Empfehlungen überprüfen die Gespräche, die Fin nicht beantworten kann, und senden sie an Ihr Team, dann geben sie wöchentliche Vorschläge zur Behebung von Lücken in Fins Inhalten, Daten und Aktionen.
Durch die Analyse realer Kundengespräche werden die wirkungsvollsten Möglichkeiten hervorgehoben, um die Automatisierung zu verbessern und die Lösungsrate von Fin schneller zu erhöhen.
Hauptvorteile
Sehen Sie, was die Lösung blockiert, indem Sie Inhaltslücken, Kundendatenlücken und Aktionslücken identifizieren.
Priorisieren Sie die wirkungsvollsten Korrekturen mit konsistenten, gesprächsbasierten Wirkungspunkten.
Arbeiten Sie mit echten Kundengesprächen, die jede Empfehlung direkt informiert haben.
Wechseln Sie von Eskalation zu Automatisierung mit klareren Anleitungen, wann Inhalte, Datenverbindungen oder Verfahren erstellt werden sollten.
Wie Empfehlungen funktionieren
Empfehlungen bündeln alle AI-gestützten Verbesserungsvorschläge in einer einzigen Erfahrung, die es einfacher macht, Empfehlungen zu verstehen, zu filtern und umzusetzen.
Um zu beginnen, gehen Sie zu Analysieren > Empfehlungen. Dort erhalten Sie eine Liste von Vorschlägen, gruppiert nach der Art der Lücke, die Fin daran gehindert hat, ein Gespräch zu lösen.
Hinweis: Sie sehen Empfehlungen erst, wenn Fin live ist und echte Kundengespräche bearbeitet.
Inhaltslücken
Inhaltslücken-Vorschläge heben hervor, wo Fin nicht antworten konnte, weil Hilfsinhalte fehlten, unklar, doppelt oder widersprüchlich waren.
Für jeden Vorschlag zu Inhaltslücken können Sie:
AI-generierte Erstellungs- oder Bearbeitungsempfehlungen überprüfen.
Sehen Sie die genauen Gespräche, die den Vorschlag ausgelöst haben.
Öffentliche Artikel oder Snippets direkt aktualisieren, um zukünftige Lösungen zu verbessern.
Tipp: Erfahren Sie mehr über die Verwendung von AI-gestützten Inhaltsvorschlägen, um Fin zu verbessern.
Kundendatenlücken
Kundendatenlücken-Vorschläge erscheinen, wenn Fin Informationen aus einem externen System benötigte, die nicht verfügbar waren, wie Bestellstatus oder Kontodetails.
Jeder Vorschlag zu Kundendatenlücken zeigt klar:
Eine Anleitung, die die API und benötigten Daten umreißt, um Konnektoren zu erstellen, damit Fin Gespräche automatisch lösen kann. Die bereitgestellten Beispiele sollten von einem Ingenieur überprüft und angepasst werden.
Wie man die Automatisierung erstellt mit einem Datenkonnektor.
Die Kundenanfragen, die mit diesen Kundendaten beantwortet werden würden.
Der Implementierungsaufwand, der auf technischer Komplexität, Infrastruktur- und Abhängigkeitsanforderungen, Sicherheits- und Compliance-Aspekten, Komplexität der Datenoperationen, Geschäftslogik-Anforderungen, Leistungs- und Skalierbarkeitsbedürfnissen, Test- und Validierungskomplexität sowie Risikobewertung basiert.
Beispiel-API-Dokumentation (nur zur Referenz). Dieses Beispielschema zeigt die Art der Anfrage-/Antwortstruktur, die Sie implementieren könnten. Ihre tatsächlichen Endpunkte, Parameter und Authentifizierungsabläufe können abweichen, daher betrachten Sie dies als Vorlage für die Integrationsmuster, die zur Lösung dieser Anfragen erforderlich sind.
Eine Eskalationsanleitung-Empfehlung, die Sie schnell als temporäre Möglichkeit implementieren könnten, um komplexe Anfragen an Ihr Team weiterzuleiten und ein reibungsloses Kundenerlebnis zu gewährleisten, während die vollständige Automatisierung aufgebaut wird.
Tipp: Erfahren Sie mehr über Fins Eskalationsanleitung und Regeln.
Aktionslücken
Aktionslücken-Vorschläge identifizieren, wo Fin eine Aktion in einem anderen System ausführen musste, wie einen Workflow aktualisieren oder eine Bestellung stornieren.
Jeder Vorschlag zu Aktionslücken zeigt klar:
Eine Anleitung, die die API und benötigten Daten umreißt, um Konnektoren oder Aufgaben zu erstellen, damit Fin Gespräche automatisch lösen kann. Die bereitgestellten Beispiele sollten von einem Ingenieur überprüft und angepasst werden.
Wie man die Automatisierung erstellt mit Datenkonnektoren und Fin Tasks oder Procedures, je nach Ihrer Einrichtung.
Die Kundenanfragen, die mit dieser Aktion beantwortet werden würden.
Der Implementierungsaufwand, der auf technischer Komplexität, Infrastruktur- und Abhängigkeitsanforderungen, Sicherheits- und Compliance-Aspekten, Komplexität der Datenoperationen, Geschäftslogik-Anforderungen, Leistungs- und Skalierbarkeitsbedürfnissen, Test- und Validierungskomplexität sowie Risikobewertung basiert.
