Despre noi
FlowHunt permite automatizarea AI fără efort printr-o platformă no-code, oferind utilizatorilor puterea de a crea instrumente personalizate. Fondat de QualityUn...
3 min citire
Jozef Štofira a petrecut peste 15 ani gestionând echipe tehnice globale și scalând suportul în peste 100 de piețe, iar acum conduce operațiunile de suport clienți la Quality Unit. Ultima sa prezentare la E-commerce Mastermind s-a concentrat nu pe teoria AI, ci pe funcții AI specifice pe care echipa LiveAgent le-a implementat folosind FlowHunt și pe rezultatele măsurabile pe care le-au obținut.
Ceea ce urmează este defalcarea sa a șase funcții AI distincte, cum abordează fiecare blocajele specifice de suport și îmbunătățirile operaționale pe care echipa sa le-a documentat.
Dacă sunteți interesat de povestea completă a implementării AI LiveAgent cu metrici detaliate, consultați studiul de caz de succes LiveAgent .
Provocarea Principală: Reducerea Sarcinii Agenților Fără a Sacrifica Calitatea
Multe echipe de suport se vor confrunta cu aceeași problemă mai devreme sau mai târziu: volumul tichetelor crește mai rapid decât bugetele. Abordarea tradițională de scalare a numărului de angajați proporțional cu volumul tichetelor ajunge în cele din urmă la constrângeri financiare. Între timp, agenții existenți suprasolicitați experimentează epuizare din cauza întrebărilor repetitive care consumă timp ce ar putea fi folosit mai bine pentru problemele reale ale clienților.
Abordarea lui Jozef Štofira s-a concentrat pe identificarea sarcinilor de suport pe care mașinile le pot gestiona mai bine decât oamenii și pe filtrarea acestora. Scopul final a fost să redirecționeze atenția agenților către interacțiuni de mare valoare unde judecata umană, empatia și expertiza contează cel mai mult.
Șase Funcții AI, Șase Probleme Specifice Rezolvate
Jozef Štofira a prezentat o implementare AI structurată în jurul unor funcții discrete, fiecare vizând un blocaj specific de suport. Mai degrabă decât să implementeze un “sistem de suport AI” monolit, echipa sa a implementat soluții care abordează direct ineficiențe specifice.
Funcția 1: Chatbot AI pentru Deflecția Întrebărilor de Nivel 1
Problema: O supraîncărcare de întrebări repetitive, întrebări pre-vânzare și cereri de informații generale care nu sunt legate de nevoile reale de suport pentru produs.
Soluția: Chatbot AI FlowHunt conectat direct la documentația și baza de cunoștințe LiveAgent, implementat specific doar pe paginile cu trafic mare și complexitate redusă.
Rezultatul: Reducere de 48,5% a volumului de chat live manual. LiveAgent a trecut de la 3.500 de conversații lunare care necesitau agenți umani la 1.800. Chatbot-ul gestionează acum diferența în mod autonom, filtrând întrebările și escaladând doar pe cele care necesită cu adevărat expertiză umană.
Decizia critică a fost crearea unui chatbot care nu încearcă să gestioneze totul. Se concentrează doar pe deflectarea întrebărilor de bază, căutarea documentației și ajutarea cu depanarea simplă, în timp ce escaladează imediat complexitatea de nivel 2 către agenții umani.
Funcția 2: Anti-Spam Prin Analiză Contextuală
Problema: Filtrele tradiționale de spam eșuează împotriva abordărilor sofisticate și mesajelor semi-relevante care tehnic nu sunt spam, dar nici nu sunt cereri de suport valide.
Soluția: Analiza AI a contextului și intenției, mai degrabă decât potrivirea cuvintelor cheie. Sistemul evaluează dacă un mesaj primit reprezintă o nevoie reală de suport sau ar trebui închis automat.
Rezultatul: La un volum de peste 2.000 de tichete lunare, aceasta elimină 3-6 ore de timp pur al agentului lunar petrecut pe revizuirea manuală a spam-ului.
Diferența este că sistemele bazate pe reguli caută modele, în timp ce AI evaluează intenția. Un e-mail de vânzări reci ar putea să nu declanșeze cuvintele cheie de spam bazate pe reguli, dar în mod clar nu este o cerere de suport care necesită atenția agentului.
Funcția 3: Categorizare Automată pentru Integritatea Datelor
Problema: Categorizarea manuală sub presiunea timpului duce la inconsecvență și lacune. Înainte de implementarea AI, 15% din tichete rămâneau necategorizate, creând puncte oarbe în analiza suportului și alocarea resurselor.
