Ticketinstroom
omnichannel
- voedt
- Classifier
Alle case studies
NLPAutomatiseringOps2 maanden
Triage en automatische routering van supporttickets
Een derde van de supporttickets ging naar het verkeerde team. Nu is dat eerder één op de dertien.
Routeringsnauwkeurigheid
92.4%
Gekalibreerde multi-label classifier
Was
65.3%
Rule engine op trefwoorden
In gewone taal
Wat dit is.
Geen jargon in deze sectie. De technische uitwerking staat verderop.
Wat er misging
Tickets werden gesorteerd met trefwoordregels waaraan jarenlang was gelapt. Een derde ging naar het verkeerde team, en elke fout kostte een volledige overdracht voordat iemand begon te helpen — de grootste reden waarom klanten support slecht beoordeelden.
Wat we bouwden
We hebben de regels vervangen door een classifier die getraind is op hoe tickets echt werden opgelost, en de oude rule engine uitgefaseerd in plaats van er nog een regel aan toe te voegen.
Wat er veranderde
Correcte routering ging van 65% naar 92%, eerste antwoorden kwamen sneller, en de tevredenheid steeg als direct gevolg. Medewerkers stopten met tickets sorteren en begonnen ze op te lossen.
Architectuur
Hoe het in elkaar past.
Scroll door de fasen. Alles wat als toegevoegd is gemarkeerd, is een component dat vóór dit project niet bestond.
Classifier
multi-label
- ontvangt van
- Ticketinstroom
- voedt
- Kalibratie
Kalibratie
kostenbewust
- ontvangt van
- Classifier
- voedt
- Router · Conceptantwoord
Router
wachtrijtoewijzing
- ontvangt van
- Kalibratie
- voedt
- Medewerker
Conceptantwoord
uit opgeloste
- ontvangt van
- Kalibratie
- voedt
- Medewerker
Medewerker
lost op
- ontvangt van
- Router · Conceptantwoord
Ticketinstroom
omnichannel
- voedt
- Classifier
Classifier
multi-label
Dit hebben wij toegevoegd- ontvangt van
- Ticketinstroom
- voedt
- Kalibratie
Kalibratie
kostenbewust
Dit hebben wij toegevoegd- ontvangt van
- Classifier
- voedt
- Router · Conceptantwoord
Router
wachtrijtoewijzing
- ontvangt van
- Kalibratie
- voedt
- Medewerker
Conceptantwoord
uit opgeloste
Dit hebben wij toegevoegd- ontvangt van
- Kalibratie
- voedt
- Medewerker
Medewerker
lost op
- ontvangt van
- Router · Conceptantwoord
De uitwerking
Hoe het gebouwd zou worden.
Dataset, aanpak, doelmetrics en de stack. Geschreven voor wie het moet reviewen.
NLPAutomatiseringOps2 maanden
Triage en automatische routering van supporttickets
Classificatie, tagging en routering die wachtrijen overzichtelijk en antwoorden consistent houden.
Probleem
Tickets werden gerouteerd met trefwoordregels die zich jarenlang hadden opgestapeld. Een verkeerde routering kostte een volledige overdrachtscyclus, en de tijd tot eerste reactie was de belangrijkste oorzaak van een lage CSAT.
Dataset
- rijen
- 2,4M tickets
- features
- 128
- bronnen
- Helpdesk, chat, e-mail
- periode
- 36 maanden
Aanpak
- 01Een multi-label classifier getraind op historische, opgeloste tickets
- 02Kansen gekalibreerd, zodat routeringsdrempels aansluiten op bedrijfskosten
- 03Antwoordsuggesties op basis van intentie toegevoegd, opgesteld uit opgeloste gevallen
- 04Uitgerold in shadow mode en vergeleken met de rule engine
Metrics
- 92.4%
- routeringsnauwkeurigheid +27.1pp
- 4,2 min
- eerste reactie -38 min
- 7.6%
- foutieve routering -27pp
- 19%
- deflectie self-service
Bewijs
- bron
- Referentieontwerp
- cijfers
- Illustratief — typische waarden voor dit ontwerp
- meting
- Niet gemeten. Gangbare waarden voor een referentieontwerp van dit type, niet waargenomen op een klantsysteem.
- referentie
- Niet beschikbaar voor dit project
- laatst gecontroleerd
- 2026-08-25
Bedrijfsimpact
- CSAT-verbetering direct gedreven door snellere eerste reactie
- Medewerkers stopten met triage en begonnen op te lossen
- Rule engine uitgefaseerd in plaats van opnieuw uitgebreid
Tech stack
- Python
- FastAPI
- XGBoost
- Elasticsearch
- PostgreSQL
- Celery
- Docker
Volgende
Een systeem als dit nodig?
Beantwoord zes vragen en we vertellen je of deze opzet bij je probleem past — ook als dat niet zo is.