Destek iş yükünü %48,5 azaltan altı AI fonksiyonunun teknik analizi. Her birinin çözdüğü spesifik problemleri, uygulama yaklaşımını ve bir destek operasyonları liderinden ölçülebilir sonuçları öğrenin.
Jozef Štofira, 15 yılı aşkın süredir küresel teknik ekipleri yönetiyor ve 100’den fazla pazarda desteği ölçeklendiriyor ve şimdi Quality Unit’te müşteri destek operasyonlarını yönetiyor. E-commerce Mastermind’daki son sunumu AI teorisine değil, LiveAgent ekibinin FlowHunt kullanarak devreye aldığı spesifik AI fonksiyonlarına ve elde ettikleri ölçülebilir sonuçlara odaklandı.
Aşağıda, altı farklı AI fonksiyonunun, her birinin belirli destek darboğazlarını nasıl ele aldığının ve ekibinin belgelediği operasyonel iyileştirmelerin dökümü yer almaktadır.
Detaylı metriklerle eksiksiz LiveAgent AI uygulama hikayesiyle ilgileniyorsanız, LiveAgent başarı hikayemize göz atın.
Birçok destek ekibi er ya da geç aynı sorunla karşılaşacaktır: talep hacmi bütçelerden daha hızlı büyür. Talep hacmiyle orantılı olarak personel sayısını artırmanın geleneksel yaklaşımı sonunda finansal kısıtlamalara çarpar. Bu arada, aşırı yüklenmiş mevcut ajanlar, gerçek müşteri sorunlarına harcanması gereken zamanı tüketen tekrarlayan sorgulardan dolayı tükenmişlik yaşar.
Jozef Štofira’nın yaklaşımı, hangi destek görevlerinin makineler tarafından insanlardan daha iyi ele alınabileceğini belirlemek ve bunları filtrelemek üzerine odaklandı. Nihai hedef, ajanların dikkatini insan muhakemesinin, empatinin ve uzmanlığın en çok önem taşıdığı yüksek değerli etkileşimlere yönlendirmekti.
Jozef Štofira, her biri belirli bir destek darboğazını hedefleyen ayrı fonksiyonlar etrafında yapılandırılmış bir AI uygulaması sundu. Ekibi, monolitik bir “AI destek sistemi” devreye almak yerine, belirli verimsizlikleri doğrudan ele alan çözümler uyguladı.
Problem: Gerçek ürün destek ihtiyaçlarıyla ilgisi olmayan tekrarlayan sorular, satış öncesi sorular ve genel bilgi isteklerinin aşırı yükü.
Çözüm: LiveAgent’ın dokümantasyonu ve bilgi tabanına doğrudan bağlı FlowHunt AI chatbot’u, yalnızca yüksek trafikli, düşük karmaşıklıklı sayfalarda devreye alındı.
Sonuç: Manuel canlı sohbet hacminde %48,5 azalma. LiveAgent, insan ajanları gerektiren aylık 3.500 konuşmadan 1.800’e düştü. Chatbot artık farkı özerk olarak ele alıyor, sorguları filtreliyor ve yalnızca gerçekten insan uzmanlığı gerektirenleri yükseltiyor.
Kritik karar, her şeyi ele almaya çalışmayan bir chatbot oluşturmaktı. Yalnızca temel soruları yönlendirmeye, dokümantasyona bakmaya ve basit sorun giderme konusunda yardımcı olmaya odaklanırken, Seviye 2 karmaşıklığını hemen insan ajanlara yükseltiyor.
Problem: Geleneksel spam filtreleri, teknik olarak spam olmayan ancak aynı zamanda geçerli destek istekleri de olmayan sofistike soğuk erişim ve yarı ilgili mesajlara karşı başarısız oluyor.
Sonuç: Kelime eşleştirmesi yerine bağlam ve niyet AI analizi. Sistem, gelen bir mesajın gerçek bir destek ihtiyacını temsil edip etmediğini veya otomatik olarak kapatılması gerekip gerekmediğini değerlendirir.
Sonuç: Aylık 2.000+ talep hacminde, bu manuel spam incelemesine harcanan saf ajan zamanından ayda 3-6 saati ortadan kaldırır.
Fark şu ki, kural tabanlı sistemler kalıpları ararken, AI niyeti değerlendirir. Soğuk bir satış e-postası kural tabanlı spam anahtar kelimelerini tetiklemeyebilir, ancak açıkça ajan dikkatini gerektiren bir destek isteği değildir.