Soluția: Analiza automată AI și atribuirea categoriei prin API în momentul în care tichetele intră în sistem.
Rezultatul: Eliminarea completă a tichetelor necategorizate (de la 15% la 0%). La volume care depășesc 10.000 de tichete, aceasta înseamnă 14-28 de ore economisiți lunar.
Impactul mai larg este că conducerea suportului are acum date precise și complete pentru analiza tendințelor, planificarea capacității și măsurarea performanței echipei—date anterior corupte de categorizarea manuală inconsecventă.
Funcția 4: Validarea Cererii și Verificarea Completitudinii
Problema: Clienții trimit frecvent cereri de suport cărora le lipsesc informații esențiale necesare pentru rezolvare. Agenții revizuiesc manual, identifică lacunele și solicită detalii suplimentare, ceea ce întârzie rezolvarea și consumă capacitate.
Soluția: Chatbot-ul FlowHunt efectuează verificări de validare pe cererile primite. Chatbot-ul identifică informațiile lipsă și le solicită imediat. Pentru cererile complete și valide, sistemul oferă confirmare instantanee și rutare adecvată.
Rezultatul: 5-10 ore lunare economisit la un volum de peste 600 de cereri, plus îmbunătățire semnificativă a experienței clienților prin feedback imediat, mai degrabă decât cereri întârziate pentru clarificări.
Clienții primesc acum îndrumare instantanee despre ce este necesar, în loc să aștepte ca un agent să solicite mai multe informații. Acest lucru accelerează foarte mult timpul general de rezolvare.
Funcția 5: Asistent de Răspuns pentru Accelerarea Răspunsurilor
Problema: Chiar și atunci când agenții trebuie să gestioneze personal tichetele, timpul este pierdut redactând răspunsuri, căutând documentație și asigurând vocea consistentă a brandului și acuratețea tehnică.
Soluția: Schițele de răspuns generate de AI FlowHunt extrag informații relevante din baza de cunoștințe fără nicio contribuție manuală a agentului necesară. Tot ce rămâne de făcut este să revizuiască, să facă modificări și să trimită. Chiar și pentru răspunsuri complexe, agenții pot pur și simplu furniza instrucțiuni scurte pe care AI le extinde în răspunsuri complete, formatate profesional.
Rezultatul: 2-3 minute economisit per răspuns. La peste 4.000 de răspunsuri lunare care necesită acest nivel de implicare, aproximativ 166 de ore economisit lunar.
Acest lucru are, de asemenea, un impact pozitiv asupra formării. Agenții mai noi pot produce imediat răspunsuri la nivel de expert datorită accesului cuprinzător la baza de cunoștințe prin AI, eliminând stresul de a citi frenetic documentația.
Funcția 6: Escaladare Inteligentă și Transfer
Problema: Determinarea când automatizarea ar trebui să gestioneze o interacțiune versus când este necesară atenția umană și asigurarea tranzițiilor fără probleme care nu forțează clienții să repete informațiile.
Soluția: Definiți reguli de escaladare pentru a determina când chatbot-ul FlowHunt răspunde independent versus când transferă către agenți umani. Istoricul complet al conversației și contextul trec cu fiecare transfer.
Rezultatul: Clienții experimentează tranziții fără probleme. Agenții primesc context complet și pot continua conversațiile în mod natural în loc să înceapă de la zero.
Această funcție nu este despre maximizarea procentului de automatizare, ci despre optimizarea graniței dintre ceea ce gestionează mașinile și ceea ce gestionează oamenii, asigurându-se că fiecare operează în zona sa de forță.
Pregătit să îți dezvolți afacerea?
Începe perioada de probă gratuită astăzi și vezi rezultate în câteva zile.
Ciclul Complet de Cerere: Cum Funcționează Împreună Funcțiile AI
Jozef a inclus un exemplu despre cum aceste șase funcții se integrează pe parcursul unui ciclu complet de cerere de suport, de la contactul inițial al clientului până la rezolvare:
Etapa 1: Primire Inteligentă
Când un client inițiază contactul, două funcții AI se activează imediat. Anti-spam evaluează dacă este o nevoie reală de suport sau dacă ar trebui închisă automat. Simultan, categorizarea automată analizează conținutul și atribuie etichetele adecvate înainte ca orice revizuire umană să aibă loc.
