Zum Hauptinhalt springen

Optimiere Fin sofort mit Hilfe von AI

Nutze AI-gestützte Empfehlungen, um die Lösungsrate von Fin durch Behebung von Inhalts-, Daten- und Aktionslücken zu verbessern.

Verfasst von Beth-Ann Sher

Recommendations überprüft die Gespräche, die Fin nicht beantworten kann, und sendet sie an dein Team. Anschließend liefert es wöchentliche Empfehlungen zur Behebung von Lücken in Fins Inhalten, Daten und Aktionen.

Durch die Analyse realer Kundengespräche hebt es die wirkungsvollsten Möglichkeiten hervor, die Automatisierung zu verbessern und die Lösungsrate von Fin schneller zu steigern.

Hauptvorteile

  • Erkenne, was Ergebnisse blockiert, indem Inhaltslücken, Kundendatenlücken und Aktionslücken identifiziert werden.

  • Priorisiere die wirkungsvollsten Korrekturen mithilfe konsistenter, gesprächsbasierter Wirkungspunkte.

  • Arbeite mit realen Kundengesprächen, die jede Empfehlung direkt informiert haben.

  • Wechsle von Eskalation zu Automatisierung mit klareren Anleitungen, wann Inhalte, Daten-Connectoren oder Verfahren erstellt werden sollten.

Hinweis: Um auf Recommendations und andere AI-gesteuerte Erkenntnisse zuzugreifen, benötigst du das Pro-Add-on.


Wie Recommendations funktioniert

Recommendations vereint alle AI-gestützten Verbesserungsvorschläge in einer einzigen Erfahrung, die das Verstehen, Filtern und Umsetzen von Empfehlungen erleichtert.

Um zu starten, gehe zu Fin AI Agent > Analyze > Recommendations. Dort findest du eine Liste von Empfehlungen, gruppiert nach der Art der Lücke, die Fin daran gehindert hat, ein Gespräch zu lösen.

Inhaltslücken

Inhaltslücken-Empfehlungen zeigen auf, wo Fin nicht antworten konnte, weil Hilfsinhalte fehlten, unklar, doppelt oder widersprüchlich waren.

Für jede Inhaltslücken-Empfehlung kannst du:

  • AI-generierte Empfehlungen überprüfen, um Inhalte zu erstellen oder bestehende zu bearbeiten.

  • Die genauen Gespräche sehen, die die Empfehlung ausgelöst haben.

  • Öffentliche Artikel oder Snippets direkt aktualisieren, um zukünftige Ergebnisse zu verbessern.

Tipp: Erfahre mehr über die Nutzung von AI-gestützten Inhalts-Empfehlungen zur Verbesserung von Fin.

Kundendatenlücken

Kundendatenlücken-Empfehlungen erscheinen, wenn Fin Informationen aus einem externen System benötigte, die nicht verfügbar waren, wie Bestellstatus oder Kontodetails.

Jede Kundendatenlücken-Empfehlung zeigt klar auf:

  • Eine Anleitung, die die API und benötigten Daten beschreibt, um Connectoren zu bauen, damit Fin Gespräche automatisch lösen kann. Die bereitgestellten Beispiele sollten von einem Ingenieur überprüft und angepasst werden.

  • Wie man die Automatisierung erstellt mit einem Daten-Connector.

  • Die Kundenanfragen, die beantwortet werden würden mit diesen Kundendaten.

  • Der Implementierungsaufwand, basierend auf technischer Komplexität, Infrastruktur- und Abhängigkeitsanforderungen, Sicherheits- und Compliance-Aspekten, Datenbetriebs-Komplexität, Geschäftslogik-Anforderungen, Leistungs- und Skalierbarkeitsbedürfnissen, Test- und Validierungskomplexität sowie Risikobewertung.

  • Beispiel-API-Dokumentation (nur zur Referenz). Dieses Beispiel-Schema zeigt die Art der Anfrage-/Antwortstruktur, die du implementieren könntest. Deine tatsächlichen Endpunkte, Parameter und Authentifizierungsabläufe können abweichen, daher betrachte dies als Vorlage für die Integrationsmuster, die zur Lösung dieser Anfragen erforderlich sind.

  • Eine Eskalationsanleitung-Empfehlung, die du schnell als temporäre Lösung implementieren könntest, um komplexe Anfragen an dein Team weiterzuleiten und ein reibungsloses Kundenerlebnis zu gewährleisten, während die vollständige Automatisierung aufgebaut wird.

Tipp: Erfahre mehr über Fins Eskalationsanleitung und Regeln.

Aktionslücken

Aktionslücken-Empfehlungen identifizieren, wo Fin eine Aktion in einem anderen System ausführen musste, wie einen Workflow zu aktualisieren oder eine Bestellung zu stornieren.

Jede Aktionslücken-Empfehlung zeigt klar auf:

  • Eine Anleitung, die die API und benötigten Daten beschreibt, um Connectoren oder Aufgaben zu bauen, damit Fin Gespräche automatisch lösen kann. Die bereitgestellten Beispiele sollten von einem Ingenieur überprüft und angepasst werden.

  • Wie man die Automatisierung erstellt mit Daten-Connectoren und Fin Tasks oder Procedures, je nach deiner Einrichtung.

  • Die Kundenanfragen, die beantwortet werden würden mit dieser Aktion.

  • Der Implementierungsaufwand, basierend auf technischer Komplexität, Infrastruktur- und Abhängigkeitsanforderungen, Sicherheits- und Compliance-Aspekten, Datenbetriebs-Komplexität, Geschäftslogik-Anforderungen, Leistungs- und Skalierbarkeitsbedürfnissen, Test- und Validierungskomplexität sowie Risikobewertung.