Problem: Zaman baskısı altında manuel kategorizasyon tutarsızlığa ve boşluklara yol açar. AI uygulamasından önce, taleplerin %15’i kategorize edilmeden kalıyordu, bu da destek analitiği ve kaynak tahsisinde kör noktalar yaratıyordu.
Çözüm: Talepler sisteme girdiği anda API aracılığıyla otomatik AI analizi ve kategori ataması.
Sonuç: Kategorize edilmemiş taleplerin tamamen ortadan kaldırılması (%15’ten %0’a). 10.000 talebi aşan hacimlerde, bu ayda 14-28 saat tasarruf anlamına gelir.
Daha geniş etki şu ki, destek liderliği artık trend analizi, kapasite planlaması ve ekip performans ölçümü için doğru, eksiksiz verilere sahip—daha önce tutarsız manuel kategorizasyon tarafından bozulmuş veriler.
Problem: Müşteriler sıklıkla çözüm için gerekli temel bilgileri eksik destek istekleri gönderir. Ajanlar manuel olarak gözden geçirir, boşlukları belirler ve ek ayrıntılar ister, bu da çözümü geciktirir ve kapasiteyi tüketir.
Çözüm: FlowHunt chatbot’u gelen istekler üzerinde doğrulama kontrolleri yapar. Chatbot eksik bilgileri belirler ve hemen ister. Eksiksiz ve geçerli istekler için, sistem anında onay ve uygun yönlendirme sağlar.
Sonuç: 600+ istek hacminde ayda 5-10 saat tasarruf, ayrıca gecikmeli açıklama istekleri yerine anında geri bildirim yoluyla müşteri deneyiminde önemli iyileşme.
Müşteriler artık bir ajanın daha fazla bilgi istemesini beklemek yerine neyin gerekli olduğuna dair anında rehberlik alıyor. Bu, genel çözüm süresini büyük ölçüde hızlandırır.
Problem: Ajanlar talepleri kişisel olarak ele alması gereken durumlarda bile, yanıt taslağı hazırlama, dokümantasyon arama ve tutarlı marka sesi ve teknik doğruluk sağlama konusunda zaman kaybedilir.
Çözüm: FlowHunt’ın AI tarafından oluşturulan yanıt taslakları, manuel ajan girdisi gerektirmeden bilgi tabanından ilgili bilgileri çeker. Yapılması gereken tek şey gözden geçirmek, değişiklik yapmak ve göndermektir. Karmaşık yanıtlar için bile, ajanlar AI’nın eksiksiz, profesyonelce biçimlendirilmiş yanıtlara genişlettiği kısa talimatlar sağlayabilir.
Sonuç: Yanıt başına 2-3 dakika tasarruf. Bu düzeyde katılım gerektiren aylık 4.000+ yanıtta, yaklaşık ayda 166 saat tasarruf.
Bu aynı zamanda eğitim üzerinde olumlu bir etkiye sahiptir. Yeni ajanlar, AI aracılığıyla kapsamlı bilgi tabanı erişimi sayesinde hemen uzman düzeyinde yanıtlar üretebilir, çılgınca dokümantasyon okuma stresini ortadan kaldırır.
Problem: Otomasyonun bir etkileşimi ne zaman ele alması gerektiğine karşı insan dikkatinin ne zaman gerekli olduğunu belirlemek ve müşterileri bilgileri tekrarlamaya zorlamayan sorunsuz geçişler sağlamak.
Çözüm: FlowHunt chatbot’unun bağımsız olarak ne zaman yanıt vereceğine karşı insan ajanlara ne zaman aktarılacağını belirlemek için yükseltme kuralları tanımlayın. Her devretmede eksiksiz konuşma geçmişi ve bağlam geçer.
Sonuç: Müşteriler sorunsuz geçişler yaşar. Ajanlar tam bağlam alır ve sıfırdan başlamak yerine konuşmaları doğal olarak sürdürebilir.
Bu fonksiyon, otomasyon yüzdesini maksimize etmekle ilgili değil, makinelerin ne ele aldığı ile insanların ne ele aldığı arasındaki sınırı optimize etmekle ilgilidir, her birinin güçlü olduğu alanda çalışmasını sağlar.
Bugün ücretsiz denemenizi başlatın ve günler içinde sonuçları görün.
Jozef, bu altı fonksiyonun ilk müşteri temasından çözüme kadar eksiksiz bir destek isteği yaşam döngüsü boyunca nasıl entegre olduğuna dair bir örnek içerdi:
Aşama 1: Akıllı Giriş
Bir müşteri iletişim başlattığında, iki AI fonksiyonu hemen etkinleşir. Anti-spam, bunun gerçek bir destek ihtiyacı olup olmadığını veya otomatik olarak kapatılması gerekip gerekmediğini değerlendirir. Aynı anda, otomatik kategorizasyon içeriği analiz eder ve herhangi bir insan incelemesi gerçekleşmeden önce uygun etiketler atar.
