Eskaleringsanalys för ämne

Eskalering är det konversationsflöde under vilket agent inte kunde hantera konversationen och eskalerades till en mänsklig representant. När en agent kan besvara användarens fråga utan att behöva eskalera till en mänsklig representant, kallas det en avledning. Det ideala målet är att öka hastigheten på en agent genom att minska antalet eskaleringar.

Copilot Studio har flera sätt att hantera eskalering:

• Det direkta sättet att initiera en eskalering till mänsklig representant är via systemämnet Eskalera. Det här systemämnet utlöses när agent inte längre kan hantera kundförfrågan och måste eskalera till en mänsklig representant. Via ämnet Eskalera kan man aktivera agent för att överföra konversationen till ett verktyg för representativ servicedesk som Dynamics 365 Flerkanal för Customer Service för live-representationsöverföringen, eller en asynkron supportupplevelse som att skapa ett ärende, schemalägga en återuppringning och så vidare.
• Ett annat sätt att utlösa denna eskalering är via noden överföring av konversation i redigeringsarbetsytan.

Eskaleringstyper

Copilot Studio har två typer av eskaleringar:

1. Direkt eskalering: i det här fallet kommer användaren till agent och vill direkt prata med en mänsklig representant. Den här typen av eskalering kan inte undvikas eftersom kundens avsikt är att utlösa ämnet Eskalera direkt.

   Exempel på kundfrågor:

   • "Kan jag prata med någon"
   • "tala med en live-representant"
   • "prata med representant"
   • "tala med en representant"

2. Indirekt eskalering: I det här fallet eskaleras användaren till en representant under konversationen.

De kan grupperas i förväntade jämfört med oväntade eskaleringar.

Väntande eskaleringar inträffar när ämne har utformats för att eskalera någon gång under samtalet, eller om användaren väljer att eskalera eftersom agenten inte besvarade frågan, medan en oväntad eskalering kan inträffa när agenten får problem på grund av andra problem.

Eskaleringsanalys för ämne

STEG 1: Övervaka och granska ämnesprestanda

Det går att identifiera och optimera eskalerande drivrutiner med hjälp av den inbyggda analysen eller med hjälp av anpassade analyser.

Inbyggd analys

Alla agentsessioner som ledde till en eskalering eller överföring till en representant registreras från början till slut på ämnesnivå. Eskaleringsdrivkrafterna i detta scenario är agentens ämnen.

Instrumentpanelen för analyser har ett avsnitt för "Eskaleringsfrekvens – pådrivare", med information om vilka agentämnen som har eskalerats till mänskliga representanter för det mesta och varför. Denna information är tillgänglig i numerisk synvinkel och härledd från chattavskrifter.

På följande skärmbild, under avsnittet Pådrivare för eskaleringsfrekvens har ämnet Returer, byten… ett värde för Frekvens på 75 %. Det betyder att 75 % av alla sessioner som utlöste Returer, byten... ämnet eskalerades till en mänsklig representant. Eftersom agenten inte kunde lösa problemet för användaren var 75 % av gångerna när användaren frågade om agenten skulle returneras tvungen att eskalera till en mänsklig representant. Nu kan agentförfattaren förbättra ämnet Returer, byten... för att minska antalet eskaleringar som sker genom detta ämne.

Diagrammet visar också påverkan som en röd eller blå stapel. Inverkansresultatet för eskaleringsfrekvensen är den totala eskaleringsfrekvensen inklusive ämnet minus den totala eskaleringsfrekvensen exklusive ämne. Kort sagt hjälper påverkan dig att förstå vad detta ämne bidrar till den övergripande eskaleringsfrekvensen. Om påverkan är hög är det den ämne du måste fokusera på eftersom om du förbättrar ämne, förbättras även den potentiella påverkan på eskaleringarna.

En röd stapel anger att ämnets eskaleringsfrekvens överstiger den genomsnittliga eskaleringsfrekvensen, vilket resulterar i en negativ inverkan på den totala eskaleringsfrekvensen. En blå stapel anger att eskaleringsfrekvensen är mindre, vilket leder till en positiv inverkan på den totala eskaleringsfrekvensen. Att minska eskaleringsfrekvensen för ämnen med rött påverkar mest förbättringen av den övergripande eskaleringsfrekvensen (inverkansresultatet representeras inte som ett tal utan som stapeldiagram).

Anpassa analyser

Du kan också bygga vidare på dina egna anpassade analyser utöver konversationsavskriftens data. Microsoft tillhandahåller en exempelmallrapport om kan återanvändas eller utökas för att identifiera de främsta ämnespådrivarna för eskalering och lägga till anpassad information som är specifik för verksamheten och sammanhang. Om du till exempel behöver antalet eskalerade sessioner per ämne.

STEG 2: Välj de främsta eskaleringsämnena

Den allmänna vägledningen är att rikta sig till de bästa 5-10 avsnitten under Pådrivare för eskaleringsfrekvens som du till att börja med vill använda, för att optimera prestanda. En grov uppskattning visar att om du förbättrar eskaleringsfrekvensen med 10 % för vart och ett av de fem främsta ämnena, kan den totala avledningen för agenten förbättras med 1 %.

