Humiling ng Pagbubuod at Pag-uuri (Ticket Triage)

Mga nadagdag:

• Kakayahang baguhin ang mahaba at nakakalat na mga kahilingan ng customer sa mga structured, naaaksyunan na mga buod
• Kakayahang pag-uri-uriin ang mga kahilingan ayon sa kategorya, pagkamadalian at damdamin ng customer na may nakapirming schema
• Kakayahang tumukoy ng pare-parehong format ng output (JSON/table) na angkop para sa automation para sa maramihang pagpoproseso ng ticket

Isipin ang umaga ng support team: 220 bagong ticket (tickets) ang naipon sa magdamag. Ang ilan ay isang one-line na "Nakalimutan ko ang aking password", ang ilan ay isang galit na tatlong talata na reklamo, at ang ilan ay talagang isang pagkakataon sa pagbebenta. Ang pagbabasa sa pile na ito, pagtatalaga sa bawat isa sa tamang kategorya, pagtukoy sa pagkaapurahan nito, at pagdidirekta nito sa tamang tao (ito ay tinatawag na triage; ang parehong lohika ng pag-uuri ng mga pasyente ayon sa priyoridad sa emergency room) ay kumakain sa unang dalawang oras ng araw.

Magagawa ng artificial intelligence (AI) ang trabahong ito sa ilang segundo at tuloy-tuloy. Ngunit ang mahika ay hindi sa pagsasabing "ibuod ang kahilingang ito"; Nagpapataw ito ng isang nakapirming listahan ng mga kategorya, malinaw na antas ng pangangailangan ng madaliang pagkilos, at isang hindi nababagong format ng output sa modelo. Sa unit na ito, magtatatag kami ng triage system na magmumula sa pagpoproseso ng iisang kahilingan hanggang sa pag-label ng daan-daang kahilingan sa paraang handa sa automation.

Tandaan: Ang mga label ng kategorya at pagkaapurahan na nabuo ng AI ay isang paunang tool sa screening. Sa partikular, ang mga kahilingang may label na "kagyat" at "reklamo" ay dapat kumpirmahin ng isang tao bago iproseso.

Bakit Structured Summary?

Ang isang libreng buod ("nagkakaroon ng mga problema ang customer sa kanilang padala") ay hindi maaaring hanapin, ayusin, o awtomatiko. Gayunpaman, ang pangangailangan ng tagapamahala ng suporta ay malinaw sa mga sumusunod na katanungan:

• Saang kategorya nabibilang ang kahilingang ito? (Pagpapadala, Pagbabalik, Pagbabayad, Teknikal, Impormasyon ng Produkto, Reklamo, Pagkakataon sa Pagbebenta)
• Gaano ito ka-urgent? (Kritikal / Mataas / Katamtaman / Mababa)
• Ano ang emosyonal na estado ng customer? (Galit / Nabigo / Neutral / Nasiyahan)
• Ano ang kakanyahan ng isang pangungusap?
• Ano ang dapat na susunod na hakbang?

Kapag natukoy mo nang maaga ang mga tanong na ito at ibigay ang mga ito sa modelo bilang isang schema (mga pare-parehong field at posibleng mga halaga), ang lahat ng 220 na kahilingan ay magiging maihahambing at masasala sa parehong format.

Hakbang sa Hakbang: Pagtatatag ng Triage Scheme

1. I-pin ang listahan ng kategorya. Huwag hayaang magkasya ang modelo; Magbigay ng saradong listahan.
2. Tukuyin ang criterion ng urgency. Konkreto kung ano ang ibig sabihin ng "kritikal": ganap na huminto ang serbisyo, pagkawala ng pagbabayad, panganib sa seguridad.
3. Tukuyin ang mga label ng emosyon. Gumamit ng limitado at malinaw na hanay.
4. I-import ang format ng output. Para sa pagpoproseso ng batch, angkop ang JSON (format ng data na binasa ng makina na binubuo ng mga pares ng field-value), para sa isang kahilingan, angkop ang talahanayan.
5. Gumawa ng panuntunang "lagyan ng tsek kung hindi sigurado". Kung hindi sigurado ang modelo sa kategorya, sabihing hindi sigurado at titingnan ng tao.
6. I-verify. Sa unang batch, manual na suriin ang katumpakan ng mga label at itakda ang prompt.

