Malayo na ang software sa automation ng serbisyo sa customer sa scripted bot na itinutugma ang tanong sa isang decision tree at sumusuko kapag iba ang pagkakasabi. Ang bersyong sulit bilhin ngayon ay nasa tabi ng agent: binabasa nito ang buong thread, gumagawa ng draft ng sagot at ipinapasa ito para ma-review.

Dahil dito, iba na ang tanong kapag bibili. Hindi na kung kaya ng tool na sumagot, kundi kung gaano kalaking bahagi ng sagot ang inihahanda nito, gaano kalaki pa ang hawak ng tao, at sino ang nagbabayad sa model provider kapag lumaki ang volume.

Ano ang ginagawa ng software sa automation ng serbisyo sa customer

Sa likod ng pangalan ng kategorya ay may maikling listahan ng kongkretong trabaho. Paikliin ang mahabang thread sa tatlong linya. Gumawa ng draft ng sagot batay sa sarili mong help content. Alamin ang intent at iruta ayon dito. Basahin ang sentiment. Magsalin papunta at pabalik. I-tag ang usapan para may mabilang ang mga ulat.

Walang kahanga-hanga sa alinman dito kapag mag-isa. Pero bawat isa ay nag-aalis ng isang antala o isang manual na hakbang, at ang mga antalang iyon ang nararamdaman ng customer.

Pinakamalaki ang naiipong epekto sa mga bagong empleyado. Ang taong nasa ikalawang linggo pa lang ay nakakasagot nang halos kasinghusay ng nasa ikalawang taon na, dahil dala na ng draft ang patakaran, ang history ng account, ang tamang tono at ang huling tatlong order.

Ano ang hindi nito ibig sabihin

Hindi ibig sabihin ng automation dito na awtomatikong ipinapadala ang mga sagot nang walang tumitingin. Sa bawat kakayahang nasa ibaba, may taong nakakakita ng draft bago ito ipadala, at naka-set up ang platform para iyon ang karaniwang daloy at hindi ang eksepsiyon.

Tatlong antas ng automation, at alin ang bibilhin

Parehong salita ang gamit ng mga vendor para sa magkakaibang kilos, kaya makakatulong na paghiwalayin ang mga antas ayon sa kung sino ang mananagot sa ipinadalang mensahe.

AntasSino ang sumusulatSino ang nagpapadalaPumapalya kapag
Scripted flowIkaw, nang maagaAng systemHindi nakilala ang tanong
CopilotAng modelAng agentNasayang ang isang click sa review
Autonomous agentAng modelAng systemNakapagpadala ng maling sagot

May silbi pa rin ang scripted flows sa makikitid at madalas na tanong na halos hindi nag-iiba ang pagkakasabi: status ng order, oras ng bukas, pag-reset ng password.

Copilot ang default para sa lahat ng iba pa, dahil ang pinakamasamang maaaring mangyari rito ay ilang segundong sayang, samantalang sa autonomous agent ay isang customer ang maaaring mawala.

Pinakamainam para sa karamihan ng team: scripted flows sa limang pinakamadalas na tanong, copilot sa lahat ng iba, at autonomous lang kung saan madaling bawiin ang maling sagot.

Ang copilot model sa loob ng inbox

Sa copilot na paraan, ang model ang naghahanda at ang agent ang nagpapasya. Lumalabas ang draft sa tabi ng usapan kasama ang mga pinagkunan nito, at ang agent ang mag-e-edit, papalit o magpapadala nito.

Hindi pormalidad ang hakbang na review. Ito ang kontrol na nagpapanatili sa paminsan-minsang maling sagot sa loob ng kumpanya mo, sa halip na umabot sa mailbox ng customer.

Dito rin nanggagaling ang senyales kung gumagana ang automation. Bawat edit ay isang may-label na pagtatama, at ang dalas ng mga edit na iyon ang tapat na sukatan ng kalidad na tatalakayin sa ibaba.

