Hvert støtteteam samler på seg det samme stille problemet: saker hoper seg opp, agenter svarer på de samme spørsmålene gjentatte ganger, og ingen har tid til å gjøre om det signalet til dokumentasjon. Teamet bak Bolusso.nl , Eroticon.nl og Shop-toppers.nl løste det med én enkelt FlowHunt AI-agent som automatisk tar seg av lesing, gruppering og identifisering av hull — hver uke, uten å bli bedt om det.
Fra støttesaker til kunnskapsbase: Gjøre kundefrustrasjon om til dokumentasjon
Støttesaker er en av de rikeste kildene til produkt- og dokumentasjonsfeedback et team har. Kunder forteller deg nøyaktig hva de ikke finner, hva som forvirrer dem og hva kunnskapsbasen ikke klarer å besvare. Men å trekke ut det signalet manuelt — lese hundrevis av saker, gruppere lignende spørsmål, sjekke om KB allerede dekker dem — er nøyaktig den typen repetitivt analytisk arbeid som aldri tar seg plass på noens prioriteringsliste.
Shop-toppers-teamet ønsket et system som automatisk omgjør saksdata til KB-handlingspunkter. Resultatet er en ukentlig automatisert pipeline som kjører helt inne i FlowHunt AI Projects.
AI-drevet netthandelschatbot: Én kunnskapsbase som betjener tre nederlandske nettbutikker
Før man dykker inn i den ukentlige analyspipelinen, hjelper det å forstå hvordan støtteinfrastrukturen er satt opp. Teamet driver Bolusso.nl , Eroticon.nl og Shop-toppers.nl fra én enkelt delt FlowHunt-kunnskapsbase — ett sett med produktbeskrivelser, returpolicyer, vanlige spørsmål og fraktregler som alle tre nettstedene henter fra.
Hver nettbutikk har sin egen chatbot drevet av den delte kunnskapsbasen. Når en kunde på Bolusso lander på nettstedet og åpner chatten, blir de møtt av “Chatbot Bob” — en AI-assistent som kjenner hele produktkatalogen, kan hjelpe med å spore bestillinger og håndterer returspørsmål umiddelbart, 24/7.
Chatbotens velkomstmelding — “Welkom bij Bolusso! Ik ben je persoonlijke assistent voor supportvragen en het ontdekken van ons assortiment.” — og dens hurtigsvarknapper (“Volg je bestelling”, “Product retourneren”) er alle drevet av de samme flytene som brukes på tvers av alle tre merkene.
Når en policy endres eller en ny produktkategori lanseres, oppdaterer teamet kunnskapsbasen én gang. Alle tre chatboter reflekterer endringen umiddelbart. Den samme logikken gjelder for flyter: bygg én gang, distribuer overalt.
Automatisert støttesaksanalyse: Hvordan FlowHunt AI Projects finner kunnskapshuller hver uke
Chatboten håndterer frontlinjen. Men den genererer en annen type signal: spørsmål den ikke kan løse og saker som likevel flyter gjennom til menneskelige agenter. Den ukentlige gapanalysepipelinen er det som lukker den tilbakemeldingssløyfen.
Inne i FlowHunt AI Projects kjører teamet ett enkelt prosjekt: LiveAgent FAQ knowledge base checker. Jobben er å lese hver sak fra de siste 7 dagene og fortelle teamet nøyaktig hvilken dokumentasjon de mangler.
Agenten gis en presis persona og strenge retningslinjer. Den opererer skrivebeskyttet mot LiveAgent — den henter saksdata men kan ikke endre, slette eller lukke noe. Denne retningslinjen er eksplisitt i systemprompt og håndheves på verktøynivå.
Den tofasede pipelinen: LiveAgent saksgruppering og kunnskapsbasekontroll
Agenten utfører en tofaset undersøkelse ved hver kjøring.
Fase 1 — Saksgruppering og emneekstraksjon
Agenten henter alle saker fra de siste 7 dagene via LiveAgent-integrasjonen. Den filtrerer umiddelbart ut støy: automatiserte plattformvarsler, Amazon-bestillingsvarsler og systemgenererte meldinger forkastes. Bare ekte menneskelige kundehenvendelser behandles.