Mga Nakokopyang Prompt

Pangunahing prompt na nagko-convert ng isang kahilingan sa isang structured na buod:

Tungkulin: Ikaw ay isang bihasang espesyalista sa triage ng suporta. Suriin ang kahilingan ng customer sa ibaba. Magdagdag ng komento; umasa lang sa kung ano ang nasa text.Punan ang mga sumusunod na field:- summary: (max 1 sentence)- category: [Shipping | Ibalik | Pagbabayad | Teknikal | Impormasyon ng Produkto | Reklamo | Pagkakataon sa Pagbebenta]- pagkamadalian: [Kritikal | Mataas | Katamtaman | Mababa]- damdamin: [Galit | Pagkadismaya | Neutral | Satisfied]- next_step: (solong pangungusap, kongkretong aksyon)- hindi sigurado: ("oo" kung hindi malinaw ang kategorya/pagkamadalian, kung hindi man ay "hindi") Kahilingan:"""{{ request_text }}"""

Para sa batch processing, ang prompt ay nagko-convert ng maraming kahilingan sa isang JSON array nang sabay-sabay:

Iproseso ang mga may bilang na kahilingan sa ibaba. Bumuo ng JSON object para sa bawat isa gamit ang sumusunod na schema at ibalik ang lahat bilang JSON array. Paglabas sa scheme: { "id": "", "summary": "", "category": "", "urgency": "", "emotion": "", "next_step": "", "I'm not sure": "" }Mga Kategorya lang: Pagpapadala, Pagbabalik, Pagbabayad, Teknikal, Impormasyon ng Produkto, Reklamo, Pagkakataon sa Pagbebenta. Mga Kahilingan: {{ numbered_request_list }}

Ang prompt na naglilinaw sa kriterya ng pangangailangan ng madaliang pagkilos at nagtuturo sa modelo ng kahulugan ng "Kritikal":

Tukuyin ang pagkaapurahan ayon sa sumusunod na tuntunin:- Kritikal: ganap na hindi magagamit ang serbisyo, pagkawala ng bayad, panganib sa seguridad/data, banta sa batas.- Mataas: nasira ang mahalagang function ngunit umiiral ang solusyon; galit na customer.- Medium: isahan na isyu, hindi humihinto sa daloy ng trabaho.- Mababa: humiling ng impormasyon, mungkahi, pangkalahatang tanong. Isulat ang dahilan ng iyong desisyon sa isang pangungusap sa field na "urgency_reason".

Prompt na kumukuha ng pagkakataon sa pagbebenta at nagtatatag ng tulay ng suporta/benta:

Kapag pinoproseso ang kahilingan, kung nagpapakita ang customer ng interes na bumili ng bagong produkto/package/suplement (hal. "mayroon ka bang mas malaking package", "ilang user ang kailangan"), gawin ang kategoryang "Oportunidad sa Pagbebenta" at magdagdag ng tip sa isang pangungusap para sa sales team sa field na "sales_note".

Mahina Prompt / Malakas na Prompt

Mahinang prompt

Napakahusay na prompt

"Ibuod at uriin ang kahilingang ito"

Listahan ng saradong kategorya + kahulugan ng pagkamadalian + naayos na schema ng JSON

Bumubuo ng iba't ibang mga label sa bawat oras

Palaging nagbibigay ng parehong label sa parehong kahilingan

Ginagamit niya ang salitang "kagyat" ayon sa kanyang sariling kagustuhan.

Naglalapat ng kongkretong pamantayan para sa "kritikal"

Siya ang gumagawa ng malabo

emin_degilim: say yes and leave it to the person

Ang pagkakapare-pareho ang ginintuang tuntunin dito: kung ang parehong reklamo ay hindi nabibilang sa parehong kategorya sa dalawang magkaibang araw, walang pag-uulat at pag-automate ang magiging maaasahan.

Tatlong Mini Case

Kaso 1 — Kumpidensyal na kritiko. Sa isang kumpanya ng SaaS (internet rented software), ang mensaheng "I can't log in, the whole team is waiting for 40 people" ay parang ordinaryo dahil ito ay maikli ang haba. Ang triage prompt ay minarkahan itong "Kritikal" salamat sa apurahang tuntunin ("serbisyong ganap na hindi magagamit" na pamantayan). Hinawakan ang kahilingan sa loob ng 6 na minuto sa halip na maghintay ng 2 oras sa pila; isang paglabag sa SLA (kasunduan sa antas ng serbisyo, ibig sabihin, ipinangakong oras ng pagtugon) ay napigilan.

Kaso 2 — Pag-prioritize ng galit. Isang araw, nang suriin ang mga AI tag ng 180 kahilingan, nakita na 14 na kahilingan na may emosyong "Galit" ang inilagay sa isang hiwalay na pila. Ang mga kahilingang ito ay itinuro sa mga may karanasang kinatawan, at ang negatibong marka ng survey (CSAT, ibig sabihin, marka ng kasiyahan ng customer) sa linggong iyon ay makabuluhang bumuti kumpara sa nakaraang linggo.