Ang draft panel at ang mga pinagkunan nito ay nasa AI assistant.

Kung saan umaabot ang automation lampas sa reply box

Kung ituturing ang AI na widget na idinikit lang sa live chat, masasayang ang karamihan ng kakayahan nito. May trabaho ang parehong layer sa bawat module na humahawak ng usapan.

Sa knowledge base, gumagawa ito ng draft ng artikulo mula sa mga na-resolve na thread at minamarkahan ang mga pahinang salungat sa mas bagong sagot. Kapag hindi napapansin ng software ng knowledge base para sa suporta sa customer na luma na ang laman nito, doon karaniwang humihinto ang self-service sa pagbabawas ng mga tanong.

Sa pagruruta, binabasa nito ang intent bago pa ang tao, kaya ang tanong tungkol sa billing ay diretsong napupunta sa pila ng billing nang hindi dumadaan sa triage.

Sa mga ulat, pinapangkat nito ang mga usapan ayon sa tunay na itinanong ng customer, hindi ayon sa tag na naalalang ilagay ng agent. Iyon ang nagpapabago sa bilang ng ticket para maging batayan ng desisyon sa produkto.

Sa outbound na trabaho, ang parehong klasipikasyon ang nagtatakda ng mga segment ng campaign, kaya hindi napapadalhan ng upsell ang mga kakareklamo pa lang.

Ang saklaw ng mga channel at ang mga rule ng pagruruta ay inilalarawan sa pahina ng shared inbox.

Ang saklaw sa iba't ibang module din ang nagtatakda kung gaano karami sa sarili mong materyal ang naaabot ng assistant. Ang assistant na kasalukuyang chat lang ang nakikita ay doon lang din kumukuha ng isusulat, samantalang ang assistant na nakikita ang profile ng customer, ang history ng order at ang huling tatlong ticket ay gumagamit ng lahat ng iyon.

Sariling AI: sino ang may hawak ng account sa model provider

Dalawang tanong ang halos laging napaghahalo sa demo. Ang kayang gawin ng assistant ay tanong tungkol sa produkto. Kung sino ang may hawak ng account sa model provider ay tanong na pangkomersyo, at ito ang nagtatakda kung bababa o tataas ang kabuuang gastos mo habang gumaganda ang automation.

Kapag platform ang may hawak ng account, lumalabas ang paggamit ng model bilang hiwalay na singil ng platform, kadalasan bilang credits o seats. Tumataas tuloy ang gastos habang nagtatagumpay ka: habang dumarami ang usapang hawak ng AI, mas marami kang binibili sa vendor, kasama ang patong nito.

Baligtad ito kapag sariling AI ang gamit mo. Ikinokonekta mo ang sarili mong provider key, direktang sinisingil sa iyo ng provider ang mga token, at walang patong ang platform. Ganito gumagana ang RolChat sa mga text model mula sa pitong provider at sa mga voice model mula sa apat.

Bakit mahalaga kung sino ang may hawak ng account

Kapag sarili mong key ang gamit, ang pagbuting nagdodoble sa awtomatikong volume ay nagdodoble sa singil ng provider na nakikita mo at puwede mong ipakipagtawaran. Kapag naka-bundle na credits, ang parehong pagbuti ay nagdodoble sa isang linya sa invoice na hindi ikaw ang nagtatakda ng presyo kada unit.

Nakadepende ang gastos sa token sa context, hindi sa dami ng usapan

Ang mga team na bago pa lang sa sariling key ay kadalasang umaasang susunod ang singil sa bilang ng usapan. Pero haba ng context ang talagang sinusundan nito.

Ang sagot na dina-draft mula sa huling apat na mensahe ay maliit na bahagi lang ng gastos ng parehong sagot na dina-draft mula sa thread na may animnapung mensahe, at mas mahal pa sa dalawa ang buod ng buong thread na iyon.