  • Beispiel-API-Dokumentation (nur zur Referenz). Dieses Beispiel-Schema zeigt die Art der Anfrage-/Antwortstruktur, die du implementieren könntest. Deine tatsächlichen Endpunkte, Parameter und Authentifizierungsabläufe können abweichen, daher betrachte dies als Vorlage für die Integrationsmuster, die zur Lösung dieser Anfragen erforderlich sind.

  • Eine Eskalationsanleitung-Empfehlung, die du schnell als temporäre Lösung implementieren könntest, um komplexe Anfragen an dein Team weiterzuleiten und ein reibungsloses Kundenerlebnis zu gewährleisten, während die vollständige Automatisierung aufgebaut wird.


Datenanalyse

Wie der Einfluss berechnet wird

Recommendations verwendet ein konsistentes Einflussmodell für alle Empfehlungstypen, bei dem der Einfluss basiert auf:

  • Der Anzahl der zugehörigen Gespräche.

  • Dem Zeitraum, den diese Gespräche abdecken.

Das bedeutet, der Einfluss spiegelt die reale, historische Nachfrage wider, sodass es einfacher ist zu beurteilen, welche Korrekturen Priorität haben sollten.

Hinweis: Standardmäßig werden Empfehlungen von höchstem zu niedrigstem Einfluss sortiert, mit der Option, bei längeren Zeiträumen nach Datum (neueste zuerst) zu sortieren.

Gespräche anzeigen, die Empfehlungen informiert haben

Wenn du die Seitenleiste oben rechts öffnest, findest du die Gespräche, die eine Empfehlung direkt informiert haben.

Das erleichtert:

  • Die genauen Kundenfragen hinter einer Empfehlung zu verstehen.

  • Zu überprüfen, ob die Korrektur die Ergebnisse spürbar verbessert.

  • Konkrete Beispiele mit Teammitgliedern zu teilen, wenn Änderungen geplant werden.

Empfehlungen filtern und sortieren

Recommendations enthält leistungsstarke Filter, damit verschiedene Teams sich auf das Wesentliche konzentrieren können.

Du kannst filtern nach:

  • Grund: um einen Empfehlungstyp auszuwählen (Inhalt, Kundendaten, Aktion).

  • Zeitraum: um Empfehlungen Woche für Woche zu überprüfen.

  • Thema: mit AI-generierten Themen wie Abrechnung oder Preisgestaltung.

  • Einfluss: um sich zuerst auf die größten Erfolge zu konzentrieren.

Eine Empfehlung annehmen oder ablehnen

Sobald du auf Annehmen, Als erledigt markieren oder Ablehnen klickst, wird die Empfehlung aus der Liste entfernt und erscheint nicht erneut.

Empfehlungseinstellungen

Klicke auf das Einstellungssymbol oben auf der Empfehlungsseite, um Inhalts-Empfehlungen nach Fin-Zielgruppen zu segmentieren, die du eingerichtet hast.

Wenn du Inhalts-Empfehlungen nach Zielgruppe segmentierst, erhält jede ausgewählte Zielgruppe ihre eigenen maßgeschneiderten Empfehlungen. So bleiben die Empfehlungen relevant und spezifisch für jede Zielgruppe oder Marke. Wenn du „Alle“ auswählst, sind die Empfehlungen allgemeiner statt zielgruppenspezifisch.

Hinweis:

  • Die Segmentierung funktioniert derzeit nur für Inhalts-Empfehlungen.

  • Beim Speichern werden deine aktuellen Inhalts-Empfehlungen gelöscht. Neue segmentierte Inhalts-Empfehlungen werden generiert, was einige Stunden dauern kann.


FAQs

Was hat sich gegenüber dem vorherigen Empfehlungs-Dashboard geändert?

Recommendations Fin wurde vereinfacht und neu fokussiert, um Verbesserungen leichter umsetzbar zu machen.

Wichtige Änderungen umfassen:

  • Eine einzige Empfehlungserfahrung, die separate Train- und Analyze-Ansichten ersetzt.

  • Klarere Automatisierungsanleitungen statt Priorisierung von Eskalationsanleitungen.

  • Entfernung von „Untersuchung erforderlich“-Empfehlungen, die vage und schwer umsetzbar waren.

  • Exklusiver Fokus auf die Lösungsrate, mit weiteren Metriken in zukünftigen Versionen geplant.

Welche Gespräche sind in Empfehlungen enthalten?

Recommendations analysiert nur bedeutungsvolle Support-Gespräche:

  • Eingehende Gespräche

  • Vom Kunden verfasst

  • Mit mindestens zwei Antworten von Fin oder einem Teammitglied

Ausgeschlossen sind ausstehende Gespräche und automatisierte Workflow-Nachrichten.

Wie oft werden Empfehlungen generiert?

  • Inhaltslücken-Empfehlungen werden wöchentlich generiert, mit zusätzlichen Auslösern bei hohem Volumen, anhaltender Aktivität oder plötzlichen Spitzen.

  • Kundendaten- und Aktionslücken-Empfehlungen werden wöchentlich generiert.

  • Empfehlungen werden Woche für Woche mit Datumsbereichsfiltern überprüft und bearbeitet.

Was ist mit dem Bericht „Unbeantwortete Fragen“ passiert?

Der Bericht „Unbeantwortete Fragen“ wurde durch Recommendations ersetzt. Recommendations zeigt nicht nur, wo Fin Gespräche nicht lösen konnte, sondern bietet auch klare, umsetzbare Anleitungen, wie diese Probleme behoben und die Lösungsrate verbessert werden kann.

Hat dies deine Frage beantwortet?