טקסונומיה טובה ל-Intelligent Triage היא רשימה של סיבות פנייה, שלכל אחת מהן יש פעולה אחרת. לכל נושא יש שם ברור, תיאור במילים של הלקוח, שתי דוגמאות, ומשפט שמסביר במה הוא שונה מהנושא הקרוב אליו. מעליו יש נושא ראשי שמזין את הניתוב. ה-AI של Zendesk מסווג טוב בדיוק כמו התיאורים שנותנים לו.
בניתי כזו לחברת תיירות אונליין עם צוות שירות של כ-30 נציגים. הם עברו ל-Zendesk משלוש מערכות שונות, והניתוב שלהם התבסס על רשימת נושאים שגדלה עם השנים בלי סדר. במאמר הזה אני מפרק את התהליך, מה עבד ומה כדאי לעשות אחרת.
למה רשימת הנושאים שלכם כנראה לא עובדת
רוב רשימות הנושאים בחשבונות Zendesk נבנו בשביל דוחות, לא בשביל AI. הנציג בוחר ערך מתוך dropdown, ואף אחד לא צריך להבין את ההבדל בין "בעיה בלינה" ל"תלונה על הלינה". הנציג יודע.
ה-AI לא יודע. הוא רואה רק את שם הנושא ואת התיאור שלו. כשהתיאורים חסרים או חופפים, Intelligent Triage מנחש, והטיקט מגיע לצוות הלא נכון. בחשבון שלנו הבעיה הייתה כפולה. ראש הצוות החזיק רשימה אחת של נושאים, ב-Zendesk הייתה רשימה אחרת, וה-Skills לניתוב היו מותאמים לטקסט חופשי.
שלב 1: מתחילים מפעולה, לא משם
לכל נושא ברשימה שאלנו שאלה אחת: מה קורה אחרת בגלל שהטיקט סווג כך? צוות אחר, עדיפות אחרת, תהליך אחר. אם התשובה היא "כלום", הנושא לא צריך להיות נושא נפרד.
כך נראו ההחלטות בפועל, על 79 השורות בגיליון (78 נושאים פעילים, ואחד שכובה כי היה כפול):
| החלטה | נושאים |
|---|---|
| נשמר כמו שהוא | 42 |
| אוחד עם נושא אחר | 12 |
| שונה שם | 10 |
| נושא חדש | 9 |
| נוסף לו תיאור | 6 |
דוגמה לאיחוד: ברשימה המקורית היו "פרוטוקול משבר: מיון פניות של הרבה לקוחות" ו"תקשורת קבוצתית בזמן משבר". שניהם הם נוהל עבודה של הנציגים, לא סיבה שבגללה לקוח פונה. הלקוח שואל "השביתה בשדה התעופה תשפיע על הטיסה שלנו?". לכן אוחדו לנושא אחד: הפרעה רחבה, כמו שביתה, סגירה או מזג אוויר קיצוני. הנוהל נשאר במסמכי הצוות.
שלב 2: שני מימדים. נושא ראשי, ושלב הלקוח
כל נושא שויך לנושא ראשי אחד מתוך 12, כמו לינה, טיסות, העברות, תשלומים, ביטולים ומסמכים. נוספו גם שני נושאים ראשיים חדשים: "אירועים והפרעות" ו"תלונות". הנושא הראשי הוא מה שהניתוב ודוחות המנהלים עובדים איתו.
המימד השני הוא השלב שבו הלקוח נמצא: לפני הזמנה, אחרי הזמנה, בזמן הטיול, אחרי הטיול. בחברת תיירות זה משנה הכול. "אין מצעים בדירה" ששואלים לפני ההזמנה היא שאלת מידע. אותו משפט מלקוח שכבר עומד בדירה הוא בעיה דחופה. לכן יש נושא נפרד לגרסה של "בזמן הטיול", והוא מנותב לצוות אחר ובעדיפות גבוהה יותר.
החלוקה בסוף: 40 נושאים של אחרי הזמנה, 30 של בזמן הטיול, ומעט נושאים בשאר השלבים. זה משקף איפה הלקוחות באמת צריכים עזרה, ולא איפה החברה מוכרת.
שלב 3: תיאור שה-AI מבין
זה החלק שהכי משפיע על הדיוק. כל תיאור נבנה מארבעה חלקים:
- מתי הנושא חל, במשפט אחד, מנקודת המבט של הלקוח.
- ההקשר: באיזה שלב הלקוח נמצא ומה כבר קרה.
- במה זה שונה מהנושא הקרוב.
- שתי דוגמאות במילים שלקוח באמת כותב, כולל סלנג וטעויות.