Kaya tatlong setting ang may pinakamalaking epekto: gaano kalayo pabalik ang abot ng context window, kung tumatakbo ang buod sa bawat thread o sa mahahaba lang, at kung tatlo o tatlumpung help article ang kinukuha ng retrieval.

Wala sa mga ito ang makikita sa pahinang naghahambing ng mga plan. Makikita ito sa dashboard ng provider sa unang linggo pa lang, at iyon ang dahilan para ikaw mismo ang humawak ng account.

Pagpili ng model para sa bawat gawain

Ang iisang model para sa lahat ng trabaho ay ang mahal na default. Malinaw na nahahati ang trabaho ayon sa kung gaano kalaking pagpapasya ang kailangan ng bawat gawain.

GawainKailanganMakatwirang pili
Pag-tag at intentBilis, mababang gastos, pare-parehong outputMaliit at mabilis na model
Pag-draft ng sagotTono, pag-unawa sa historyKatamtaman o malaking model
Patakaran at refundIngat, eksaktong pananalitaAng pinakamalakas na model na available
PagsasalinSaklaw ng mga wika moKung aling provider ang pinakamahusay sa mga ito

Kadalasang mas malaki ang natitipid sa ganitong paghahati kaysa sa anumang pag-aayos ng prompt, dahil mura ang mga gawaing mataas ang volume at tumatakbo lang ang mahal na model kung saan sulit ito.

Praktikal na panimulang hati: mabilis na model para sa klasipikasyon at pag-tag, katamtamang model para sa mga draft, at ang pinakamalakas para sa usaping pera at patakaran.

Nagbabago ang pagruruta bago pa maisulat ang anumang draft

Karamihan ng nakikitang pakinabang ay nangyayari bago pa may sumulat ng kahit isang salita. Nangyayari ang klasipikasyon pagdating ng mensahe, kaya pagbukas ng agent, naka-tag na ang usapan, nasa tamang pila na at may priority na.

Nawawala tuloy ang triage shift, ang hakbang na idinadagdag ng mga team kapag lumaki ang volume at tinatanggal kapag wala nang taong hahawak dito.

Nagbabago rin ang sinusukat ng SLA. Ang orasang nagsisimula kapag unang nabasa ng tao ang mensahe ay gumagantimpala sa bilis ng triage. Ang orasang nagsisimula pagdating ng mensahe ay gumagantimpala sa mismong mahalaga sa customer, at ang awtomatikong klasipikasyon ang nagpapagana sa pangalawang ito.

Ang pangalawang epekto ay sa escalation. Kapag nakakabit na ang intent at sentiment mula sa unang mensahe, ang rule na nagpapasa ng galit na billing thread sa senior agent ay puwedeng gumana agad, hindi na sa ikalawang sagot.

Sulit tingnan sa demo: kung tumatakbo ang klasipikasyon pagdating ng mensahe o sa unang pagbukas, dahil ang una lang ang nag-aalis sa triage.

Datos na hindi dapat maabot ng assistant

Ang pagbatay ng assistant sa sarili mong content ay nangangahulugang kailangan mong itakda kung ano ang itinuturing na sarili mong content. Ang mga na-resolve na usapan ang pinakakapaki-pakinabang na materyal, at sila rin ang pinakamalamang na may numero ng card at ID na idinikit ng customer sa chat.

Tatlong kontrol ang may pinakamabigat na papel: pagtatakip ng sensitibong datos bago pa umabot sa model, limitasyon sa pagtatago ng mga transcript, at rule na sa mga na-publish na help article kumukuha ang assistant, hindi sa hilaw na thread.

Kasama rin sa desisyong ito ang pahintulot (consent). Ibinebenta ng RolChat ang consent management bilang add-on na $5 kada site sa bawat plan, kasama ang Lite.

Ang mga kahilingang magbura ng datos ang madalas makalusot sa mga team. Ang record na binura sa help desk pero nasa vector index pa ay record pa rin, kaya tiyaking umaabot ang pagbura sa retrieval at hindi lang sa listahan ng ticket.

