Mga nadagdag:
- Kakayahang gumawa ng awtomatikong pag-tag batay sa isang closed taxonomy na may structured at maikling buod ng tawag
- Kakayahang alisin ang gawa-gawang impormasyon sa pamamagitan ng awtomatikong pagpasa ng buod at mga tag sa pamamagitan ng pag-apruba ng kinatawan at paghahambing ng mga ito sa pinagmulang teksto
- Kakayahang paikliin ang oras ng pag-wrap sa pamamagitan ng paglilipat ng mga buod nang hindi pinapanatili ang data ng personal/card at nang hindi binibigyang-kahulugan ang mga pangako
Ang trabaho ng isang kinatawan ay hindi nagtatapos sa pakikipag-usap sa customer. Pagkatapos ng bawat tawag, isang talaan ng "kung ano ang napag-usapan, kung ano ang ginawa, kung ano ang paksa" ay dapat gawin. Ito ay tinatawag na wrap-up o after-call work / ACW: ang kinatawan ay nagbubuod sa pag-uusap, pumipili ng termination code sa system (disposition code — ang kategoryang nagsasaad ng paksa/resulta ng tawag, hal. "return-approved", "technical-failure") at nagsusulat ng mga kinakailangang tala. Ang gawaing ito ay tila maliit, ngunit ito ay napakalaki: kung ang isang ahente na gumagawa ng 60 na tawag sa isang araw ay gumugugol ng 2 minuto sa bawat tawag, 2 oras ng araw ay gugugol sa pagsulat lamang ng mga tala. Bukod dito, ang pagod na kinatawan ay nagsusulat ng tala na palpak; ang mga talaan ay hindi magkatugma at ang susunod na ahente o tagapamahala ay hindi mauunawaan ang kasaysayan.
Binabago ng artificial intelligence ang gawaing ito: binabasa nito ang teksto (transkripsyon) ng pag-uusap at gumagawa ng maayos na buod, tumpak na mga tag at suhestiyon sa susunod na hakbang sa loob ng ilang segundo. Sa halip na magsulat, sinusuri at aprubahan ng ahente. Sa unit na ito, makikita natin kung paano mag-set up ng summarization ng tawag at awtomatikong pag-tag, kung ano ang dapat bigyang pansin at ang disiplina sa pag-verify.
Ano ang kasama sa isang magandang buod ng tawag?
Ang isang buod ng tawag ay dapat na malinaw na sapat na ang isang taong hindi pa nakarinig ng pag-uusap na iyon (ang susunod na ahente, manager, superbisor) ay mauunawaan ito sa loob ng 15 segundo. Kasama sa isang magandang buod ang: kung bakit tumawag ang customer (kung bakit sila tumawag), kung ano ang ginawa (ano ang ginawa ng rep), kinalabasan (nalutas ba ito, kung ano ang ipinangako), bukas na negosyo (ano, kung mayroon man, ay nangangailangan ng follow-up). Ang isang masamang buod ay masyadong mahaba (line by line breakdown ng pag-uusap) o masyadong maikli ("customer called, it was handled"). Ang AI ay napakahusay sa pagbagsak sa pagitan: structured, concise at kumpleto.
Ang auto-tagging / disposition ay kapag ang AI ay nagmungkahi ng termination code at mga tag ng paksa ng tawag. Halimbawa, nilalagyan ng label ng AI ang isang pag-uusap bilang "paksa: bill, sub-topic: mataas na bill objection, resulta: objection-record-open, emotion: galit". Ang mga tag na ito ay bumubuo ng malaking halaga sa hinaharap: sinasagot ng manager ang mga tanong na "aling paksa ang nakatanggap ng pinakamaraming kahilingan ngayong buwan" at "aling paksa ang may pinakamababang rate ng solusyon" sa ilang segundo. Ngunit para gumana ang mga tag, nangangailangan sila ng magkakaugnay na bokabularyo ng tag (taxonomy — isang paunang natukoy, limitado, at malinaw na listahan ng mga kategorya); Kung bubuo ang bot ng mga libreng label, lalabas ang tatlong magkakaibang label gaya ng "invoice", "billing", "problema sa invoice" at maaabala ang pagsusuri.
Ang sumusunod na talahanayan ay naghahambing ng manual at AI-assisted na pagtatapos:
Sukat
Manuel (kinatawan na manunulat)
AI-powered (mga pag-apruba ng ahente)
Tagal (bawat tawag)
90-150 segundo
15-30 segundo
Consistency
Nag-iiba depende sa tao
Mataas, depende sa diksyunaryo
pagkakumpleto
nahuhulog sa pagod
matatag
Kalidad ng label
libre, magulo
nakapirming taxonomy
Panganib
Pagkawala ng oras, hindi pagkakapare-pareho
Maling buod (dapat ma-verify)
Tip: Bago lumipat sa awtomatikong pag-tag, tiyaking tumukoy ng taxonomy (listahan ng saradong tag). Ang pagsasabi sa AI "piliin ang mga naaangkop mula sa 20 tag na ito" ay mas maaasahan kaysa sa pagsasabi ng "tag ang paksa".