דוגמה, מתורגמת מאנגלית:
סירוב צ'ק-אין במקום הלינה. הלקוח הגיע למקום הלינה בזמן הטיול, והמקום מסרב לתת לו להיכנס, כי אין לו רישום של ההזמנה, ההזמנה בוטלה, יש הזמנת יתר או שהתשלום לא התקבל. יש שם מישהו, אבל הוא לא נותן ללקוח את החדר. זה לא אותו דבר כמו לקוח שננעל בחוץ ואף אחד לא עונה. לדוגמה: "בקבלה אומרים שאין הזמנה על השם שלנו", "לא נותנים לנו להיכנס, אומרים שהחדר לא שולם".
המשפט המודגש עושה את רוב העבודה. בלעדיו, שני הנושאים נראים למודל כמעט אותו דבר: לקוח, מקום לינה, אי אפשר להיכנס. איתו, ההבדל ברור: יש מישהו שמסרב, לעומת אין אף אחד.
כלל אצבע: אם שני נושאים מנותבים לצוותים שונים, התיאור של כל אחד מהם צריך להזכיר את השני במפורש.
שלב 4: Entities וסינונימים, כגיבוי
לצד ה-Intent הגדרנו Entity בשם "נושא ראשי", עם רשימת סינונימים לכל ערך. למשל, תחת "לינה": מלון, דירה, צ'ק-אין, קוד לתיבת מפתחות, חצי פנסיון, פיקדון, ננעלנו בחוץ.
שלושה דברים שכדאי לדעת:
- אין API ל-Entities. מזינים אותם ידנית ב-Admin Center. כדאי לשמור את הרשימה בקובץ, כדי שיהיה ממה לשחזר.
- מגבלה של 30 סינונימים לכל ערך. בוחרים את המילים שלקוחות באמת כותבים, לא מילים נרדפות מהמילון. אנחנו בנינו את הרשימה מהניסוח של כ-4,000 טיקטים שנציגים כבר תייגו.
- ה-Entity הוא גיבוי, לא המקור. כשיש Intent, הוא מנצח. ה-Entity ממלא את השדה רק בטיקטים שה-Intent לא זיהה.
שלב 5: מה-Intent לשדות ולניתוב
Intent שלא מחובר לשום דבר הוא רק דוח. אצלנו כל ערך של Intent ממלא שני שדות בטיקט, נושא ראשי ונושא משני, וה-Skills לניתוב מותאמים לשדה הנושא הראשי.
החיבור נבנה כטריגר לכל זוג של נושא ראשי ונושא משני, ונוצר בסקריפט ישירות מהגיליון. כך אף אחד לא מעתיק 78 ערכים ביד. שתי החלטות שחסכו הרבה כאב ראש:
- שימוש רק בערכים קיימים. הנושא המשני ממופה רק לערכים שכבר קיימים בשדה, בלי להוסיף חדשים. כך הדוחות ההיסטוריים ממשיכים לעבוד.
- "פעם אחת" ולא "רק כשהשדה ריק". ה-Entity וה-Intent נכתבים באותו עדכון מערכת, וטריגר לא יכול להבחין ביניהם. לכן הטריגר דורס את הניחוש של ה-Entity בעדכון הראשון, ומוסיף תגית. מאותו רגע, אם נציג שינה את הנושא, השינוי שלו נשמר.
הגיליון עצמו הוא מקור האמת. לכל שורה יש עמודה של "השפעה על Skills ונציגים". כשנושא כובה או הועבר, כתוב שם בדיוק אילו נציגים צריך להעביר. 69 מתוך 79 השורות היו "אין השפעה". את השאר בדקנו אחת אחת לפני ההפעלה.
מה הייתי עושה אחרת
- להתחיל מהטיקטים, לא מהרשימה. רשימת הנושאים של ראש הצוות הייתה נקודת פתיחה טובה, אבל הסינונימים הכי טובים הגיעו מטקסט של טיקטים אמיתיים. הייתי מתחיל משם.
- לכתוב את "זה לא X" כבר מהתחלה. רוב התיקונים לתיאורים אחרי הבדיקה הראשונה היו הוספה של משפט ההבדלה.
- להחליט מוקדם מה נוהל ומה נושא. כל "פרוטוקול" ו"תהליך" ברשימה הוא סימן שמשהו לא במקום.
לסיכום
Intelligent Triage של Zendesk חוסך לנציגים את השאלה "מה הלקוח רוצה ולמי זה שייך". אבל הוא לא ממציא את הטקסונומיה בשבילכם. רשימה של נושאים שלכל אחד מהם יש פעולה, תיאורים שמסבירים את ההבדל בין נושאים קרובים, ושדה אחד שהניתוב סומך עליו, הם מה שהופך את ה-AI מצעצוע לחלק מהתפעול.
אם הניתוב שלכם ב-Zendesk עדיין נשען על נציג שבוחר מתוך רשימה ארוכה, נשמח לעזור לבנות את זה נכון. ואם אתם רוצים שהטיקט יגיע עם כל פרטי הלקוח מה-CRM עוד לפני הסיווג, כתבתי על Action Flow להעשרת טיקטים.