Beispiel-API-Dokumentation (nur zur Referenz). Dieses Beispielschema zeigt die Art der Anfrage-/Antwortstruktur, die Sie implementieren könnten. Ihre tatsächlichen Endpunkte, Parameter und Authentifizierungsabläufe können abweichen, daher betrachten Sie dies als Vorlage für die Integrationsmuster, die zur Lösung dieser Anfragen erforderlich sind.
Eine Eskalationsanleitung-Empfehlung, die Sie schnell als temporäre Möglichkeit implementieren könnten, um komplexe Anfragen an Ihr Team weiterzuleiten und ein reibungsloses Kundenerlebnis zu gewährleisten, während die vollständige Automatisierung aufgebaut wird.
Datenanalyse
Wie der Einfluss berechnet wird
Empfehlungen verwenden ein konsistentes Einflussmodell für alle Vorschlagstypen, bei dem der Einfluss basiert auf:
Der Anzahl der zugehörigen Gespräche.
Dem Zeitraum, den diese Gespräche abdecken.
Das bedeutet, dass der Einfluss die reale, historische Nachfrage widerspiegelt, sodass es einfacher ist zu beurteilen, welche Korrekturen Priorität haben sollten.
Hinweis: Standardmäßig werden Vorschläge von höchstem zu niedrigstem Einfluss sortiert, mit der Option, bei der Überprüfung längerer Zeiträume nach Datum (neueste zuerst) zu sortieren.
Gespräche anzeigen, die Vorschläge informiert haben
Wenn Sie die Seitenleiste oben rechts öffnen, finden Sie die Gespräche, die eine Empfehlung direkt informiert haben.
Das erleichtert:
Die genauen Kundenfragen hinter einer Empfehlung zu verstehen.
Zu überprüfen, ob die Korrektur die Lösung tatsächlich verbessert.
Konkrete Beispiele mit Teamkollegen zu teilen, wenn Änderungen geplant werden.
Vorschläge filtern und sortieren
Empfehlungen enthalten leistungsstarke Filter, damit verschiedene Teams sich auf das Wesentliche konzentrieren können.
Sie können filtern nach:
Grund: um einen Vorschlagstyp auszuwählen (Inhalt, Kundendaten, Aktion).
Datumsbereich: um Vorschläge Woche für Woche zu überprüfen.
Thema: mit AI-generierten Themen wie Abrechnung oder Preisgestaltung.
Einfluss: um sich zuerst auf die größten Erfolge zu konzentrieren.
Einen Vorschlag annehmen oder ablehnen
Sobald Sie auf Annehmen, Als erledigt markieren oder Ablehnen klicken, wird der Vorschlag aus der Liste entfernt und erscheint nicht erneut.
Empfehlungseinstellungen
Klicken Sie auf das Einstellungssymbol oben auf der Empfehlungsseite, um Inhaltsvorschläge nach Fin-Zielgruppen zu segmentieren, die Sie eingerichtet haben.
Wenn Sie Inhaltsvorschläge nach Zielgruppen segmentieren, erhält jede ausgewählte Zielgruppe ihren eigenen Satz maßgeschneiderter Vorschläge. So bleiben Empfehlungen relevant und spezifisch für jede Zielgruppe oder Marke. Wenn Sie „Alle“ auswählen, sind die Vorschläge allgemeiner statt zielgruppenspezifisch.
Hinweis:
Die Segmentierung funktioniert derzeit nur für Inhaltsvorschläge.
Beim Speichern werden Ihre aktuellen Inhaltsvorschläge gelöscht. Neue segmentierte Inhaltsvorschläge werden generiert, was einige Stunden dauern kann.
FAQs
Was hat sich im Vergleich zum vorherigen Empfehlungs-Dashboard geändert?
Was hat sich im Vergleich zum vorherigen Empfehlungs-Dashboard geändert?
Fin-Empfehlungen wurden vereinfacht und neu ausgerichtet, um Verbesserungen leichter umsetzbar zu machen.
Wichtige Änderungen umfassen:
Eine einzige Vorschlagserfahrung, die separate Train- und Analyseansichten ersetzt.
Klarere Automatisierungsanleitungen, anstelle der Priorisierung von Eskalationsanleitungen.
Entfernung von „Untersuchung erforderlich“-Vorschlägen, die vage und schwer umsetzbar waren.
Exklusiver Fokus auf die Lösungsrate, mit weiteren Metriken, die für zukünftige Versionen geplant sind.
Welche Gespräche sind in Empfehlungen enthalten?
Welche Gespräche sind in Empfehlungen enthalten?
Empfehlungen analysieren nur bedeutungsvolle Supportgespräche:
Eingehende Gespräche
Vom Kunden verfasst
Mit mindestens zwei Antworten von Fin oder einem Teammitglied
Ausgenommen sind ausstehende Gespräche und automatisierte Workflow-Nachrichten.
Wie oft werden Vorschläge generiert?
Wie oft werden Vorschläge generiert?
Vorschläge zu Inhaltslücken werden wöchentlich generiert, mit zusätzlichen Auslösern bei hohem Volumen, anhaltender Aktivität oder plötzlichen Spitzen.
Vorschläge zu Kundendaten- und Aktionslücken werden wöchentlich generiert.
Vorschläge werden Woche für Woche mit Datumsbereichsfiltern überprüft und bearbeitet.