Eskaleringsanalys för ämne

Eskalering är det samtalsflöde där agenten inte längre klarar av att hantera konversationen och eskalerar till en mänsklig representant. När en agent besvarar användarfrågan utan att behöva eskalera till en mänsklig representant, är det en deflektion. 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 en mänsklig representant är genom systemämnet Eskalera. Det här systemämnet utlöses när agenten inte längre kan hantera kundens begäran och behöver eskalera till en mänsklig representant. Med hjälp av Eskalera-ämnet kan du låta agenten överföra konversationen till ett verktyg för servicedesk, som Flerkanal för Customer Service, för en direkt överföring till en live-representant, eller till en asynkron supportupplevelse som att skapa ett ärende, schemalägga ett återuppringningssamtal och så vidare.

• Ett annat sätt att utlösa denna eskalering är genom noden Överför konversation i designytan.

  

Eskaleringstyper

Copilot Studio har två typer av eskaleringar:

• Direkt eskalering: Användaren kontaktar agenten och vill prata direkt med en mänsklig representant. Du kan inte undvika den här typen av eskalering eftersom kundens avsikt är att aktivera Eskalera-ämnet direkt.

  Exempel på kundfrågor:

  • ”Kan jag prata med någon?”
  • ”Tala med en live-representant”
  • ”Prata med representant”
  • ”Tala med en representant”

• Indirekt eskalering: Användaren kopplas till en representant under samtalet.

Dessa typer delas in i två kategorier: förväntade och oväntade eskaleringar.

• Förväntade eskaleringar inträffar när ämnet är utformat för att eskalera någon gång under konversationen, eller om användaren väljer att eskalera eftersom agenten inte besvarade deras fråga.
• Oväntade eskaleringar uppstår när agenten stöter på ett fel på grund av andra problem.

Eskaleringsanalys för ämne

Använd denna fyrastegsprocess för att analysera eskaleringar av ämnen och identifiera möjligheter att göra riktade förbättringar.

Steg 1: Övervaka och granska ämnenas resultat

Använd inbyggda analyser eller anpassade analyser för att identifiera och optimera drivfaktorer för eskaleringsfrekvensen.

Inbyggda analyser

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

Analysinstrumentpanel har en sektion för "Pådrivare för eskaleringsfrekvens", som ger detaljer om vilka agentämnen som oftast eskalerar till mänskliga representanter och varför. Den här informationen är tillgänglig från chatttranskriptionerna ur ett numeriskt perspektiv.

På följande skärmbild, under avsnittet Pådrivare för eskaleringsfrekvens har ämnet Returer, byten… ett värde för Frekvens på 75 %. Detta värde indikerar att 75 % av alla sessioner som utlöste ämnet Returer, Byte ... eskalerade till en mänsklig representant eftersom agenten inte kunde lösa problemet åt användaren. Agentförfattaren kan förbättra ämnet Returer, Byte ... för att minska antalet eskaleringar från 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 ett ämne har stor påverkan, fokusera på det eftersom förbättringar av ämnet kan minska eskaleringar.

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. En sänkning av eskaleringsfrekvensen för ämnena i rött har störst inverkan på förbättringen av den totala eskaleringsfrekvensen. Påverkansvärdet representeras inte som ett tal utan som ett stapeldiagram.

Anpassa analyser

Du kan också bygga vidare på dina egna anpassade analyser utöver konversationstranskriptionens data. Microsoft tillhandahåller en exempelmallrapport som du kan återanvända eller utöka för att identifiera de viktigaste eskaleringsämnena och lägga till anpassade detaljer som är specifika för din verksamhet och kontext. Om du till exempel behöver antalet eskalerade sessioner per ämne.

Steg 2: Välj de främsta eskaleringsämnena

Den allmänna vägledningen är att inrikta sig på de 5–10 främsta ämnena bland pådrivare för eskaleringsfrekvens, för att optimera avledningsfrekvensen från början. Som en grov uppskattning brukar en förbättring av eskaleringsfrekvensen med 10 % för vart och ett av de fem främsta ämnena vanligtvis öka agentens totala avböjning med cirka 1 %.