Hakbang-hakbang: pag-set up ng feed
- Ihanda ang pinagmulan: Kunin ang text ng pag-uusap (ASR transcript sa voice call, canned text sa chat). I-mask muna ang personal/card data (detalye sa susunod na unit).
- Magbigay ng taxonomy: Bigyan ang modelo ng listahan ng mga wastong code ng pagwawakas at tag ng paksa; Bawal siyang lumabas.
- Humingi ng structured na output: Humingi ng fielded output (dahilan, aksyon, resulta, follow-up, mga tag, emosyon) sa halip na mga libreng talata; upang awtomatiko itong maisulat sa system.
- Pag-apruba ng kinatawan: Lumilitaw ang buod at mga label sa screen ng kinatawan; Hayaang basahin ito ng kinatawan, itama ito at aprubahan sa loob ng 10-20 segundo. Huwag mag-record nang walang pag-apruba.
- Feedback: Kolektahin ang mga pagwawasto na ginawa ng ahente at pagbutihin ang taxonomy at prompt.
Apat na maaaring kopyahin na mga template
1) Buod ng structured na tawag:
Ibuod ang sumusunod na anonymous (walang pangalan/card) na transcript ng panayam sa customer. Gamitin lamang kung ano ang nasa transcript; pagdaragdag ng mga hula/paggawa.Output format:- Dahilan para sa paghahanap (1 pangungusap):- Ano ang ginawa (aytem ayon sa aytem):- Resulta (nalutas / bahagyang / hindi nalutas):- Pangako / pangako (kung mayroon man, verbatim):- Trabaho na dapat sundin (kung mayroon): Panayam: <<decipherment>>
2) Pag-tag batay sa taxonomy:
I-tag LAMANG ang sumusunod na pag-uusap sa pamamagitan ng pagpili dito mula sa mga listahang ito: Paksa: [invoice, kargamento, pagbabalik, teknikal, membership, pagbabayad, reklamo, iba pa]Resulta: [resolved, objection_opened, transferred, follow_appointment, unresolved]Emosyon: [kalmado, nasisiyahan, galit, balisa]Kung hindi ito nababagay sa listahan" /, piliin ang "unreother" pagbuo ng mga bagong tag.Output JSON: {"topic":"","result":"","emotion":""}Pag-uusap: <<transcription>>
3) Susunod na hakbang / follow-up na mungkahi:
Bumuo ng rekomendasyong "susunod na hakbang" para sa ahente batay sa sumusunod na pag-uusap. Batay lamang sa pangako at bukas na gawain sa teksto. Output: (1) gawaing dapat gawin, (2) deadline (kung magagamit sa teksto), (3) responsableng rekomendasyon sa yunit. Kung walang commitment, isulat ang "no follow-up required". Interview: <<transcription>>
4) Kontrol sa kalidad/hindi pagkakapare-pareho:
Ihambing ang buod ng kinatawan sa ibaba sa transcript ng panayam. Mayroon bang anumang impormasyon sa buod na HINDI sa panayam (ginawa)? Mayroon bang MAHALAGANG impormasyon na nasa panayam ngunit nawawala sa buod? Lagyan ng tsek ang parehong bullet point. Huwag magdagdag ng mga komento, ihambing lamang. Buod: <<buod>> Panayam: <<transkripsyon>>
Mahinang prompt / Malakas na prompt
Mahinang prompt:
Ibuod at lagyan ng label ang pag-uusap na ito.
Malabo: walang formatting, walang taxonomy, walang fabrication ban, walang anonymity. Maluwag at magulo ang output, at hindi pare-parehong lumalabas ang mga label.
Napakahusay na prompt:
Ibuod ang ANONYMOUS na pag-uusap sa ibaba. Format: dahilan / aksyon / resulta / pangako / follow-up. Piliin ang tag LAMANG mula sa sumusunod na listahan: subject=[invoice, shipping, return, technical, complaint, other], result=[resolved, transferred, unresolved]. Huwag magdagdag ng anumang impormasyon na wala sa teksto; Ilipat ang commitment verbatim.Interview: <<transcription>>
Ang pagkakaiba: format, taxonomy, pagbabawal sa katha at anonymity ay malinaw.
tatlong mini case
Kaso 1 — Pagtitipid sa oras. Ang call team ng isang kumpanya ng cargo na may 120 tao ay gumugol ng average na 110 segundo sa pagbalot sa bawat tawag. Kapag ang buod ng AI + draft ng label ay na-activate, ang oras na ito ay nabawasan sa 25 segundo. 120 contact bawat araw × 60 tawag × 85 segundo na na-save ≈ ~170 oras bawat araw, ibig sabihin, ~21 buong shift. Ang kapasidad na ito ay inilipat upang paikliin ang mga oras ng paghihintay at mas mahirap na mga gawain.
