en lösning finns; arg kund.- Medium: enskilt problem, inte stoppa arbetsflödet.- Låg: begäran om information, förslag, allmän fråga. Skriv skälet till ditt beslut i en mening i fältet "urgency_reason".
Uppmaning som fångar säljmöjligheten och etablerar en support/försäljningsbrygga:
Vid behandling av förfrågan, om kunden visar intresse för att köpa en ny produkt/paket/tillägg (t.ex. "har du ett större paket", "hur många användare tar det"), gör kategorin "Säljmöjlighet" och lägg till ett tips på en mening till säljteamet i fältet "säljanteckning".
Svag prompt / Stark prompt
Svag uppmaning
Kraftfull uppmaning
"Sammanfatta och klassificera denna begäran"
Stängd kategorilista + brådskande definition + fast JSON-schema
Genererar olika etiketter varje gång
Ger alltid samma etikett till samma förfrågan
Han använder ordet "bråttom" enligt sina egna önskemål.
Tillämpar konkreta kriterier för "kritisk"
Han hittar på det vaga
emin_degilim: säg ja och lämna det till personen
Konsekvens är den gyllene regeln här: om samma klagomål inte hamnar i samma kategori på två olika dagar kommer ingen rapportering och automatisering att vara tillförlitlig.
Tre minifodral
Fall 1 – Konfidentiell kritiker. I ett SaaS-företag (Internet Rented Software) verkade meddelandet "Jag kan inte logga in, hela laget väntar på 40 personer" vanligt eftersom det var kort i längden. Triage-prompten markerade den som "Kritisk" tack vare brådskanderegeln ("service helt otillgänglig" kriterier). Förfrågan hanterades på 6 minuter istället för att vänta 2 timmar i kön; en överträdelse av SLA (service level agreement, d.v.s. utlovad svarstid) har förhindrats.
Fall 2 — Ilska prioritering. En dag, när AI-taggarna för 180 förfrågningar undersöktes, sågs det att 14 förfrågningar med känslan "Angry" lades i en separat kö. Dessa förfrågningar riktades till erfarna representanter, och det negativa undersökningsresultatet (CSAT, dvs. kundnöjdhet) den veckan förbättrades avsevärt jämfört med föregående vecka.
Fall 3 — Bro från support till försäljning. "Mitt nuvarande paket är för 5 användare, jag måste utöka det till 20 personer, är det möjligt?" AI märkte meddelandet som "Säljmöjlighet" och lade till en försäljningsnota. Begäran föll automatiskt till säljteamet; En merförsäljningsmöjlighet som skulle ha gått obemärkt förbi om den hade gått förlorad i standardsupportkön har blivit en vinst.
Tips: Håll din kategorilista så kort och diskret som möjligt. 20 kategorier kommer att förvirra modellen (och ditt team); 6-8 tydliga kategorier märks mer konsekvent och är meningsfulla i rapporter. Kombinera två ofta förvirrade kategorier.
Ansluter till automation
Den verkliga kraften i den strukturerade JSON-utgången är att den automatiskt går till nästa steg: Begäran märkt "Kritisk" meddelar direkt chefen, "Säljmöjlighet" faller in i CRM (programvara för kundrelationshantering), "Return" går in i självbetjäningsflödet. Men den första automatiseringsregeln: åtgärder med stor inverkan (återbetalning, kontostängning) utlöses aldrig baserat på enbart AI-taggen; Ibland finns det mänskligt godkännande.
Varning: Sentimentanalys är en förutsägelse, inte ett exakt mått. En kund som modellen kallar "neutral" kan faktiskt i det tysta vara väldigt arg. Använd känslotaggen för att prioritera; men lita inte på det enbart för att dra definitiva slutsatser som "den här kunden är redan nöjd."
Vanliga misstag
- Lämna kategorilistan till modellen; får olika, inkompatibla etiketter varje gång.
- Lämnar ett relativt ord som "brådskande" odefinierat; Allas begäran är brådskande.
- Inte fixa utdataformatet; Ibland visas stycke, ibland lista istället för JSON.
- Att inte tillhandahålla en utgångsdörr för osäkerhet (jag är inte säker).
- Länka transaktioner med stor effekt (återbetalning, kontostängning) till AI-taggen utan mänskligt godkännande.
- Automatisera hela flödet utan att manuellt verifiera den första batchen.
Sammanfattningsvis
- Triage sorterar snabbt igenom högen av inkommande förfrågningar efter kategori, brådska och känslor.
- Nyckeln till konsekvens: stängd kategorilista, konkret brådskande definition och fast utdataformat (JSON).
- Etiketter för brådskande och känslor påskyndar prioriteringen; Det för fram kritiska och arga krav.
- Strukturerad utdata kan kopplas direkt till automatisering (avisering, routing, CRM).
- Effektiva åtgärder och tvetydiga etiketter bör alltid genomgå mänsklig verifiering.
Applikationsuppgift
Batchbearbeta de 5 olika kundförfrågningarna du har (eller prover) med JSON-arrayprompten ovan. Kontrollera sedan utmatningen manuellt: (1) Är varje kategori korrekt? (2) Stoppar de som är markerade som "kritiska" verkligen tjänsten? (3) Sa jag säkert "ja" på rätt ställen? Korrigera eventuella taggar som inte passar och uppdatera prompten (särskilt kategoridefinitioner och brådskande regel) i enlighet med detta. Den här övningen bygger vanan att kalibrera schemat till din egen verklighet.
checklista
- [ ] Jag har definierat en stängd och diskret lista över kategorier.
- [ ] Jag beskrev nivåerna av brådska med konkreta åtgärder.
- [ ] Jag fixade utdataformatet (JSON/tabell).
- [ ] Jag lade till en utgångsdörr för osäkerhet (jag är_osäker).
- [ ] Jag verifierade manuellt den första batchen och kalibrerade prompten.
- [ ] Jag lägger ett lager av mänskligt godkännande på handlingar med stor inverkan.