Această filtrare de primă linie asigură că agenții văd doar cereri de suport legitime care sunt deja categorizate corect pentru rutare și prioritizare.
Etapa 2: Gestionare Chat Hibrid
Chatbot-ul FlowHunt gestionează conversațiile primite și răspunde direct la întrebările simple. Când complexitatea depășește capacitățile bot-ului sau clienții solicită în mod explicit asistență umană, escaladarea inteligentă transferă conversația către agenți live cu context complet.
Acest lucru creează un sistem pe niveluri unde AI gestionează ceea ce poate, iar oamenii gestionează ceea ce ar trebui, cu transfer fără probleme asigurându-se că clienții nu experimentează niciodată fricțiune la punctul de tranziție.
Etapa 3: Accelerare Agent
Pentru cererile care necesită gestionare umană, asistentul de răspuns alimentat de FlowHunt este disponibil în fereastra de răspuns. Poate genera schițe de răspuns folosind informații relevante din documentație și oferă agenților fie un punct de plecare, fie reducând semnificativ timpul petrecut cercetând răspunsuri.
Între timp, automatizarea gestionează confirmările de rutină și răspunsurile standard, cum ar fi confirmările cererilor de demo, fără nicio implicare a agentului.
Etapa 4: Buclă de Învățare Continuă
Etapa finală implică extragerea lacunelor de cunoștințe identificate în timpul interacțiunilor gestionate de oameni. Când conversațiile chatbot-ului dezvăluie întrebări la care AI nu a putut răspunde din documentația existentă, sistemul capturează rezoluția expertă furnizată de agenții umani.
Aceste informații devin fundația pentru noi articole din baza de cunoștințe, extinzând capacitățile chatbot-ului în timp fără a necesita dezvoltarea manuală a bazei de cunoștințe. Sistemul învață din fiecare interacțiune pe care nu o poate automatiza complet.
Abordarea Implementării: Construirea Sistemului Incremental
Echipa LiveAgent nu a implementat toate cele șase funcții simultan. Așa cum Michal Lichner a subliniat în ghidul său de implementare AI , au implementat incremental, începând cu funcțiile cu cel mai mare impact și cea mai mică complexitate mai întâi și au continuat cu monitorizarea zilnică a tuturor funcțiilor.
Chatbot-ul a fost lansat inițial pe secțiuni specifice ale site-ului web unde traficul redirecționat greșit era cel mai intens, cum ar fi blogurile și paginile de glosar, în loc de paginile cruciale de suport pentru produs. Acest lucru a permis echipei să rafineze prompt-urile, să extindă întrebările frecvente și să valideze performanța înainte de a se extinde la scenarii de suport tehnic mai complexe.
Categorizarea automată a venit în continuare, abordând problema imediată de integritate a datelor care a afectat analiza suportului. Odată ce categorizarea precisă a fost stabilită, alte funcții care depindeau de rutarea și prioritizarea adecvată puteau construi pe acea fundație.
Asistentul de răspuns a fost implementat ultimul dintre funcțiile orientate către clienți, după ce echipa și-a construit încrederea în capacitatea AI de a menține vocea brandului și acuratețea tehnică prin implementări mai puțin vizibile.
Fiecare funcție a fost supusă monitorizării zilnice în timpul implementării inițiale. Echipa a rafinat prompt-urile sistemului, a extins bazele de cunoștințe și a ajustat regulile de escaladare pe baza interacțiunilor reale cu clienții, mai degrabă decât a scenariilor teoretice.
Abonează-te la newsletter-ul nostru
Primește cele mai recente sfaturi, tendințe și oferte gratuit.
Arhitectura Tehnică: Ce Face să Funcționeze
Funcțiile AI se integrează direct cu infrastructura helpdesk LiveAgent existentă prin conexiuni API, mai degrabă decât să necesite înlocuirea completă a sistemului. Acest lucru a permis implementarea incrementală fără a perturba operațiunile în curs.
Integrarea bazei de cunoștințe folosește documentația aprobată a companiei ca sursă a adevărului, mai degrabă decât să se bazeze pe instruirea generală AI. Acest lucru reduce drastic riscul de halucinație și asigură răspunsuri consistente și precise aliniate cu politicile și procedurile reale ale companiei.
Sistemul de escaladare folosește reguli definite, mai degrabă decât luarea deciziilor probabilistice. Când apar declanșatoare specifice—clientul solicită în mod explicit asistență umană, încrederea AI scade sub prag, complexitatea conversației depășește parametrii definiți—transferul se întâmplă automat cu transfer complet de context.