Steg 3: Granska konversationer för valda ämnen

Om du analyserar konversations transkriptionerna för de översta eskaleringsämnena kan du få fler insikter om orsakerna till eskalering. Konversationstranskriptioner fångar vända för vända, som användaren säger och copilot säger. De fångar också ämnesnamnet som utlöste händelsen och sessionens utfall (till exempel Löst, Eskalerat).

Du kan filtrera dessa sessioner baserat på utfall för Toppeskalerade ämnen och granska några exempelkonversationer för att avgöra vad som orsakade eskaleringen. Den här processen hjälper dig att identifiera mönstret som orsakar eskaleringen. Upprepa denna övning med jämna mellanrum för att fortsätta förbättra avledningsgraden och minska eskaleringsgraden.

Följande steg-för-steg-vägledning hjälper dig att analysera chatttranskriptioner och identifiera förbättringsförslag för ämnesprestanda.

1. Välj ett av de fem främsta ämnena för att göra förbättringar som minskar eskaleringen.

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, börja med 10 sessioner.

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

5. Lista de dialogvägar som identifierats för varje session och gruppera dem efter dialogväg.

6. Identifiera en förbättringsrekommendation för varje grupp av dialogvägar.

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

Exempelvis kan det se ut så här när detta tillvägagångssätt tillämpas på ämnet Kontrollera orderstatus som beskrivs i nästa avsnitt:

Ämnesbeskrivning

Kontrollera orderstatus är avsedd att ge order- och leveransinformation till användaren.

Observation från transkriptioner

Efter att du har granskat flera transkriptioner för detta ämne som slutar med eskalering, upptäcker du flera dialogvägar som leder till att användaren eskalerar till en representant, även när agenten tillhandahåller orderinformationen enligt design.

Till exempel omfattar dialogväg #1 när agenten tillhandahåller orderinformation efter att användaren har frågat om en saknad leverans. Dialogväg #2 handlar om när användaren söker status för flera beställningar, medan agenten endast ger status för en beställning i taget. För dialogväg #1 kan du lägga till ett nytt ämne som fokuserar på saknad beställning-scenariot. För dialogbana #2 kan du uppdatera självbetjäningsåtgärden så att den ger status för flera beställningar istället för bara en.

Sammanfattning av konversationsavskrift

• Exempel uppsättningsstorlek: Analysera exempelkonversationer för eskalerade sessioner från de hämtade transkriptionerna. Alla utlöser rätt ämne. Alla slutar med eskalering.
• Förväntad dialogväg: Gå till åtgärden OrderInfo och ange orderstatus till användaren.

Nya dialogsökvägar identifieras genom att granska avskrifter

• Dialogväg 1: OrderInfo svarar med ett adaptivt kort för orderinformation, men användarens fråga gäller ett saknat paket, så användaren väljer 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 OrderInfo-åtgärden för att validera order-ID-formatet och visa ett felmeddelande för felaktiga order-ID:n.

Steg 4: Gör riktade förbättringar i utvalda ämnen

Genomför riktade förbättringar i de utvalda ämnena baserat på granskningen av konversationstranskriptioner.

Några tekniker för att minska eskaleringsfrekvensen på ämnesnivå är att lägga till självbetjäningsfunktioner så att användaren inte behöver förlita sig på en mänsklig representant för en åtgärd som att kontrollera leveransstatus, samt att förbättra utlösarfunktionen så att systemet presenterar rätt ämnen för användaren istället för att eskalera till en mänsklig representant. Dessa förbättringar inkluderar att lägga till saknade utlösande fraser och uppdatera befintliga utlösande fraser.

Nästa steg

Lär dig hur du analyserar reserv- och icke-identifierade frågor för att berika de ämnen som din agent har genom att lägga till nya utlösande fraser eller skapa nya ämnen. Dessa åtgärder bidrar till att minska förvirring, förbättra träffsäkerheten och öka den övergripande avledningsfrekvensen.