STEG 3: Granska konversationer för valda avsnitt

Om du analyserar konversations transkriptionerna för de översta eskaleringsämnena kan du få fler insikter om orsakerna till eskalering. Med konversationsavskriptionerna fångas turn by turn, som "användare säger" och "copilot säger". Dessutom samlas ämnesnamn som utlöstes och sessionsresultatet (till exempel Stängt, Eskalerat osv.).

Nu kan du filtrera sessionerna baserat på resultatet för de Främsta eskalerade ämnena och granska några exempelkonversationer för att se vad som orsakade eskalering. På så sätt kan du identifiera det mönster som orsakar eskalering. Den här övningen kan upprepas med jämna mellanrum för att fortsätta förbättra avledningsfrekvens och minska eskaleringsfrekvens.

Nedan finns stegvisa anvisningar som du kan använda för att titta närmare på chattavskrifterna och hitta rätt rekommendationer för att förbättra ämnesprestanda:

1. Gå till ett av de fem viktigaste avsnitten och förbättra förbättringarna för att minska eskalering.

2. Filtrera transkriptionerna och sortera efter sessionsresultatet för Eskalering.

3. Välj den senaste exempeluppsättningen med konversationsavskrifter (till exempel 10 sessioner). Exempeluppsättningens storlek beror på hur exakt du letar efter. För en snabb analys kan du börja med 10 sessioner.

4. Läs igenom varje session och identifiera de olika upprepade dialogsökvägar som uppstår för den ämnesrelaterade konversationen.

5. Visa de dialogsökvägar som identifieras för varje session och gruppera dem per dialogsökväg.

6. För varje dialogsökvägsgrupp rekommenderar du förbättringar.

7. Implementera rekommendationerna i agentämnena och observera förändringen i eskaleringstakten och avvikelse.

Om du tillämpar metoden ovan för ämnesexemplet Kontrollera orderstatus som beskrivs i nästa avsnitt ut så här:

Ämnesbeskrivning

Kontrollera orderstatus ska ge order- och leveransinformation till användaren.

Observation från avskrifter

När du har granskat flera konversationsavskrifter för det här ämnet som slutade med eskalering finns det flera dialogvägar som leder till att användaren eskalerar till en representant, även om agent har angett orderinformationen som den är utformad.

Det kan finnas en dialogväg #1 där agent ger orderinformation när användaren frågar om saknad leverans. Det kan också finnas en annan dialogväg #2 där användaren letar efter status för flera order medan agent för närvarande bara ger en status för en order i taget. Rekommendationen för dialogsökväg #1 kan vara att lägga till ett nytt ämne enbart för scenariot Saknad order, medan rekommendationen för dialogsökväg #2 kan vara att uppdatera självbetjäningsåtgärden för att ge status för flera order i stället för bara en.

Sammanfattning av konversationsavskrift

• Exempel uppsättningsstorlek: analysera exempelkonversationer för eskalerade sessioner från de hämtade avskrifterna. Alla utlöste rätt ämne. Alla eskalerades på slutet.
• Förväntad dialogväg: Gå till åtgärden OrderInfo och ange orderstatus till användaren.

Nya dialogsökvägar identifieras genom att granska avskrifter

• Dialogsökväg 1: OrderInfo svarar med adaptivt kort för orderinformation men användarfrågan är relaterad till ett paket som saknas, så användaren bestämmer sig för att eskalera (7 av 10 sessioner).
• Dialogsökväg 2: Åtgärden OrderInfo svarar med: "din order innehåller flera leveranser", men visar inte leveransinformation för alla order, så användaren bestämmer sig för att eskalera (2 av 10 sessioner).
• Dialogväg 3: Annan (matchning av ordernummer) och användaren angav ett felaktigt ordernummer, så användaren bestämmer sig för att eskalera (1 av 10 sessioner).

Rekommendationer för dialogsökvägsgrupper

• Sökväg 1: Lägg till ett nytt ämne för hantering av saknad order.
• Sökväg 2: Förbättra åtgärden OrderInfo för att stödja tillgång till flera orderleveransuppgifter.
• Sökväg 3: Förbättra åtgärden OrderInfo för att verifiera formatet order-ID och ge felmeddelanden för felaktiga order-ID.

STEG 4: Göra målinriktade förbättringar i valda ämnen

Utifrån resultatet av granskningen av konversationsavskrifterna kan du nu göra målinriktade förbättringar i valda ämnen.

Några av de tekniker som du kan använda för att minska eskaleringsfrekvensen på ämnesnivå är att lägga till självbetjäningsfunktioner så att användaren inte behöver förlita sig på mänskliga representanter för en åtgärd (till exempel kontrollera leveransstatus), förbättra den utlösande prestandan för att se till att rätt ämnen presenteras för användaren i stället för att behöva eskalera till en mänsklig representant (detta inkluderar att lägga till saknade utlösande fraser och uppdatera befintliga utlösande fraser).

Analys av ämnesberikning