Bu ön hat filtrelemesi, ajanların yalnızca yönlendirme ve önceliklendirme için zaten düzgün bir şekilde kategorize edilmiş meşru destek isteklerini görmesini sağlar.
Aşama 2: Hibrit Sohbet İşleme
FlowHunt chatbot’u gelen konuşmaları yönetir ve basit sorguları doğrudan yanıtlar. Karmaşıklık botun yeteneklerini aştığında veya müşteriler açıkça insan yardımı talep ettiğinde, akıllı yükseltme konuşmayı tam bağlamla canlı ajanlara aktarır.
Bu, AI’nın yapabildiğini ele aldığı ve insanların yapması gerekeni ele aldığı katmanlı bir sistem oluşturur, sorunsuz devretme müşterilerin geçiş noktasında sürtünme yaşamamasını sağlar.
Aşama 3: Ajan Hızlandırma
İnsan işlemesi gerektiren istekler için, FlowHunt tarafından desteklenen yanıt asistanı yanıt penceresinde kullanılabilir. Dokümantasyondan ilgili bilgileri kullanarak yanıt taslakları oluşturabilir ve ajanlara ya bir başlangıç noktası verir ya da yanıtları araştırmak için harcanan süreyi önemli ölçüde azaltır.
Bu arada, otomasyon demo isteği onayları gibi rutin onayları ve standart yanıtları herhangi bir ajan katılımı olmadan ele alır.
Aşama 4: Sürekli Öğrenme Döngüsü
Son aşama, insan tarafından işlenen etkileşimler sırasında belirlenen bilgi boşluklarını çıkarmayı içerir. Chatbot konuşmaları, AI’nın mevcut dokümantasyondan yanıtlayamadığı soruları ortaya çıkardığında, sistem insan ajanlar tarafından sağlanan uzman çözümü yakalar.
Bu bilgi, manuel bilgi tabanı geliştirmesi gerektirmeden chatbot’un yeteneklerini zaman içinde genişleten yeni bilgi tabanı makalelerinin temelini oluşturur. Sistem, tam olarak otomatikleştiremediği her etkileşimden öğrenir.
LiveAgent ekibi altı fonksiyonu aynı anda devreye almadı. Tıpkı Michal Lichner’in AI uygulama rehberinde özetlediği gibi , önce en yüksek etkili, en düşük karmaşıklıklı fonksiyonlarla başlayarak aşamalı olarak uyguladılar ve tüm fonksiyonların günlük izlenmesine devam ettiler.
Chatbot başlangıçta, önemli ürün destek sayfaları yerine bloglar ve sözlük sayfaları gibi yanlış yönlendirilmiş trafiğin en yoğun olduğu belirli web sitesi bölümlerinde başlatıldı. Bu, ekibin daha teknik destek senaryolarına genişlemeden önce istemleri iyileştirmesine, SSS’leri genişletmesine ve performansı doğrulamasına olanak tanıdı.
Otomatik kategorizasyon daha sonra geldi, destek analitiğine zarar veren acil veri bütünlüğü sorununu ele aldı. Doğru kategorizasyon kurulduktan sonra, uygun yönlendirme ve önceliklendirmeye bağlı diğer fonksiyonlar bu temel üzerine inşa edilebilir.
Yanıt asistanı, ekip daha az görünür uygulamalar aracılığıyla AI’nın marka sesini ve teknik doğruluğu koruma yeteneğine güven oluşturduktan sonra, müşteri ile yüz yüze fonksiyonlar arasında en son devreye alındı.
Her fonksiyon, ilk dağıtım sırasında günlük izlemeye tabi tutuldu. Ekip, teorik senaryolar yerine gerçek müşteri etkileşimlerine dayalı olarak sistem istemlerini iyileştirdi, bilgi tabanlarını genişletti ve yükseltme kurallarını ayarladı.
En son ipuçlarını, trendleri ve teklifleri ücretsiz alın.
AI fonksiyonları, eksiksiz sistem değişimi gerektirmek yerine API bağlantıları aracılığıyla mevcut LiveAgent yardım masası altyapısıyla doğrudan entegre olur . Bu, devam eden operasyonları bozmadan aşamalı dağıtıma olanak tanıdı.