Kaso 3 — Tulay mula sa suporta hanggang sa pagbebenta. "Ang kasalukuyang package ko ay para sa 5 gumagamit, kailangan kong dagdagan ito sa 20 tao, posible ba?" Na-tag ng AI ang mensahe bilang "Oportunidad sa Pagbebenta" at nagdagdag ng tala sa pagbebenta. Ang kahilingan ay awtomatikong nahulog sa koponan ng pagbebenta; Ang isang upsell na pagkakataon na sana ay hindi napapansin kung ito ay nawala sa karaniwang pila ng suporta ay naging isang pakinabang.

Tip: Panatilihing maikli at discrete ang iyong listahan ng kategorya hangga't maaari. 20 kategorya ay malito ang modelo (at ang iyong koponan); 6-8 na malinaw na kategorya ang mas pare-parehong nilagyan ng label at makabuluhan sa mga ulat. Pagsamahin ang dalawang madalas na nalilitong kategorya.

Kumokonekta sa Automation

Ang tunay na kapangyarihan ng structured JSON na output ay ang awtomatiko itong dumadaloy sa susunod na hakbang: Ang kahilingang may label na "Critical" ay agad na nag-aabiso sa manager, "Sales Opportunity" ay nahuhulog sa CRM (customer relationship management software), "Return" ay napupunta sa self-service flow. Ngunit ang unang tuntunin ng automation: ang mga aksyon na may mataas na epekto (refund, pagsasara ng account) ay hindi kailanman nati-trigger batay sa AI tag lamang; Minsan may pagsang-ayon ng tao.

Babala: Ang pagsusuri sa sentimento ay isang hula, hindi isang eksaktong sukat. Ang isang customer na tinatawag ng modelo ay "Neutral" ay maaaring talagang tahimik na galit na galit. Gamitin ang tag ng emosyon upang unahin; ngunit huwag umasa dito nang mag-isa upang makagawa ng mga tiyak na konklusyon tulad ng "nasiyahan na ang customer na ito."

Mga karaniwang pagkakamali

• Ang pag-iwan sa listahan ng kategorya sa modelo; nakakakuha ng iba't ibang mga hindi tugmang label sa bawat oras.
• Ang pag-iwan ng kamag-anak na salita tulad ng "kagyat" na hindi natukoy; Ang kahilingan ng lahat ay apurahan.
• Hindi pag-aayos ng format ng output; Minsan talata, minsan listahan ang lalabas sa halip na JSON.
• Hindi nagbibigay ng exit door para sa kawalan ng katiyakan (hindi ako sigurado).
• Pag-uugnay ng mga transaksyong may mataas na epekto (refund, pagsasara ng account) sa AI tag nang walang pag-apruba ng tao.
• I-automate ang buong daloy nang hindi manu-manong bine-verify ang unang batch.

Sa buod

• Mabilis na pinagbubukod-bukod ng Triage ang tumpok ng mga papasok na kahilingan ayon sa kategorya, pagkaapurahan, at damdamin.
• Ang susi sa pagkakapare-pareho: saradong listahan ng kategorya, konkretong kahulugan ng pagkamadalian, at fixed output format (JSON).
• Ang mga etiketa ng madalian at damdamin ay nagpapabilis sa pag-prioritize; Nagdudulot ito ng mga kritikal at galit na kahilingan.
• Maaaring direktang maiugnay ang structured na output sa automation (notification, routing, CRM).
• Ang mga aksyon na may mataas na epekto at hindi maliwanag na mga label ay dapat palaging sumailalim sa pag-verify ng tao.

Gawain ng aplikasyon

Iproseso ng pangkat ang 5 iba't ibang kahilingan ng customer na mayroon ka (o mga sample) gamit ang prompt ng array ng JSON sa itaas. Pagkatapos ay manu-manong suriin ang output: (1) Tama ba ang bawat kategorya? (2) Ang mga may markang "kritikal" ba ay talagang huminto sa serbisyo? (3) Sigurado ba akong nagsabi ng "oo" sa mga tamang lugar? Iwasto ang anumang mga tag na hindi akma at i-update ang prompt (lalo na ang mga kahulugan ng kategorya at tuntunin ng pagkamadalian) nang naaayon. Binubuo ng pagsasanay na ito ang ugali ng pag-calibrate ng schema sa sarili mong katotohanan.

checklist

• [ ] Tinukoy ko ang isang sarado at discrete na listahan ng mga kategorya.
• [ ] Inilarawan ko ang mga antas ng pagkaapurahan na may mga kongkretong hakbang.
• [ ] Inayos ko ang format ng output (JSON/table).
• [ ] Nagdagdag ako ng exit door para sa kawalan ng katiyakan (I'm_unsure).
• [ ] Manu-mano kong na-verify ang unang batch at na-calibrate ang prompt.
• [ ] Naglalagay ako ng isang layer ng pag-apruba ng tao sa mga aksyon na may mataas na epekto.