Case 2 — Ang ginawang summary trap. Sa isang insurance center, ang AI ay nagsulat ng isang pangako na nagsasabing "ang customer ay pinangakuan ng pagbabalik sa loob ng 3 araw ng negosyo", kahit na hindi ito kailanman binanggit sa pag-uusap (ang modelo ay "hinulaang" mula sa mga katulad na pag-uusap). Nang ipadala ito ng kinatawan nang walang pag-apruba, ipinaalala sa kanya ng customer ang pangakong ito. Solusyon: Gawing mandatoryo ang hakbang na "4) Kalidad/hindi pagkakapare-pareho at nangangailangan ng pag-apruba ng delegado. Pagkatapos, ang rate ng mga gawa-gawang pangako ay bumaba sa malapit sa zero.
Kaso 3 — I-label ang kaguluhan. Dahil inilabas ang mga tag sa isang bangko, 340 iba't ibang tag ng paksa ang ginawa sa loob ng 6 na buwan ("card", "credit card", "kk", "problema sa card"...). Ang ulat ng pamamahala ay walang kabuluhan. Kapag natukoy ang isang saradong 22-item taxonomy at napilitang gamitin ito ng AI, naging makabuluhan ang mga ulat at naging maaasahan ang "nangungunang 5 paksa" sa unang pagkakataon.
Mga karaniwang pagkakamali
- Pag-tag nang walang taxonomy. Ang libreng pag-label ay ginagawang basura ang pagsusuri; laging gumamit ng closed list.
- Pag-bypass sa pag-apruba ng delegado. Ang pag-print ng buod at label nang direkta sa system ay ginagawang isang permanenteng tala ang gawa-gawang impormasyon.
- Paglilipat ng personal na data sa buod. Ang pangalan, ID, card at address ay hindi dapat itago sa mga buod; Dapat na anonymous ang abstract.
- Masyadong mahabang buod. Ang pag-transcribe ng pag-uusap ay hindi nagpapabilis sa pag-wrap; Maghangad ng isang maigsi at to-the-point na buod.
- Pagbibigay-kahulugan sa pangako. Dapat ihatid ng AI ang bahagi ng pangako/pangako sa salita nang hindi nagkokomento; Ang mga hinuha tulad ng "malamang nangako" ay mapanganib.
Babala: Ang awtomatikong buod ay hindi nagpapagaan sa ahente ng pananagutan; pinapabilis nito. Ang bawat tala na napupunta sa system ay responsibilidad ng kinatawan na nag-aapruba nito. Awtomatikong pag-record nang walang pag-apruba = hindi nilagdaan na minuto.
Sa buod
Ang buod ng tawag at awtomatikong pag-tag ay isa sa mga application na may pinakamataas na resulta ng AI na nagpapababa sa pinakamatagal na gawaing pang-administratibo (wrap-up) ng ahente sa mga segundo. Nakadepende ang tagumpay sa tatlong bagay: isang structured at maigsi na format ng buod, isang closed tag taxonomy, at mandatoryong pag-apruba ng delegado. Ihambing ang buod na ginawa ng AI sa pinagmulang teksto upang maalis ang gawa-gawang impormasyon, huwag isama ang personal na data sa mga buod, at maglipat ng mga pangako nang walang komento. Kapag na-set up nang tama, nakakatipid ito ng napakalaking oras at pinatataas ang kalidad ng pag-record at kakayahang maiulat.
Gawain ng aplikasyon
Magdisenyo ng isang closed 15-20-item closing taxonomy (paksa + kinalabasan + emosyon) para sa iyong industriya. Pagkatapos ay kumuha ng fictitious o anonymized na transcript ng panayam ng customer, ilapat ang mga template na "1) Structured summary" at "2) Taxonomy-based tagging. Panghuli, suriin ang buod gamit ang template na “4) Kalidad/hindi pagkakapare-pareho at ulat para sa gawa-gawa/nawawalang impormasyon.
checklist
- [ ] Tinukoy ko ang isang closed termination/topic taxonomy at pinipilit ang AI dito.
- [ ] Ang aking mga buod ay maikli, to-the-point (dahilan/aksyon/result/commitment/follow-up) at magkakaugnay.
- [ ] Ang bawat buod at tag ay sumasailalim sa pag-apruba ng kinatawan bago isulat sa system.
- [ ] Walang personal/card data ang nakatago sa buod at mga label (anonymous).
- [ ] Inihahambing ko ang buod ng AI sa pinagmulang teksto at inaalis ang huwad na impormasyon.
- [ ] Ang mga pangako ay sinipi sa salita, nang walang interpretasyon.