Lumipas na ang customer service automation software mula sa scripted bot na tumutugma lang ng tanong sa isang decision tree at sumusuko kapag nagbago ang pananalita. Ang bersyon na sulit bilhin ngayon ay nasa tabi ng agent, binabasa ang buong thread, gumagawa ng draft na sagot, at ibinibigay ito para sa review.
Binabago ng pagbabagong iyon ang tanong sa pagbili. Hindi na ito kung kaya ba ng tool na sumagot, kundi kung gaano karami ng sagot ang inihahanda nito, gaano karami ang pag-aari pa rin ng tao, at sino ang nagbabayad sa model provider kapag lumaki ang volume.
Ano ang ginagawa ng customer service automation software
Sa likod ng pangalan ng kategoryang ito ay may maikling listahan ng mga kongkretong gawain. Ibuod ang mahabang thread sa tatlong linya. Gumawa ng draft na sagot batay sa sarili mong help content. Uriin ang intent at i-route nang naaayon. Tukuyin ang sentiment. Isalin sa dalawang direksyon. I-tag ang usapan para may bagay na mabibilang ang reporting.
Wala sa mga ito ang kapansin-pansin nang mag-isa. Inaalis ng bawat isa ang isang pagkaantala o isang manu-manong hakbang, at ang mga pagkaantala ang nararamdaman ng mga customer.
Ang pinagsama-samang epekto ay lumalabas sa mga bagong hire. Ang isang tao sa kanyang ikalawang linggo ay sumasagot nang halos kapantay ng pamantayan ng isang taong nasa kanyang ikalawang taon, dahil taglay na ng draft ang polisiya, kasaysayan ng account, tamang tono, at ang huling tatlong order.
Ang automation dito ay hindi nangangahulugang unattended na mga sagot bilang default. Ang bawat kakayahan sa ibaba ay ipinapalagay na makikita ng isang tao ang draft bago ito maipadala, at ang platform ay na-configure para gawing normal ang landas na iyon sa halip na exception.
Tatlong antas ng automation, at alin ang dapat bilhin
Ginagamit ng mga vendor ang parehong mga salita para sa lubos na magkaibang gawi, kaya makatutulong na paghiwalayin ang mga antas ayon sa kung sino ang mananagot sa mensaheng naipadala.
| Antas | Sino ang sumusulat | Sino ang nagpapadala | Bumabagsak sa |
|---|---|---|---|
| Scripted flow | Ikaw, nang maaga | Ang sistema | Hindi pagkilala sa tanong |
| Copilot | Ang model | Ang agent | Pag-aaksaya ng isang review click |
| Autonomous agent | Ang model | Ang sistema | Pagpapadala ng maling sagot |
Karapat-dapat pa rin ang scripted flow sa makitid, mataas-ang-volume na mga tanong kung saan bahagya lang nagbabago ang pananalita: status ng order, oras ng pagbukas, pag-reset ng password.
Ang copilot ang default para sa lahat ng iba pa, dahil ang pinakamasamang kalalabasan nito ay ilang segundo lang ang halaga, samantalang ang pinakamasamang kalalabasan ng autonomous agent ay isang customer.
Pinakamainam para sa karamihan ng mga koponan: scripted flow sa top limang paulit-ulit na tanong, copilot sa lahat ng iba pa, autonomous lamang kung saan mura lang bawiin ang maling sagot.
Ang copilot model sa inbox
Sa copilot pattern, ang model ang naghahanda, ang agent ang nagdedesisyon. Lumalabas ang draft sa tabi ng usapan kasama ang mga pinagkunan nito, at ino-edit, pinapalitan, o ipinapadala ito ng agent.
Ang hakbang ng review ay hindi pormalidad lamang. Ito ang kontrol na pumipigil sa paminsan-minsang maling sagot na manatili sa loob ng iyong kumpanya sa halip na sa mailbox ng iyong customer.
