Chaque équipe support accumule le même problème silencieux : les tickets s’accumulent, les agents répondent aux mêmes questions à répétition, et personne n’a le temps de transformer ce signal en documentation. L’équipe derrière Bolusso.nl , Eroticon.nl et Shop-toppers.nl a résolu ce problème avec un seul agent IA FlowHunt qui effectue la lecture, le regroupement et la détection des lacunes automatiquement — chaque semaine, sans qu’on le lui demande.
Des tickets support à la base de connaissances : transformer la frustration des clients en documentation
Les tickets support sont l’une des sources les plus riches de retours sur les produits et la documentation qu’une équipe possède. Les clients vous disent exactement ce qu’ils ne trouvent pas, ce qui les déroute et ce que votre base de connaissances ne répond pas. Mais extraire ce signal manuellement — lire des centaines de tickets, regrouper des questions similaires, vérifier si la KB les couvre déjà — est exactement le type de travail analytique répétitif qui ne figure jamais sur la liste des priorités de personne.
L’équipe Shop-toppers voulait un système qui transforme automatiquement les données de tickets en éléments d’action pour la KB. Le résultat est un pipeline automatisé hebdomadaire fonctionnant entièrement dans FlowHunt AI Projects.
Chatbot e-commerce propulsé par l’IA : une base de connaissances pour trois storefronts néerlandais
Avant de plonger dans le pipeline d’analyse hebdomadaire, il est utile de comprendre comment l’infrastructure support est configurée. L’équipe exploite Bolusso.nl , Eroticon.nl et Shop-toppers.nl à partir d’une seule base de connaissances FlowHunt partagée — un ensemble de descriptions de produits, de politiques de retour, de FAQ et de règles d’expédition dont les trois sites tirent parti.
Chaque storefront possède son propre chatbot alimenté par cette base de connaissances partagée. Quand un client sur Bolusso arrive sur le site et ouvre le chat, il est accueilli par “Chatbot Bob” — un assistant IA qui connaît le catalogue complet des produits, peut aider à suivre les commandes et traite instantanément les questions de retour, 24h/24 et 7j/7.
Le message de bienvenue du chatbot — “Welkom bij Bolusso! Ik ben je persoonlijke assistent voor supportvragen en het ontdekken van ons assortiment.” — et ses boutons de réponse rapide (“Volg je bestelling”, “Product retourneren”) sont tous pilotés par les mêmes flows utilisés sur les trois marques.
Lorsqu’une politique change ou qu’une nouvelle catégorie de produits est lancée, l’équipe met à jour la base de connaissances une seule fois. Les trois chatbots reflètent immédiatement le changement. La même logique s’applique aux flows : construire une fois, déployer partout.
Analyse automatisée des tickets support : comment FlowHunt AI Projects identifie les lacunes de connaissances chaque semaine
Le chatbot gère la première ligne. Mais il génère un type de signal différent : les questions qu’il ne peut pas résoudre, et les tickets qui arrivent tout de même aux agents humains. Le pipeline d’analyse hebdomadaire des lacunes est ce qui ferme cette boucle de rétroaction.
Dans FlowHunt AI Projects, l’équipe gère un seul projet : LiveAgent FAQ knowledge base checker. Son rôle est de lire chaque ticket des 7 derniers jours et de dire exactement à l’équipe quelle documentation manque.
L’agent reçoit une persona précise et des garde-fous stricts. Il fonctionne en lecture seule vis-à-vis de LiveAgent — il récupère les données des tickets mais ne peut rien modifier, supprimer ou fermer. Ce garde-fou est explicite dans le prompt système et imposé au niveau des outils.
Le pipeline en deux phases : clustering des tickets LiveAgent et vérification de la base de connaissances
L’agent exécute une investigation en deux phases à chaque exécution.
Phase 1 — Clustering des tickets & extraction des sujets
L’agent récupère tous les tickets des 7 derniers jours via l’intégration LiveAgent. Il filtre immédiatement le bruit : les notifications automatisées de la plateforme, les alertes de commandes Amazon et tout message généré par le système sont écartés. Seules les vraies demandes de clients humains sont traitées.