Bilgi tabanı entegrasyonu, genel AI eğitimine güvenmek yerine onaylanmış şirket dokümantasyonunu gerçeğin kaynağı olarak kullanır. Bu, halüsinasyon riskini büyük ölçüde azaltır ve gerçek şirket politikaları ve prosedürleriyle uyumlu tutarlı, doğru yanıtlar sağlar.
Yükseltme sistemi, olasılıksal karar verme yerine tanımlanmış kurallar kullanır. Belirli tetikleyiciler gerçekleştiğinde—müşteri açıkça insan yardımı talep eder, AI güveni eşiğin altına düşer, konuşma karmaşıklığı tanımlı parametreleri aşar—devretme tam bağlam aktarımıyla otomatik olarak gerçekleşir.
İstek doğrulama, keyfi müşteri iletişim stillerini anlamaya çalışmak yerine şablon eşleştirme ve gerekli alan kontrolü yoluyla çalışır. Bu pragmatik yaklaşım, doğal dil anlama karmaşıklığı olmadan eksik gönderilerin %90’ını ele alır.
Uygulama üzerine düşünerek, Štofira ayrıca AI’nın bu sonuçları verebilmesi için var olması gereken ön koşulları belirliyor:
Organize Bilgi: Kapsamlı, iyi bakımlı bir dokümantasyon çok önemlidir. AI, dağınık kabile bilgisini sihirli bir şekilde organize edemez. Çalışmak için yapılandırılmış, erişilebilir bilgiye ihtiyaç duyar.
Net Süreç Tanımı: Yükseltme kuralları, kategorizasyon şemaları ve yanıt şablonları açıkça tanımlanmalıydı. AI’nın içinde çalışması için yapıya ihtiyacı vardır, “iyi muhakeme” hakkında belirsiz kılavuzlara değil.
Yinelemeye Bağlılık: Mevcut performans, ilk dağıtımdan değil, aylarca iyileştirmeden kaynaklandı. Ekip, günlük izleme, sürekli istem iyileştirme ve gerçek müşteri etkileşimlerine dayalı devam eden SSS genişletmesine kendini adadı.
Entegrasyon Yeteneği: AI fonksiyonlarını API’ler aracılığıyla mevcut sistemlerle bağlama yeteneği, aşamalı dağıtımı mümkün kıldı. Bu olmadan, ekip denemeye çok riskli olacak her şey ya da hiçbir şey sistem değişimiyle karşı karşıya kalacaktı.
Gerçekçi Beklentiler: Yönetim, AI’nın öğrenme zamanı gerektireceğini ve hemen en yüksek performansa ulaşmayacağını anladı. Bu sabır, ekibin ilk kusur belirtisinde sistemleri terk etmek yerine düzgün bir şekilde optimize etmesini sağladı.
Sunum, ekibinin araştırdığı gelecekteki yönlerin kısa bir bahsiyle sona erdi. Bunlar arasında AI yanıt asistanı yeteneklerini sohbetin ötesinde e-posta tabanlı taleplere genişletmek, çözülmüş destek etkileşimlerini bilgi tabanı makalelerine dönüştüren otomatik iş akışları geliştirmek ve özerk talep işlemeyi WhatsApp ve sosyal medya platformları dahil ek iletişim kanallarına genişletmek yer alıyor.
Bu çerçeve, AI ile nereden başlayacağını değerlendiren destek liderleri için pratik rehberlik sunar.
En yüksek hacimli, en tekrarlayan destek etkileşimlerinizi belirleyerek başlamak önemlidir. Bunlar en iyi başlangıç hedeflerini temsil eder çünkü başarı en ulaşılabilir ve etki en ölçülebilirdir. Bu yaklaşım sizi erken tükenmişlikten kurtaracaktır. Kapıdan çıkar çıkmaz mükemmellik beklemeyin, ancak performansı izleyin ve iyileştirme için alan bulun. Yalnızca net kurallar, yeterli bilgi kaynakları ve bir öğrenme döngüsü ile AI gerçekten destek operasyonlarınıza fayda sağlamaya başlayabilir.
LiveAgent’ın sonuçları, müşteri desteğinde AI’nın net başarı kriterleri ve gerçekçi beklentilerle düşünceli bir şekilde uygulandığında işe yaradığını gösteriyor. Soru, AI’nın destek operasyonlarını iyileştirebileceği değil, ekiplerin bu iyileştirmeleri sürdürülebilir kılan sistematik, fonksiyon fonksiyon yaklaşıma kendini adayıp adayamayacağıdır.
