Odbiór zgłoszeń
omnichannel
- zasila
- Klasyfikator
Wszystkie case studies
NLPAutomatyzacjaOps2 miesiące
Triaż zgłoszeń wsparcia + automatyczne kierowanie
Jedna trzecia zgłoszeń trafiała do niewłaściwego zespołu. Teraz bliżej jednego na trzynaście.
Trafność kierowania
92.4%
Skalibrowany klasyfikator wieloetykietowy
Było
65.3%
Silnik reguł słów kluczowych
Prostymi słowami
Czym to jest.
W tej sekcji nie ma żargonu. Opis techniczny jest niżej.
Co szło nie tak
Zgłoszenia były sortowane regułami opartymi na słowach kluczowych, łatanymi latami. Jedna trzecia trafiała do niewłaściwego zespołu, a każdy błąd oznaczał pełne przekazanie, zanim ktokolwiek zaczął pomagać — i to był główny powód niskich ocen wsparcia przez klientów.
Co zbudowaliśmy
Zastąpiliśmy reguły klasyfikatorem wytrenowanym na tym, jak zgłoszenia faktycznie były rozwiązywane, i wyłączyliśmy stary silnik reguł, zamiast dokładać do niego kolejną regułę.
Co się zmieniło
Trafność kierowania wzrosła z 65% do 92%, pierwsze odpowiedzi przychodzą szybciej, a w bezpośredniej konsekwencji wzrosło zadowolenie klientów. Konsultanci przestali sortować zgłoszenia i zaczęli je rozwiązywać.
Architektura
Jak to się ze sobą łączy.
Proszę przewinąć etapy. Wszystko oznaczone jako dodane to komponent, który nie istniał przed tym projektem.
Klasyfikator
wieloetykietowy
- otrzymuje z
- Odbiór zgłoszeń
- zasila
- Kalibracja
Kalibracja
z uwzględnieniem kosztów
- otrzymuje z
- Klasyfikator
- zasila
- Router · Szkic odpowiedzi
Router
przydział do kolejki
- otrzymuje z
- Kalibracja
- zasila
- Konsultant
Szkic odpowiedzi
z rozwiązanych
- otrzymuje z
- Kalibracja
- zasila
- Konsultant
Konsultant
rozwiązuje
- otrzymuje z
- Router · Szkic odpowiedzi
Odbiór zgłoszeń
omnichannel
- zasila
- Klasyfikator
Klasyfikator
wieloetykietowy
To dodaliśmy- otrzymuje z
- Odbiór zgłoszeń
- zasila
- Kalibracja
Kalibracja
z uwzględnieniem kosztów
To dodaliśmy- otrzymuje z
- Klasyfikator
- zasila
- Router · Szkic odpowiedzi
Router
przydział do kolejki
- otrzymuje z
- Kalibracja
- zasila
- Konsultant
Szkic odpowiedzi
z rozwiązanych
To dodaliśmy- otrzymuje z
- Kalibracja
- zasila
- Konsultant
Konsultant
rozwiązuje
- otrzymuje z
- Router · Szkic odpowiedzi
Opis
Jak by to zbudować.
Zbiór danych, podejście, docelowe metryki i stack. Napisane dla tego, kto będzie to weryfikował.
NLPAutomatyzacjaOps2 miesiące
Triaż zgłoszeń wsparcia + automatyczne kierowanie
Klasyfikacja, tagowanie i kierowanie, dzięki którym kolejki są uporządkowane, a odpowiedzi spójne.
Problem
Zgłoszenia były kierowane regułami słów kluczowych, narastającymi latami. Błędne skierowanie kosztowało pełny cykl przekazania, a czas pierwszej odpowiedzi był głównym czynnikiem niskiego CSAT.
Zbiór danych
- wiersze
- 2,4 mln zgłoszeń
- cechy
- 128
- źródła
- Helpdesk, czat, e-mail
- okno
- 36 miesięcy
Podejście
- 01Wytrenowaliśmy klasyfikator wieloetykietowy na historycznych rozwiązanych zgłoszeniach
- 02Skalibrowaliśmy prawdopodobieństwa, aby progi kierowania odpowiadały kosztom biznesowym
- 03Dodaliśmy sugestie odpowiedzi według intencji, przygotowywane na podstawie rozwiązanych spraw
- 04Wdrożyliśmy w trybie cienia, porównując wyniki z silnikiem reguł
Metryki
- 92.4%
- trafność kierowania +27.1pp
- 4,2 min
- pierwsza odpowiedź -38 min
- 7.6%
- odsetek błędnych skierowań -27pp
- 19%
- deflection samoobsługa
Dowody
- źródło
- Projekt referencyjny
- liczby
- Poglądowe — typowe wartości dla tego projektu
- pomiar
- Nie mierzono. Typowe wartości dla projektu referencyjnego tego rodzaju, nie zaobserwowane w systemie klienta.
- referencje
- Niedostępne dla tego projektu
- ostatnia weryfikacja
- 2026-08-25
Wpływ na biznes
- Poprawa CSAT wynikająca bezpośrednio z szybszej pierwszej odpowiedzi
- Konsultanci przestali segregować i zaczęli rozwiązywać
- Silnik reguł wyłączony zamiast kolejny raz rozbudowywany
Stack technologiczny
- Python
- FastAPI
- XGBoost
- Elasticsearch
- PostgreSQL
- Celery
- Docker
Dalej
Potrzebują Państwo takiego systemu?
Proszę odpowiedzieć na sześć pytań, a powiemy, czy ten kształt pasuje do Państwa problemu — także wtedy, gdy nie pasuje.