Validarea cererii operează prin potrivirea șabloanelor și verificarea câmpurilor necesare, mai degrabă decât să încerce să înțeleagă stilurile arbitrare de comunicare ale clienților. Această abordare pragmatică abordează 90% din trimiterile incomplete fără complexitatea înțelegerii limbajului natural.
Condițiile Prealabile ale unui Suport AI de Succes
Reflectând asupra implementării, Štofira identifică, de asemenea, condiții prealabile care trebuie să existe înainte ca AI să poată livra aceste rezultate:
Cunoștințe Organizate: O documentație cuprinzătoare, bine întreținută este crucială. AI nu poate organiza în mod magic cunoștințele tribale împrăștiate. Are nevoie de informații structurate, accesibile cu care să lucreze.
Definiție Clară a Procesului: Regulile de escaladare, schemele de categorizare și șabloanele de răspuns au trebuit să fie definite explicit. AI are nevoie de structură în care să opereze, nu de orientări vagi despre “judecata bună”.
Angajament pentru Iterație: Performanța actuală a rezultat din luni de rafinare, nu din implementarea inițială. Echipa s-a angajat la monitorizare zilnică, îmbunătățire continuă a prompt-urilor și extindere continuă a întrebărilor frecvente pe baza interacțiunilor reale cu clienții.
Capacitate de Integrare: Capacitatea de a conecta funcțiile AI cu sistemele existente prin API-uri a făcut posibilă implementarea incrementală. Fără aceasta, echipa s-ar fi confruntat cu o înlocuire a sistemului de tip tot sau nimic care ar fi fost prea riscantă pentru a încerca.
Așteptări Realiste: Managementul a înțeles că AI va necesita timp de învățare și nu va atinge performanța maximă imediat. Această răbdare a permis echipei să optimizeze corespunzător, mai degrabă decât să abandoneze sistemele la primul semn de imperfecțiune.
Prezentarea s-a încheiat cu o mențiune scurtă a direcțiilor viitoare pe care echipa sa le explorează. Acestea includ extinderea capacităților asistentului de răspuns AI la tichetele bazate pe e-mail dincolo de chat, dezvoltarea fluxurilor de lucru automatizate care transformă interacțiunile de suport rezolvate în articole din baza de cunoștințe și extinderea procesării autonome a tichetelor la canale de comunicare suplimentare, inclusiv WhatsApp și platforme de social media.
Concluzia
Acest cadru oferă îndrumări practice pentru liderii de suport care evaluează de unde să înceapă cu AI.
Este important să începeți prin identificarea interacțiunilor de suport cu cel mai mare volum și cele mai repetitive. Acestea reprezintă cele mai bune ținte inițiale deoarece succesul este cel mai realizabil și impactul este cel mai măsurabil. Această abordare vă va salva de epuizarea timpurie. Nu uitați să nu vă așteptați la perfecțiune imediat, ci să monitorizați performanța și să găsiți spațiu pentru îmbunătățire. Doar cu reguli clare, surse de cunoștințe suficiente și o buclă de învățare poate AI să înceapă cu adevărat să beneficieze operațiunile dvs. de suport.
Rezultatele LiveAgent demonstrează că AI în suportul clienți funcționează atunci când este implementat cu grijă, cu criterii clare de succes și așteptări realiste. Întrebarea nu este dacă AI poate îmbunătăți operațiunile de suport, ci mai degrabă dacă echipele se pot angaja la abordarea sistematică, funcție cu funcție care face acele îmbunătățiri sustenabile.
Conectarea Cadrului
Cadrul operațional al lui Jozef arată cum funcționează funcțiile AI în practică, gestionând realitatea zilnică a suportului clienți la scară. Dacă sunteți interesat de implementarea complexă AI, consultați celelalte noastre articole din serie:
Foaia de parcurs de implementare a lui Michal Lichner a stabilit fundația strategică—unde să concentrezi eforturile AI și cum să pregătești conținutul și procesele în mod sistematic înainte de implementare.
Infrastructura tehnică a lui Viktor Zeman asigură că, odată ce ai automatizat operațiunile de suport, clienții te pot descoperi efectiv prin căutare mediată de AI și protocoale de comerț.
Împreună, aceste trei perspective formează o imagine completă: planificare strategică, execuție operațională și infrastructură tehnică pentru e-commerce într-un mediu de comerț mediat de AI.