De gjenværende sakene grupperes etter det spesifikke spørsmålet som stilles — ikke etter vag kategori, men etter presis intensjon (f.eks. “Hvordan returnerer jeg en defekt vare?” snarere enn bare “Returer”). De 5 hyppigste emnene identifiseres, navngis tydelig og dokumenteres med frekvenstellinger og representative eksempler.
Fase 2 — KB-verifisering og gapanalyse
For hvert av de 5 beste emnene søker agenten i den delte kunnskapsbasen:
- Hvis artikler finnes: agenten analyserer hvorfor kunder fortsatt åpner saker til tross for dekningen. Den ser etter utdaterthet, manglende grensetilfeller, uklart språk eller ufullstendig dekning. Artikkelen flagges som en KB-svikt — innholdet finnes men løser ikke problemet.
- Hvis ingen artikler finnes: emnet klassifiseres umiddelbart som et kritisk hull — udokumentert territorium som KB-innholdsteamet må adressere.
Denne distinksjonen er viktig. Et kritisk hull og en KB-svikt krever ulike responser: det ene trenger en ny artikkel, det andre trenger en redigering.
Fra råe saker til handlingsbare oppsummeringer: Automatiserte ukentlige KB-gaprapporter
På slutten av hver kjøring sender agenten en strukturert rapport direkte til teamet via e-post. Ingen trenger å logge inn på plattformen for å se funnene.
E-posten følger en fast struktur:
Tabell over vanligste spørsmål — hver rad inneholder det spesifikke kundespørsmålet, hvor mange ganger det dukket opp den siste uken, to eller tre eksempelsakstitler, relevante saks-IDer og et utkast til løsning som innholdsteamet kan bruke som utgangspunkt.
Strategiske KB-anbefalinger — bredere emner, ideer til nye artikler og portalforbedringer forankret i ukens saksdata. Hver anbefaling inkluderer begrunnelsen: hvorfor dette er viktig basert på hva kunder faktisk spør om.
Emnelinjen er alltid Weekly KB Gap Analysis - [Date], noe som gjør e-postene enkle å arkivere og referere til over tid.
Vedvarende AI-minne: Hvordan ukentlige funn akkumuleres til langsiktig støtteintelligens
En detalj som skiller dette fra en engangsrapport: agenten skriver funnene sine til Project Memory — et vedvarende wiki innen AI-prosjektet som oppdateres etter hver kjøring.
Teamet bygger automatisk opp et longitudinelt register. Emner som fortsetter å dukke opp uke etter uke til tross for at de tidligere er flagget, skiller seg umiddelbart ut. KB-hull som er adressert kan merkes som løst. Agentens akkumulerte kunnskap blir mer nyttig jo lenger den kjører.
Netthandelsstøtteautomatisering som kjører seg selv: Planlagte AI-agenter uten manuell sortering
Hele pipelinen utløses av et Periodic Issue — en planlagt oppgave i AI Projects som automatisk aktiveres etter et fast tidsintervall uten manuell inngripen. Teamet satte det opp én gang; det har kjørt 16 ganger siden.
Hver kjøring tar mellom 1 og 10 minutter avhengig av saksvolumet den uken. Kostnaden per kjøring er en brøkdel av hva en menneskelig analytiker ville brukt på tilsvarende arbeid manuelt. Teamet mottar en klar-til-handling-oppsummering hver uke uten at noen trenger å logge inn på LiveAgent, lese gjennom saker eller samle en 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.”
Bygg én gang. Kjør overalt. La agenten fortelle deg hva som mangler.
Selskaper: Shop-toppers.nl · Bolusso.nl · Eroticon.nl Bransje: Netthandel Sted: Nederland FlowHunt-funksjoner brukt: AI Projects, AI Chatbot, Shared Knowledge Base, Flows, LiveAgent Integration, Email Notification Tool Agentmodell: claude-4.5-haiku (Supervisor)