Ang mga limitasyon sa pagtatago ng datos at mga role sa access ay nakalatag sa pahina ng seguridad.

Pagpapanatiling tama at tugma sa brand ang mga sagot

Dalawang setting ang nagtatakda kung maipapadala mo ang output o kailangan mo pa itong isulat muli.

Ang una ay grounding. Dina-draft ang mga sagot mula sa aprubadong materyal: mga help article at na-resolve na usapan, at dala ng draft ang mga pinagkunan nito. Ang sagot na walang pinagkunan ay hula lang na nagpapanggap na sigurado.

Ang pangalawa ay boses ng brand. Ang setting ng tono at glosaryo ng mga terminong ginagamit at hindi ginagamit mo ang nagpapatunog sa mga draft na parang team mo, hindi parang generic na assistant.

Lalong mahalaga ang glosaryo kapag maraming wika. Ang mga pangalan ng produkto at legal na termino ang mismong mga salitang kusang isasalin ng translation layer kung hindi ito sasabihang huwag.

Sumasaklaw ang RolChat sa 40 wika para sa interface at widget, at iisang glosaryo ang gumagana sa lahat ng ito.

Boses: parehong tanong, mas mahigpit na oras

Mas mataas ang taya sa boses dahil walang draft na mare-review. Binibigkas ang sagot habang binubuo ito, kaya kailangang tama na ang grounding bago pa ang tawag at hindi na maitatama sa mismong sandali.

Ang praktikal na hati ay ayon sa kahihinatnan. Speech to text sa bawat tawag, dahil may silbi ang transcript kahit hindi ito perpekto. Awtomatikong sagot na binibigkas lang kung saan mura ang pagkakamali: oras, status, pagruruta.

Malapit na ang telephony sa RolChat, at hiwalay sa plan ang magiging singil sa minuto ng tawag. Kaya ang volume ng boses ay magiging linyang binabantayan mo nang hiwalay, hindi sorpresang nakatago sa presyo ng seat.

Ang mga voice model at ang nakaplanong paghawak ng tawag ay tinatalakay sa pahina ng boses.

Kasinghalaga ng mga setting ang pagkakasunod-sunod ng rollout. Ang mga team na sabay-sabay na binubuksan ang lahat ay hindi matukoy kung aling pagbabago ang gumalaw sa aling numero, kaya nauuwi sa pagpapanatili ng lahat o pag-alis ng lahat.

Ang malinaw na pagkakasunod-sunod ay klasipikasyon muna, sunod ang mga draft sa isang pila, tapos mga draft sa lahat ng pila, at saka ang anumang autonomous na paghawak. May sariling bago at pagkatapos ang bawat hakbang.

Pagsukat kung gumana ang automation

Deflection rate ang unang ipinapakita ng mga vendor at ito rin ang pinakamahinang sukatan, dahil ang usapang natapos nang walang tao ay puwedeng nagtapos sa sagot o sa customer na sumuko na lang.

Mas marami ang sinasabi ng apat na numero. Edit rate sa mga draft, na bumababa habang gumaganda ang grounding. First response time, kung saan nababawi ng copilot ang gastos nito. Reopen rate, na humuhuli sa mga sagot na mukha lang tapos. At customer rating na hinati sa awtomatiko at pantaong paghawak.

Basahin ang mga ito kasabay ng singil ng provider sa parehong panahon. Ang kalidad na tumataas habang bumababa ang gastos kada usapan ang resultang sulit panatilihin; hindi sapat ang isa lang sa dalawa.

Itakda muna ang baseline

Kailangan ng lahat ng apat na numero ang sukat bago ang rollout. Ang mga team na lumalaktaw sa baseline ay nauuwi sa pagtatalo kung may nagbago ba, nang walang paraan para malaman.