Les tickets restants sont regroupés selon la question spécifique posée — non pas par catégorie vague, mais par intention précise (par ex. “Comment retourner un article défectueux ?” plutôt que simplement “Retours”). Les 5 sujets les plus fréquents sont identifiés, nommés clairement et documentés avec les fréquences et des exemples représentatifs.
Phase 2 — Vérification de la KB & analyse des lacunes
Pour chacun des 5 sujets principaux, l’agent effectue une recherche dans la base de connaissances partagée :
- Si des articles existent : l’agent analyse pourquoi les clients continuent d’ouvrir des tickets malgré la couverture. Il recherche l’obsolescence, les cas limites manquants, le langage peu clair ou la portée incomplète. L’article est signalé comme un échec KB — le contenu existe mais ne résout pas le problème.
- Si aucun article n’existe : le sujet est immédiatement classé comme une lacune critique — un territoire non documenté que l’équipe de contenu KB doit traiter.
Cette distinction est importante. Une lacune critique et un échec KB nécessitent des réponses différentes : l’un a besoin d’un nouvel article, l’autre d’une modification.
Des tickets bruts aux briefings exploitables : rapports hebdomadaires automatisés des lacunes KB
À la fin de chaque exécution, l’agent envoie par e-mail un rapport structuré directement à l’équipe. Personne n’a besoin de se connecter à la plateforme pour voir les résultats.
L’e-mail suit une structure fixe :
Tableau des principales questions — chaque ligne contient la question spécifique du client, combien de fois elle est apparue au cours de la semaine écoulée, deux ou trois exemples d’intitulés de tickets, les identifiants de tickets pertinents et une résolution rédigée que l’équipe de contenu peut utiliser comme point de départ.
Recommandations stratégiques pour la KB — sujets plus larges, idées de nouveaux articles et améliorations du portail basées sur les données de tickets de la semaine. Chaque recommandation inclut la justification : pourquoi cela est important d’après ce que les clients demandent réellement.
L’objet est toujours Weekly KB Gap Analysis - [Date], ce qui rend les e-mails faciles à classer et à consulter au fil du temps.
Mémoire IA persistante : comment les découvertes hebdomadaires se transforment en intelligence support à long terme
Un détail qui distingue ceci d’un rapport ponctuel : l’agent écrit ses conclusions dans Project Memory — un wiki persistant au sein du projet IA qui se met à jour après chaque exécution.
L’équipe constitue automatiquement un enregistrement longitudinal. Les sujets qui reviennent semaine après semaine malgré avoir été signalés précédemment ressortent immédiatement. Les lacunes KB qui ont été traitées peuvent être marquées comme résolues. Les connaissances accumulées de l’agent deviennent plus utiles à mesure qu’il fonctionne longtemps.
Automatisation du support e-commerce qui se gère seule : agents IA planifiés sans triage manuel
L’ensemble du pipeline est déclenché par un Periodic Issue — une tâche planifiée dans AI Projects qui se déclenche automatiquement à une cadence définie sans aucune intervention manuelle. L’équipe l’a configuré une fois ; il a fonctionné 16 fois depuis.
Chaque exécution dure entre 1 et 10 minutes selon le volume de tickets de la semaine. Le coût par exécution est une fraction de ce qu’un analyste humain passerait à faire un travail équivalent manuellement. L’équipe reçoit chaque semaine un briefing prêt à l’action sans que personne ait besoin de se connecter à LiveAgent, de lire des tickets ou de compiler un rapport.
“Feel free to also include our other websites if you want to. The knowledge base and all our flows are used for the following websites combined.”
Construire une fois. Déployer partout. Laisser l’agent dire ce qui manque.
Entreprises : Shop-toppers.nl · Bolusso.nl · Eroticon.nl Secteur : E-Commerce Localisation : Pays-Bas Fonctionnalités FlowHunt utilisées : AI Projects, AI Chatbot, Shared Knowledge Base, Flows, LiveAgent Integration, Email Notification Tool Modèle d’agent : claude-4.5-haiku (Superviseur)