RecommendationsはFinが答えられなかった会話をレビューし、チームに送信、その後Finのコンテンツ、データ、アクションのギャップを埋めるための週次提案を提供します。
実際の顧客との会話を分析することで、自動化を改善しFinの解決率をより早く高める最も影響力のある機会を強調します。
主な利点
解決を妨げているものを確認し、コンテンツのギャップ、顧客データのギャップ、アクションのギャップを特定します。
最も影響の大きい修正を優先し、一貫した会話ベースの影響スコアを使用します。
実際の顧客との会話から作業し、各提案に直接情報を提供しています。
エスカレーションから自動化へ移行し、コンテンツ、データコネクタ、手順を作成するタイミングについて明確なガイダンスを提供します。
Recommendationsの仕組み
RecommendationsはすべてのAIによる改善提案を一つの体験にまとめ、提案の理解、フィルタリング、実行を容易にします。
開始するには、Analyze > Recommendationsにアクセスしてください。ここでは、Finが会話を解決できなかったギャップの種類ごとにグループ化された提案リストが表示されます。
注意：Finがライブで実際の顧客との会話を処理している場合にのみ、Recommendationsが表示されます。
コンテンツのギャップ
コンテンツギャップの提案は、Finが回答できなかった理由が、ヘルプコンテンツの欠如、不明瞭、重複、矛盾による場合を示します。
各コンテンツギャップの提案について、以下が可能です：
AI生成の作成または編集の提案をレビューする。
提案を引き起こした正確な会話を見る。
将来の解決率向上のために公開記事やスニペットを直接更新する。
ヒント：AIによるコンテンツ提案の活用方法を詳しく学び、Finを改善しましょう。
顧客データのギャップ
顧客データギャップの提案は、Finが注文状況やアカウント詳細など外部システムからの情報を必要としたが利用できなかった場合に表示されます。
各顧客データギャップの提案は明確に以下を示します：
APIと必要なデータの概要を示すガイドで、Finが会話を自動的に解決できるようコネクタを構築します。提供された例はエンジニアが確認・適応する必要があります。
データコネクタを使った自動化の作成方法。
この顧客データで回答される顧客の問い合わせ。
実装の労力は、技術的複雑さ、インフラと依存関係の要件、セキュリティとコンプライアンスの考慮、データ運用の複雑さ、ビジネスロジックの要件、パフォーマンスとスケーラビリティのニーズ、テストと検証の複雑さ、リスク評価に基づきます。
APIドキュメントのサンプル（参考用）。このサンプルスキーマは実装する可能性のあるリクエスト/レスポンス構造の例を示します。実際のエンドポイント、パラメータ、認証フローは異なる場合があるため、これをクエリ解決に必要な統合パターンの設計図として扱ってください。
エスカレーションガイダンスの提案は、完全な自動化が構築されるまでの間、複雑な問い合わせをチームに迅速にルーティングし、スムーズな顧客体験を維持するための一時的な方法として実装可能です。
ヒント：Finのエスカレーションガイダンスとルールについて詳しく学びましょう。
アクションのギャップ
アクションギャップの提案は、Finが他のシステムでのアクション（ワークフローの更新や注文のキャンセルなど）を必要とした場合に特定されます。
各アクションギャップの提案は明確に以下を示します：
APIと必要なデータの概要を示すガイドで、Finが会話を自動的に解決できるようコネクタやタスクを構築します。提供された例はエンジニアが確認・適応する必要があります。
データコネクタとFin TasksまたはProceduresを使った自動化の作成方法（設定に応じて）。
このアクションで回答される顧客の問い合わせ。
実装の労力は、技術的複雑さ、インフラと依存関係の要件、セキュリティとコンプライアンスの考慮、データ運用の複雑さ、ビジネスロジックの要件、パフォーマンスとスケーラビリティのニーズ、テストと検証の複雑さ、リスク評価に基づきます。
APIドキュメントのサンプル（参考用）。このサンプルスキーマは実装する可能性のあるリクエスト/レスポンス構造の例を示します。実際のエンドポイント、パラメータ、認証フローは異なる場合があるため、これをクエリ解決に必要な統合パターンの設計図として扱ってください。
エスカレーションガイダンスの提案は、完全な自動化が構築されるまでの間、複雑な問い合わせをチームに迅速にルーティングし、スムーズな顧客体験を維持するための一時的な方法として実装可能です。
データの分析
影響度の計算方法
Recommendationsはすべての提案タイプで一貫した影響モデルを使用し、影響は以下に基づきます：
関連する会話の数。
その会話がカバーする期間。
これは影響が実際の過去の需要を反映していることを意味し、どの修正を優先すべきか判断しやすくなります。
注意：デフォルトでは、提案は影響度の高い順に並べられ、長期間のレビュー時には日付（新しい順）で並べ替えるオプションがあります。
提案に情報を与えた会話を見る
右上のサイドドロワーを開くと、提案に直接情報を与えた会話が見つかります。
これにより以下が容易になります：
提案の背後にある正確な顧客の質問を理解する。
修正が解決率を意味あるものに改善するか検証する。
変更を計画する際に具体的な例をチームと共有する。
提案のフィルタリングと並べ替え
Recommendationsには強力なフィルターがあり、異なるチームが最も重要なことに集中できます。
以下でフィルタリング可能：
理由：提案タイプ（コンテンツ、顧客データ、アクション）を選択。
日付範囲：週ごとに提案をレビュー。
トピック：AI生成トピック（請求や価格設定など）を使用。
影響度：最も大きな成果にまず注目。
提案を承認または拒否する
一度承認、完了としてマーク、または拒否すると、リストから削除され再表示されません。
Recommendationsの設定
Recommendationsページ上部の設定アイコンをクリックして、設定したFinオーディエンスごとにコンテンツ提案をセグメント化。
オーディエンスごとにコンテンツ提案をセグメント化すると、選択した各オーディエンスに合わせた提案セットが届きます。これにより、提案が各オーディエンスやブランドに対して関連性と特異性を保ちます。「Everyone」を選択すると、提案はより一般的でオーディエンス特有ではなくなります。
注意：
セグメンテーションは現在、コンテンツ提案にのみ対応しています。
保存すると現在のコンテンツ提案はクリアされ、新しいセグメント化されたコンテンツ提案が生成されます。数時間かかる場合があります。
よくある質問
以前のRecommendationsダッシュボードから何が変わった？
以前のRecommendationsダッシュボードから何が変わった？
FinのRecommendationsは簡素化され、改善を実行しやすく再焦点化されました。
主な変更点は以下の通りです：
単一の提案体験で、TrainとAnalyzeの別々のビューを置き換え。
より明確な自動化ガイダンスで、エスカレーションガイダンスの優先を廃止。
「調査が必要」提案の削除で、曖昧で実行が難しかったものを排除。
解決率に専念し、他の指標は将来のバージョンで計画。
Recommendationsに含まれる会話は？
Recommendationsに含まれる会話は？
Recommendationsは意味のあるサポート会話のみを分析します：
インバウンド会話
顧客によって書かれたもの
Finまたはチームメンバーから少なくとも2回の応答があるもの
保留中の会話や自動ワークフローメッセージは除外されます。
提案はどのくらいの頻度で生成されますか？
提案はどのくらいの頻度で生成されますか？
コンテンツギャップの提案は週次で生成され、高ボリューム、継続的な活動、または急激な増加がある場合に追加トリガーがあります。
顧客データとアクションギャップの提案は週次で生成されます。
提案は日付範囲フィルターを使って週ごとにレビュー・対応されます。