Nagbubunga rin ito ng signal na nagsasabi kung gumagana ba ang automation. Ang bawat edit ay isang naka-label na pagwawasto, at ang rate ng mga edit na iyon ang tapat na sukatan ng kalidad na inilalarawan pa sa ibaba.
Saan pa umaabot ang automation bukod sa reply box
Ang pagtrato sa AI bilang isang widget na ikinabit lang sa live chat ay nag-aaksaya ng karamihan ng potensyal nito. Ang parehong layer ay may gawain sa bawat module na humihipo sa isang usapan.
Sa knowledge base, gumagawa ito ng draft na artikulo mula sa mga naresolbang thread at nagbibigay-tanda ng mga pahinang sumasalungat sa mas bagong sagot. Ang customer support knowledge base software na hindi kailanman napapansin ang sarili nitong pagiging luma ang karaniwang dahilan kung bakit tumitigil sa pag-deflect ang self-service.
Sa routing, binabasa nito ang intent bago pa man ito basahin ng tao, kaya't umaabot ang tanong tungkol sa billing sa billing queue nang hindi na dumaan sa hakbang ng triage.
Sa reporting, pinagsasama-sama nito ang mga usapan ayon sa aktwal na itinanong ng mga customer sa halip na sa tag na naalalang ilagay ng agent, na siyang nagpapapalit sa bilang ng ticket bilang isang desisyon tungkol sa produkto.
Sa outbound work, ang parehong classification ang nagtutulak sa mga segment ng kampanya, kaya't ang mga taong kararaing lang ay hindi ang mga taong makatatanggap ng upsell.
Ang saklaw sa buong module ay nagdedesisyon din kung gaano karami sa iyong sariling materyal ang maaabot ng assistant. Ang assistant na nakikita lamang ang kasalukuyang chat ay sumusulat batay sa kasalukuyang chat, at ang assistant na nakikita ang record ng customer, ang kasaysayan ng order, at ang huling tatlong ticket ay sumusulat batay sa lahat ng ito.
Bring your own AI: sino ang may hawak ng model account
May dalawang tanong na pinagsasama sa halos bawat demo. Ang kaya gawin ng assistant ay tanong tungkol sa produkto. Ang sino ang may hawak ng account sa model provider ay tanong tungkol sa kalakalan, at ito ang nagdedesisyon kung ang mas mahusay na automation ay nagbababa o nagtataas sa iyong kabuuang gastos.
Kapag ang platform ang may hawak ng account, dumarating ang paggamit ng model bilang isang line item ng platform, karaniwan bilang mga credit o seat. Tumataas ang gastos kapag tumaas ang tagumpay: kung mas maraming usapan ang hinahawakan ng AI, mas marami kang binibili mula sa vendor sa margin ng vendor.
Binabaligtad ito ng bring-your-own-AI. Ikinokonekta mo ang sarili mong mga provider key, sinisingil ang mga token sa iyo mismo ng provider, at walang idinaragdag na markup ang platform sa mga ito. Ganito gumagana ang RolChat sa 62 text model mula sa pitong provider at 23 voice model mula sa apat, 85 lahat-lahat.
Sa ilalim ng bring-your-own key, ang isang pagpapahusay na doble ang automated volume ay dumodoble sa isang bill ng provider na nakikita mo at maaaring pag-usapan. Sa ilalim ng bundled credits, ang parehong pagpapahusay ay dumodoble sa isang linya sa isang invoice na hindi mo itinatakda ang presyo bawat yunit.
Sinusundan ng token cost ang context, hindi ang mga usapan
Karaniwang inaasahan ng mga koponang bago sa sarili nilang key na susundan ng bill ang bilang ng usapan. Sa halip, sinusundan nito ang haba ng context.
Ang sagot na idino-draft mula sa huling apat na mensahe ay isang bahagi lamang ng gastos ng parehong sagot na idino-draft mula sa isang thread na animnapu, at ang buod ng buong thread na iyon ay mas mahal pa sa alinman sa dalawa.
