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 werden die wirkungsvollsten Möglichkeiten zur Verbesserung der Automatisierung und zur schnelleren Steigerung der Lösungsrate von Fin hervorgehoben.
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 Anweisungen, 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 bündelt alle AI-gestützten Verbesserungsempfehlungen in einer einzigen Erfahrung, die das Verstehen, Filtern und Umsetzen von Empfehlungen erleichtert.
Um zu starten, gehe zu Fin AI Agent > Analyse > Recommendations. Dort findest du eine Liste von Empfehlungen, gruppiert nach der Art der Lücke, die Fin daran gehindert hat, ein Gespräch zu lösen.
Inhaltslücken
Empfehlungen zu Inhaltslücken zeigen auf, wo Fin nicht antworten konnte, weil Hilfsinhalte fehlten, unklar, doppelt oder widersprüchlich waren.
Für jede Empfehlung zu Inhaltslücken kannst du:
AI-generierte Empfehlungen überprüfen, um neue 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
Empfehlungen zu Kundendatenlücken erscheinen, wenn Fin Informationen aus einem externen System benötigte, die nicht verfügbar waren, wie Bestellstatus oder Kontodetails.
Jede Empfehlung zu Kundendatenlücken zeigt klar auf:
Eine Anleitung, die die benötigte API und Daten beschreibt, um Connectoren 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 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 Risikoabschätzung.
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
Empfehlungen zu Aktionslücken identifizieren, wo Fin eine Aktion in einem anderen System ausführen musste, wie einen Workflow aktualisieren oder eine Bestellung stornieren.
Jede Empfehlung zu Aktionslücken zeigt klar auf:
Eine Anleitung, die die benötigte API und Daten beschreibt, um Connectoren 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 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 Risikoabschätzung.
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, dass der Einfluss die reale, historische Nachfrage widerspiegelt, 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 tatsächlich verbessert.
Konkrete Beispiele mit Teamkollegen 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 einer Empfehlung klickst, wird sie 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 Zielgruppen 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 im Vergleich zum vorherigen Empfehlungs-Dashboard geändert?
Was hat sich im Vergleich zum vorherigen Empfehlungs-Dashboard geändert?
Recommendations Fin wurde vereinfacht und neu ausgerichtet, um Verbesserungen leichter umsetzbar zu machen.
Wichtige Änderungen umfassen:
Eine einzige Empfehlungserfahrung, die separate Train- und Analyseansichten ersetzt.
Klarere Automatisierungsanweisungen, anstelle der Priorisierung von Eskalationsanweisungen.
Entfernung von „Untersuchung erforderlich“-Empfehlungen, die vage und schwer umsetzbar waren.
Exklusiver Fokus auf die Lösungsrate, mit weiteren Metriken, die in zukünftigen Versionen geplant sind.
Welche Gespräche sind in Empfehlungen enthalten?
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?
Wie oft werden Empfehlungen generiert?
Empfehlungen zu Inhaltslücken werden wöchentlich generiert, mit zusätzlichen Auslösern bei hohem Volumen, anhaltender Aktivität oder plötzlichen Spitzen.
Empfehlungen zu Kundendaten- und Aktionslücken werden wöchentlich generiert.
Empfehlungen werden Woche für Woche mit Datumsbereichsfiltern überprüft und bearbeitet.
Was ist mit dem Bericht „Unresolved Questions“ passiert?
Was ist mit dem Bericht „Unresolved Questions“ passiert?
Der Bericht „Unresolved Questions“ wurde durch Recommendations ersetzt. Recommendations zeigt nicht nur, wo Fin Gespräche nicht lösen konnte, sondern bietet auch klare, umsetzbare Anweisungen, wie diese Probleme behoben und die Lösungsrate verbessert werden kann.