Varje supportteam samlar på sig samma tysta problem: ärenden hopar sig, agenter svarar på samma frågor upprepade gånger och ingen har tid att omvandla den signalen till dokumentation. Teamet bakom Bolusso.nl , Eroticon.nl och Shop-toppers.nl löste det med en enda FlowHunt AI-agent som automatiskt sköter läsning, gruppering och identifiering av luckor — varje vecka, utan att behöva bli tillfrågad.
Från supportärenden till kunskapsbas: Att omvandla kundfrustration till dokumentation
Supportärenden är en av de rikaste källorna till produkt- och dokumentationsfeedback ett team har. Kunder berättar exakt vad de inte kan hitta, vad som förvirrar dem och vad kunskapsbasen misslyckas med att besvara. Men att extrahera den signalen manuellt — läsa hundratals ärenden, gruppera liknande frågor, kontrollera om KB redan täcker dem — är precis det slags repetitivt analytiskt arbete som aldrig tar sig upp på någons prioriteringslista.
Shop-toppers-teamet ville ha ett system som automatiskt omvandlar ärendedata till KB-åtgärdspunkter. Resultatet är en veckovis automatiserad pipeline som körs helt inuti FlowHunt AI Projects.
AI-driven e-handelschatbot: En kunskapsbas som betjänar tre nederländska butiker
Innan man dyker in i den veckovisa analyspipelinen hjälper det att förstå hur supportinfrastrukturen är uppbyggd. Teamet driver Bolusso.nl , Eroticon.nl och Shop-toppers.nl från en enda delad FlowHunt-kunskapsbas — en uppsättning produktbeskrivningar, returpolicyer, vanliga frågor och fraktregler som alla tre webbplatserna hämtar från.
Varje butik har sin egen chatbot som drivs av den delade kunskapsbasen. När en kund på Bolusso landar på webbplatsen och öppnar chatten hälsas de av “Chatbot Bob” — en AI-assistent som känner till hela produktkatalogen, kan hjälpa till att spåra beställningar och hanterar returfrågor direkt, dygnet runt.
Chatbotens välkomstmeddelande — “Welkom bij Bolusso! Ik ben je persoonlijke assistent voor supportvragen en het ontdekken van ons assortiment.” — och dess snabbsvarsknappar (“Volg je bestelling”, “Product retourneren”) drivs alla av samma flöden som används för alla tre varumärkena.
När en policy ändras eller en ny produktkategori lanseras uppdaterar teamet kunskapsbasen en gång. Alla tre chatbotar återspeglar ändringen omedelbart. Samma logik gäller för flöden: bygg en gång, distribuera överallt.
Automatiserad analys av supportärenden: Hur FlowHunt AI Projects hittar kunskapsluckor varje vecka
Chatboten hanterar frontlinjen. Men den genererar en annan typ av signal: frågor den inte kan lösa och ärenden som ändå flödar till mänskliga agenter. Den veckovisa gapanalysepipelinen är det som stänger den återkopplingsslingan.
I FlowHunt AI Projects kör teamet ett enda projekt: LiveAgent FAQ knowledge base checker. Dess uppgift är att läsa varje ärende från de senaste 7 dagarna och berätta exakt vilken dokumentation teamet saknar.
Agenten ges en exakt persona och strikta riktlinjer. Den arbetar skrivskyddat mot LiveAgent — den hämtar ärendedata men kan inte ändra, radera eller stänga något. Denna riktlinje är uttrycklig i systemprompt och genomdrivs på verktygsnivå.
Den tvåfasiga pipelinen: LiveAgent ärendegruppering och kunskapsbaskontrollen
Agenten utför en tvåfasig undersökning vid varje körning.
Fas 1 — Ärendegruppering och ämnesextraktion
Agenten hämtar alla ärenden från de senaste 7 dagarna via LiveAgent-integrationen. Den filtrerar omedelbart bort brus: automatiserade plattformsaviseringar, Amazon-beställningsaviseringar och systemgenererade meddelanden kasseras. Endast äkta mänskliga kundförfrågningar bearbetas.