Tatlong setting ang gumagawa ng karamihan ng trabaho: kung gaano kalayo ang inaabot ng context window, kung gumagana ba ang mga buod sa bawat thread o sa mahahaba lamang, at kung ang retrieval ba ay kumukuha ng tatlong help article o tatlumpu.
Wala sa mga iyon ang makikita sa isang pahina ng paghahambing ng plano. Nakikita ito sa dashboard ng provider sa unang linggo, na siyang dahilan kung bakit dapat mo mismong hawakan ang account.
Pagpili ng model para sa bawat gawain
Ang isang model lamang para sa bawat gawain ang mamahaling default. Malinis na nahahati ang trabaho ayon sa kung gaano karaming paghatol ang kailangan ng bawat gawain.
| Gawain | Kailangan | Makatwirang pagpili |
|---|---|---|
| Pag-tag at intent | Bilis, mababang gastos, matatag na output | Isang maliit at mabilis na model |
| Pag-draft ng sagot | Tono, pangangatwiran batay sa kasaysayan | Isang katamtaman o malaking model |
| Polisiya at refund | Ingat, eksaktong pananalita | Ang pinakamalakas na model na available |
| Pagsasalin | Saklaw ng iyong mga wika | Anumang provider na pinakamahusay na sumasaklaw sa mga ito |
Ang paghahati sa ganitong paraan ay karaniwang nagbabawas ng bill nang higit pa sa anumang prompt tuning, dahil ang mga gawaing may mataas na volume ang mga murang gawain, at ang mahal na model ay tumatakbo lamang kung saan ito karapat-dapat sa presyo nito.
Isang praktikal na panimulang paghahati: mabilis na model para sa classification at pag-tag, katamtamang model para sa mga draft, ang pinakamalakas na model na nakalaan para sa pera at polisiya.
Nagbabago ang routing bago pa man may isulat na draft
Karamihan sa nakikitang benepisyo ay lumalabas bago pa man may isulat ng anumang salita. Nagaganap ang classification sa pagdating, kaya't naka-tag na ang usapan, naroroon na sa tamang queue, at may dalang priority na kapag binuksan ito ng agent.
Inaalis nito ang shift ng triage, na siyang hakbang na idinaragdag ng mga koponan kapag lumalaki ang volume at inaalis kapag naubusan sila ng tao para dito.
Binabago rin nito ang sinusukat ng SLA. Ang isang orasan na nagsisimula kapag unang binasa ng isang tao ang mensahe ay gumagantimpala sa bilis ng triage. Ang isang orasan na nagsisimula sa pagdating ay gumagantimpala sa bagay na pinapahalagahan ng mga customer, at ang automated classification ang nagpapagawi na ito sa ikalawang paraan.
Ang ikalawang epekto ay nasa escalation. Kapag naka-attach na ang intent at sentiment mula sa unang mensahe, ang panuntunang nagtutulak ng isang galit na thread ng billing sa isang senior agent ay maaaring mag-fire kaagad sa halip na sa ikalawang tugon.
Sulit tignan sa isang demo: kung tumatakbo ba ang classification sa pagdating o sa unang pagbukas, dahil ang una lamang ang nag-aalis sa hakbang ng triage.
Data na hindi dapat maabot ng assistant
Ang pag-ground sa isang assistant gamit ang sarili mong content ay nangangahulugan ng pagpapasya kung ano ang binibilang na sarili mong content. Ang mga naresolbang usapan ang pinakamakabuluhang materyal sa training at ang pinakamalamang na maglaman ng numero ng card at mga dokumento ng identidad na idinikit ng mga customer sa isang chat.
Tatlong kontrol ang bumubuo ng karamihan ng bigat: redaction bago pa man maabot ng anumang bagay ang model, mga limitasyon sa retention ng transcript, at isang panuntunan na kumukuha ang assistant mula sa mga na-publish na help article sa halip na mula sa raw na mga thread.