Jozef’in operasyonel çerçevesi, AI fonksiyonlarının uygulamada nasıl çalıştığını, ölçekte müşteri desteğinin günlük gerçekliğini ele aldığını gösteriyor. Karmaşık AI uygulamasıyla ilgileniyorsanız, serideki diğer makalelerimize göz atın:
Michal Lichner’in uygulama yol haritası stratejik temeli kurdu—AI çabalarına nerede odaklanılacağı ve dağıtımdan önce içerik ve süreçlerin sistematik olarak nasıl hazırlanacağı.
Viktor Zeman’ın teknik altyapısı destek operasyonlarını otomatikleştirdikten sonra, müşterilerin sizi AI aracılı arama ve ticaret protokolleri aracılığıyla gerçekten keşfedebilmesini sağlar.
Birlikte, bu üç perspektif eksiksiz bir resim oluşturur: AI aracılı ticaret ortamında e-ticaret için stratejik planlama, operasyonel yürütme ve teknik altyapı.
Altı fonksiyon şunlardır: (1) Seviye 1 sorgularını yönlendirmek için AI Chatbot, (2) Bağlamsal analiz yoluyla Anti-spam, (3) Veri bütünlüğü için Otomatik kategorizasyon, (4) İstek doğrulama ve eksiksizlik kontrolü, (5) Yanıt hızlandırma için Yanıt asistanı, ve (6) Akıllı yükseltme ve devretme. Her fonksiyon, monolitik AI dönüşümü denemek yerine belirli bir operasyonel darboğazı hedefler.
Fonksiyon fonksiyon, en yüksek hacimli, en tekrarlayan etkileşimlerle başlayarak aşamalı olarak uygulayın. Her fonksiyonu ayrı ayrı devreye alın, başarıyı ölçülebilir metriklerle doğrulayın, ardından genişletin. Blog sayfası sohbetleri veya otomatik kategorizasyon gibi başarının en ulaşılabilir olduğu alanlarla başlayın, teknik destek senaryolarıyla uğraşmadan önce güven oluşturun. Günlerce devreye alma değil, aylarca optimizasyon planlayın.
Temel ön koşullar şunlardır: kapsamlı dokümantasyona sahip organize, erişilebilir bilgi tabanları; yükseltme kuralları ve kategorizasyon şemaları için net süreç tanımları; mevcut yardım masası sistemleriyle API entegrasyon yeteneği; günlük izleme ve yinelemeli iyileştirme taahhüdü; ve mevcut performansın hemen mükemmellik değil, aylarca iyileştirme gerektirdiğine dair gerçekçi beklentiler.
Yaşam döngüsü tüm fonksiyonları entegre eder: Aşama 1 (Akıllı Giriş) istekleri filtrelemek ve yönlendirmek için anti-spam ve otomatik kategorizasyon kullanır. Aşama 2 (Ajan Hızlandırma) yanıt taslakları için yanıt asistanını etkinleştirir ve rutin onayları otomatikleştirir. Aşama 3 (Hibrit Sohbet) chatbot işlemesini insan ajanlara akıllı yükseltme ile birleştirir. Aşama 4 (Öğrenme Döngüsü) AI yeteneklerini zaman içinde genişletmek için insan etkileşimlerinden bilgi boşluklarını yakalar.
Maria, FlowHunt'ta bir metin yazarıdır. Edebiyat topluluklarında aktif bir dil meraklısı olarak, yapay zekanın yazma şeklimizi dönüştürdüğünün tamamen farkında. Karşı çıkmak yerine, AI iş akışları ile insan yaratıcılığının vazgeçilmez değeri arasında mükemmel dengeyi tanımlamaya yardımcı olmayı hedefliyor.
LiveAgent'ın destek ekibini dönüştüren altı AI fonksiyonunu oluşturun—chatbot yönlendirme, anti-spam, otomatik kategorizasyon, istek doğrulama, yanıt asistanı ve akıllı yükseltme.
LiveAgent'ın Destek Ekibi'nin, FlowHunt'ın AI chatbot'unu uygulayarak bilet kategorilendirmesini otomatikleştirmesi, insan temsilcilere akıllı devretme sağlamas...
FlowHunt, kullanıcıların özel araçlar oluşturmasını sağlayan kodsuz bir platform ile zahmetsiz AI otomasyonu sunar. LiveAgent ve PostAffiliatePro'nun yaratıcısı...
FlowHunt ile LiveAgent'ın gelişmiş entegrasyonu için teknik bir rehber: dil hedefleme, markdown bastırma, spam filtresi, API versiyonlama, LLM model seçimi, iş ...
