Przykład krok po kroku. To ilustracyjny przykład krok po kroku, nie wynik klienta: zespół supportu i jego liczby to założenia. Pokazuje wyszukiwanie po stronie agenta, narzędzie, które działa za agentem supportu, nie przed klientem. Agent zadaje pytanie zwykłym językiem, dostaje odpowiedź z cytowanym źródłem, zostaje w zgłoszeniu i sam wysyła odpowiedź.
Wyobraź sobie średniej wielkości zespół CX w e-commerce, który chce poprawić czas pierwszej odpowiedzi na skomplikowane zgłoszenia. Ten wpis omawia, z czego składa się projekt, co mierzyć i czego nie robi. Nie podaje żadnego wyniku, bo nie stoi za nim żaden klient.
Zespół jest hipotetyczny, podobnie jak każda liczba, jakiej możesz tu oczekiwać. Projekt opiera się na pracy nad obsługą klienta opisanej na /ai-for/customer-support. Jeszcze jedno na wstępie: to wyłącznie wsparcie agenta. żaden chatbot nigdy nie rozmawia z klientem.
#Co spowalniało agentów?
Odpowiedzi istnieją. Ich znajdowanie się nie skaluje. Skomplikowane zgłoszenie oznacza, że agent otwiera historię Zendesk, dokument produktowy i PDF z polityką wysyłki, a potem ręcznie skleja odpowiedź. Lata dawnych zgłoszeń zawierają precedens i nikt nie przeszuka tego archiwum w czasie, w którym czeka klient.
Więc pierwsza odpowiedź czekała w kolejce, podczas gdy agent szukał. To właśnie o ten czas oczekiwania pyta się szefa supportu. Czas pierwszej odpowiedzi, nie liczba zgłoszeń.
Czy AI może skrócić czas pierwszej odpowiedzi w obsłudze klienta bez chatbota?
Tak, to jest cel. Wewnętrzne narzędzie wyszukiwania pozwala agentom zadawać pytania zwykłym językiem do historycznych zgłoszeń, dokumentów produktowych i PDFów z politykami i dostać jedną odpowiedź z cytowanym źródłem. Agent nadal sam pisze i wysyła odpowiedź. Zespół zmierzyłby czas pierwszej odpowiedzi na skomplikowane zgłoszenia przed i po, bez bota skierowanego do klienta.
#Z czego składa się ten projekt?
Jedno wewnętrzne narzędzie wyszukiwania obejmujące trzy źródła: historyczne zgłoszenia, dokumenty produktowe i pdfy z polityką wysyłki. Agent wpisuje pytanie tak, jak zapytałby doświadczonego kolegę z zespołu. Odpowiedź wraca z cytowanym źródłem, więc agent może ją sprawdzić, zanim trafi do klienta.
- Przeszukiwanie wszystkich dawnych zgłoszeń w jednym zapytaniu, a nie zakładka po zakładce.
- Odpowiedzi z cytowanym źródłem, więc agent weryfikuje źródło zamiast ufać czarnej skrzynce.
- Odpowiedzi oparte na pdfach z polityką wysyłki, gdzie faktycznie znajdują się zasady dla przypadków brzegowych.
- Agent pozostaje w zgłoszeniu. Narzędzie nigdy samo nie odpowiada klientowi.
Szkolenie zespołu supportu jest częścią projektu, a nie przekazaniem na końcu. KPI do uzgodnienia to czas pierwszej odpowiedzi na skomplikowane zgłoszenia, mierzony przed i po. Co ruszy, powiedzą twoje własne dane, nie ten wpis.
#Czy to nie to samo co bot odciążający?
Nie, a różnica jest całym sensem. Strategia deflekcji próbuje obniżyć liczbę zgłoszeń, odpowiadając klientom bezpośrednio. Ten projekt celuje w inną liczbę: czas pierwszej odpowiedzi, przez postawienie wyszukiwania za agentem. Klient nadal rozmawia z człowiekiem.
We are
Stennir buduje AI, które działa za twoimi agentami supportu: wyszukiwanie, segregację zgłoszeń, szkic-i-przegląd, mierzone wobec czasu pierwszej odpowiedzi i jakości rozwiązania.
We aren't
Stennir nie jest dostawcą chatbotów skierowanych do klienta i nie sprzedaje odciążania jako celu; agent pozostaje w zgłoszeniu, a twoi klienci nadal rozmawiają z ludźmi.
Narzędzia takie jak Zendesk AI, intercom fin czy podpowiedzi gorgias działają w obrębie własnych murów: twoich makr, artykułów pomocy, zapisanych odpowiedzi. Ten projekt dodaje wyszukiwanie w całej reszcie. Historyczne zgłoszenia, dokumenty produktowe, pdfy z polityką wysyłki, runbooki. Tam kryją się odpowiedzi na skomplikowane zgłoszenia.
KPI, które poprawiamy, to czas pierwszej odpowiedzi i jakość rozwiązania skomplikowanych zgłoszeń, nie liczba etatów. Mówimy to pierwszego dnia i to mierzymy.
#Czy to zadziała dla naszego zespołu supportu?
Test dopasowania jest prosty. Czy twoje odpowiedzi już istnieją w miejscach, które trudno szybko przeszukać? Lata zgłoszeń, stos PDFów z politykami, dokumenty produktowe, które się zmieniają. Jeśli agenci tracą minuty na szukanie przed każdą skomplikowaną odpowiedzią, właśnie ten czas wyszukiwanie ma oddać.
Ten projekt mieści się w naszej pracy consultingu AI, ze szkoleniem zespołu supportu włączonym z naszej strony szkoleń z AI. Jeśli chcesz zobaczyć, jak te elementy się łączą, w journal znajdziesz więcej takich przykładów krok po kroku.
Jeśli twoi agenci szukają odpowiedzi przed każdą skomplikowaną odpowiedzią, to jest opóźnienie, w które celuje ten projekt. powiedz nam, co budujesz, a powiemy ci, czy wyszukiwanie jest właściwą dźwignią, czy nie.