De återstående ärendena grupperas efter den specifika frågan som ställs — inte efter vag kategori, utan efter exakt avsikt (t.ex. “Hur returnerar jag en defekt vara?” snarare än bara “Returer”). De 5 vanligaste ämnena identifieras, namnges tydligt och dokumenteras med frekvensräkningar och representativa exempel.
Fas 2 — KB-verifiering och gapanalys
För vart och ett av de 5 vanligaste ämnena söker agenten i den delade kunskapsbasen:
- Om artiklar finns: agenten analyserar varför kunder fortfarande öppnar ärenden trots täckningen. Den letar efter inaktualitet, saknade kantfall, otydligt språk eller ofullständig täckning. Artikeln markeras som ett KB-misslyckande — innehållet finns men löser inte problemet.
- Om inga artiklar finns: ämnet klassificeras omedelbart som en kritisk lucka — odokumenterat område som KB-innehållsteamet behöver åtgärda.
Denna distinktion är viktig. En kritisk lucka och ett KB-misslyckande kräver olika åtgärder: det ena behöver en ny artikel, det andra behöver en redigering.
Från råa ärenden till åtgärdbara sammanfattningar: Automatiserade veckovisa KB-gaprapporter
I slutet av varje körning skickar agenten en strukturerad rapport direkt till teamet via e-post. Ingen behöver logga in på plattformen för att se resultaten.
E-posten följer en fast struktur:
Tabell över vanligaste frågor — varje rad innehåller den specifika kundfrågan, hur många gånger den förekom under den gångna veckan, två eller tre exempelärenderubrikerna, relevanta ärende-ID:n och ett utkast till lösning som innehållsteamet kan använda som utgångspunkt.
Strategiska KB-rekommendationer — bredare ämnen, idéer till nya artiklar och portalförbättringar grundade i veckans ärendedata. Varje rekommendation inkluderar motiveringen: varför detta är viktigt baserat på vad kunder faktiskt frågar om.
Ämnesraden är alltid Weekly KB Gap Analysis - [Date], vilket gör e-postmeddelandena lätta att arkivera och referera till över tid.
Beständigt AI-minne: Hur veckovisa resultat ackumuleras till långsiktig supportintelligens
En detalj som skiljer detta från en engångsrapport: agenten skriver sina resultat till Project Memory — ett beständigt wiki inuti AI-projektet som uppdateras efter varje körning.
Teamet bygger automatiskt upp ett longitudinellt register. Ämnen som fortsätter att dyka upp vecka efter vecka trots att de tidigare flaggats sticker omedelbart ut. KB-luckor som åtgärdats kan markeras som lösta. Agentens ackumulerade kunskap blir mer användbar ju längre den körs.
E-handelssupportautomatisering som kör sig själv: Schemalagda AI-agenter utan manuell sortering
Hela pipelinen utlöses av ett Periodic Issue — en schemalagd uppgift i AI Projects som automatiskt aktiveras enligt ett fast schema utan manuell inblandning. Teamet ställde in det en gång; det har körts 16 gånger sedan dess.
Varje körning tar mellan 1 och 10 minuter beroende på ärendevolym den veckan. Kostnaden per körning är en bråkdel av vad en mänsklig analytiker skulle lägga på motsvarande arbete manuellt. Teamet får en redo-att-agera-sammanfattning varje vecka utan att någon behöver logga in på LiveAgent, läsa igenom ärenden eller sammanställa 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 en gång. Kör överallt. Låt agenten berätta vad som saknas.
Företag: Shop-toppers.nl · Bolusso.nl · Eroticon.nl Bransch: E-handel Plats: Nederländerna FlowHunt-funktioner som används: AI Projects, AI Chatbot, Shared Knowledge Base, Flows, LiveAgent Integration, Email Notification Tool Agentmodell: claude-4.5-haiku (Supervisor)