Ang consent ay kabilang sa parehong desisyon. Hinahawakan ito ng RolChat bilang isang bayad na add-on sa $5 kada site, na may tatlong consent kada site, at hindi ito available sa Lite.
Ang mga kahilingan sa pagtanggal ang siyang nakakahuli sa mga koponan. Ang isang record na inalis mula sa helpdesk ngunit nasa vector index pa rin ay record pa rin, kaya't tiyakin na naaabot ng isang pagtanggal ang retrieval at hindi lamang ang listahan ng ticket.
Pananatilihing tama at naaayon sa brand ang mga sagot
May dalawang setting na naghihiwalay sa output na maipapadala mo mula sa output na kailangan mong isulat muli.
Ang una ay grounding. Ang mga sagot ay idino-draft mula sa naaprubahang materyal: mga help article at naresolbang usapan, at taglay ng draft ang mga pinagkunang ginamit nito. Ang sagot na walang pinagkunan sa likod nito ay isang haka-haka lamang na may tonong tiwala.
Ang ikalawa ay voice. Ang isang setting ng tono at isang glosaryo ng mga terminong ginagamit mo at hindi ginagamit ay pinapanatiling parang galing sa iyong koponan ang mga draft sa halip na parang isang generic na assistant.
Mas mahalaga ang glosaryo sa iba't ibang wika. Ang mga pangalan ng produkto at legal na termino ay eksaktong mga salitang isasalin ng isang translation layer maliban kung sasabihan itong huwag.
Sinasaklaw ng RolChat ang 40 wika para sa interface at widget, at ang parehong glosaryo ay nalalapat sa lahat ng ito.
Voice: parehong tanong, mas mahigpit na deadline
Itinataas ng voice ang taya dahil walang draft na sisiyasatin. Ang sagot ay sinasabi habang ito ay ginagawa, kaya't kailangang tama na ang grounding nang maaga sa halip na iwasto sa mismong sandali.
Ang praktikal na paghahati ay ayon sa kahihinatnan. Speech to text sa bawat tawag, dahil kapaki-pakinabang ang transcript kahit hindi ito perpekto. Sinasalitang automated na mga sagot lamang sa mga bagay na murang malihis: oras, status, routing.
Ang mga minuto ng tawag ay hiwalay na sinisingil mula sa plano sa RolChat, kaya't ang volume ng voice ay isang linyang panonoorin mo nang mag-isa sa halip na isang gulat sa loob ng presyo ng seat.
Kasinghalaga ng mga setting ang pagkakasunod-sunod ng rollout. Ang mga koponang nagbubukas ng lahat nang sabay-sabay ay hindi masasabi kung aling pagbabago ang nagpaikot ng aling numero, at natatapos na panatilihin ang lahat nito o wala man lang.
Ang pagkakasunod-sunod na malinaw na nababasa ay classification muna, pagkatapos ay mga draft sa isang queue, pagkatapos ay mga draft sa lahat ng dako, pagkatapos ay anumang autonomous handling. Bawat hakbang ay may sariling bago at pagkatapos.
Pagsukat kung gumana ba ang automation
Ang deflection rate ang sukatang pinauunlad ng mga vendor at ang pinakahindi kapaki-pakinabang, dahil ang isang usapang natatapos nang walang tao ay maaaring magtapos sa isang sagot o sa isang customer na sumusuko na lang.
Apat na numero ang nagsasabi ng higit pa. Edit rate sa mga draft, na bumababa habang bumubuti ang grounding. First response time, na siyang binabayaran ng copilot ang sarili nito. Reopen rate, na sumasalo sa mga sagot na parang tapos lang sa tingin. Rating ng customer na hinati ayon sa automated at human handling.
Basahin ang mga ito laban sa bill ng provider para sa parehong panahon. Ang kalidad na bumubuti habang bumababa ang gastos bawat usapan ang kalalabasang sulit panatilihin; ang isa lamang sa dalawa ay hindi sapat.