Mga limitasyong dapat sabihin nang tapat

Dalawang limitasyon ang dapat sabihin nang tapat. Ang on-premise deployment ay kaayusang pang-Enterprise at hindi available sa mas mababang plan. Ang mga model na tumatakbo sa sarili mong hardware ay nakaplano pa lang at hindi pa available, kaya kung kailangan mo ngayon ng local inference, hindi pa iyon natutugunan ng RolChat.

Ang presyo ay kada kumpanya, hindi kada agent: mula $19 sa Lite, may presyo ang Enterprise kapag hiniling, at may 30-araw na libreng trial.

Ang laman ng bawat plan at kung ano ang binibilang sa bawat limitasyon ay nasa pahina ng presyo.

Mas madali ring suriin ang automation kapag nasa iisang lugar na ang mga channel sa likod nito, at iyan ang paksa ng kasamang gabay.

Mga madalas itanong

Ano talaga ang ina-automate ng software sa automation ng serbisyo sa customer?

Pagbubuod ng thread, pag-draft ng sagot mula sa aprubadong content, pag-alam ng intent, pagruruta, pag-tag at pagsasalin. Sa copilot na paraan, inihahanda nito ang lahat ng iyon at ang agent ang nagpapasya kung ano ang ipapadala.

Papalitan ba ng AI ang mga agent ng serbisyo sa customer?

Hindi sa copilot model, na siyang dapat gamitin ng karamihan ng team. Ang model ang nagda-draft, at ang agent ang nagre-review at nagpapadala. Ang nawawala ay ang paulit-ulit na paghahanda, hindi ang taong mananagot sa sagot.

Ano ang ibig sabihin ng sariling AI (bring-your-own-AI)?

Ikinokonekta mo ang sarili mong provider key, kaya direktang sinisingil sa iyo ng provider ang mga token nang walang patong ng platform. Ibig sabihin din nito, puwede kang magpalit ng model o provider nang hindi nagpapalit ng help desk.

Magkano ang gastos sa pagpapatakbo ng AI?

Mas nakadepende ito sa haba ng context kaysa sa bilang ng usapan. Mahahabang thread, buod sa bawat usapan, malawak na retrieval at paulit-ulit na pagbubuod ang mga setting na gumagalaw sa singil, at ikaw ang nagtatakda ng lahat ng iyon.

Aling model ang dapat humawak sa aling gawain?

Maliit at mabilis na model para sa pag-tag at intent, katamtaman o malaking model para sa mga draft, at ang pinakamalakas na available na model para sa refund at pananalita ng patakaran. Kadalasang mas malaki ang natitipid sa paghahati ayon sa gawain kaysa sa pag-aayos ng prompt.

Paano pipigilan ang AI na mag-imbento ng sagot?

Ibatay ito sa aprubadong help content para dala ng bawat draft ang mga pinagkunan nito, panatilihin ang hakbang na review, at bantayan ang edit rate at reopen rate pagkatapos ng launch, hindi lang ang deflection.

Puwede bang tumakbo ang mga model sa sarili naming server?

Available ang on-premise deployment sa Enterprise. Ang mga self-hosted model ay nakaplano pa lang at hindi pa available ngayon, kaya hindi pa natutugunan ang mahigpit na pangangailangan sa local inference.

Gumagana ba ang automation sa iba't ibang wika?

Oo. Sumasaklaw ito sa 40 wika para sa interface at widget, at may pagsasalin papunta at pabalik. Ilagay sa glosaryo ang mga termino ng produkto at legal para hindi galawin ng translation layer.

Ruslan Nazarov
Ruslan Nazarov
Pinuno ng SEO sa RolChat

Nagsusulat tungkol sa operasyon ng suporta sa customer, live chat, serbisyong tinutulungan ng AI, at mga tool sa likod ng magandang karanasan ng customer.

LinkedIn

Handa ka na bang pag-isahin ang suporta sa customer mo?

Pagsamahin ang chat, mga messenger, AI at CRM sa iisang RolChat workspace.