Kailangan ng lahat ng apat na numero ang isang babasahin bago ang rollout. Ang mga koponang lumaktaw sa baseline ay natatapos na nag-aaway kung nagbago ba ang anuman, nang walang paraan para malutas ito.
Mga limitasyong dapat sabihin nang tapat
May dalawang limitasyong dapat sabihin nang tapat. Ang on-premise deployment ay isang kasunduan sa Enterprise, hindi isang bagay na available sa mas mababang plano. Ang mga model na tumatakbo sa iyong sariling hardware ay nasa plano sa halip na available, kaya't ang isang kinakailangan para sa local inference ngayon ay isang kinakailangang hindi natutugunan ng RolChat.
Ang presyo ay bawat kumpanya sa halip na bawat agent, mula $19 sa Lite, habang ang Enterprise ay may presyo na ibinibigay na lang sa hiling, at binubuksan ng 30-araw na trial ang bawat feature na may card na naka-file.
Mas madali ring husgahan ang automation kapag ang mga channel sa likod nito ay nasa iisang lugar na, na siyang paksa ng kasamang gabay.
Mga madalas itanong
Ano talaga ang ino-automate ng customer service automation software?
Pagbubuod ng mga thread, pag-draft ng mga sagot mula sa naaprubahang content, pag-uri ng intent, routing, pag-tag, at pagsasalin. Sa copilot pattern, inihahanda nito ang lahat ng iyon at ang agent ang nagdedesisyon kung ano ang ipapadala.
Papalitan ba ng AI ang mga customer service agent?
Hindi sa copilot model, na siyang pattern na dapat patakbuhin ng karamihan ng mga koponan. Ang model ang gumagawa ng draft at ang agent ang nagre-review at nagpapadala. Ang nawawala ay ang paulit-ulit na paghahanda, hindi ang taong may pananagutan sa sagot.
Ano ang bring-your-own-AI?
Ikinokonekta mo ang sarili mong mga provider key, kaya't sinisingil ang mga token sa iyo mismo ng provider nang walang markup ng platform. Nangangahulugan din ito na maaari kang magpalit ng model o provider nang hindi pinapalitan ang helpdesk.
Magkano ang gastos sa pagpapatakbo ng AI?
Nakadepende ito nang higit pa sa haba ng context kaysa sa bilang ng usapan. Ang mahahabang thread, mga buod sa bawat usapan, malawak na retrieval, at paulit-ulit na muling pagbubuod ang mga setting na nagpapaikot sa bill, at ang tatlo ay nasa iyo ang pagtatakda.
Aling model ang dapat humawak ng aling gawain?
Isang maliit at mabilis na model para sa pag-tag at intent, isang katamtaman o malaking model para sa mga draft, at ang pinakamalakas na available na model para sa mga refund at pananalita ng polisiya. Ang paghahati ayon sa gawain ay karaniwang nakatitipid nang higit pa sa prompt tuning.
Paano mo pinipigilan ang AI sa paggawa-gawa ng mga sagot?
I-ground ito sa naaprubahang help content para taglay ng bawat draft ang mga pinagkunan nito, panatilihin ang hakbang ng review, at subaybayan ang edit rate at reopen rate pagkatapos ng paglulunsad sa halip na ang deflection lamang.
Maaari bang tumakbo ang mga model sa sarili naming mga server?
Available ang on-premise deployment sa Enterprise. Ang mga self-hosted na model ay nasa plano sa halip na available ngayon, kaya't hindi pa natutugunan ang isang mahigpit na kinakailangan para sa local inference.
Gumagana ba ang automation sa iba't ibang wika?
Oo. Sinasaklaw nito ang 40 wika para sa interface at widget, may pagsasalin sa dalawang direksyon. Panatilihin ang mga terminong pang-produkto at legal sa isang glosaryo para hindi galawin ng translation layer ang mga ito.
Nagsusulat tungkol sa operasyon ng customer support, live chat, serbisyong tinutulungan ng AI, at ang mga tool sa likod ng magandang karanasan ng customer.
LinkedIn
