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推奨を提供します。
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向上させる最も影響力の高い機会を強調します。
主な利点
成果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、各推奨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、または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。
注意: Recommendationsやその他のAI駆動のインサイトにアクセスするには、Pro add-onが必要です。
Recommendationsの仕組み
RecommendationsはすべてのAI搭載の改善推奨を一つの体験にまとめ、推奨の理解、フィルタリング、実行を容易にします。
開始するには、Fin AI Agent > 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推奨リストが提供されます。
コンテンツのギャップ
コンテンツギャップの推奨は、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、矛盾にある場合を示します。
各コンテンツギャップの推奨について、以下が可能です：
AI生成の推奨をレビューして、新規作成または既存コンテンツの編集を行います。
推奨を引き起こした正確な会話を確認できます。
将来の成果を改善するために、公開記事やスニペットを直接更新します。
ヒント: AI搭載のコンテンツ推奨の使い方について詳しく学びましょう。
顧客データのギャップ
顧客データギャップの推奨は、Finが外部システムからの情報（注文状況やアカウント詳細など）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推奨は以下を明確に示します：
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にコネクタを構築します。提供された例はエンジニアがレビューし適応する必要があります。
自動化の作成方法はデータコネクタを使用します。
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/レスポンス構造を示しています。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推奨は、完全な自動化が構築される間、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推奨は、Finが他のシステムでアクションを実行する必要があった場合（ワークフローの更新や注文のキャンセルなど）を特定します。
各アクションギャップの推奨は以下を明確に示します：
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に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レビューし適応する必要があります。
自動化の作成方法はデータコネクタとFin TasksまたはProceduresを使用し、設定に応じて行います。
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/レスポンス構造を示しています。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推奨は、完全な自動化が構築される間、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はすべての推奨タイプで一貫した影響モデルを使用し、影響度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。
これは影響度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、推奨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。
推奨に情報を提供した会話を表示
右上のサイドドロワーを開くと、推奨に直接情報を提供し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：
推奨の背後にある正確な顧客の質問を理解する。
修正が成果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。
推奨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です：
理由：推奨タイプ（コンテンツ、顧客データ、アクション）を選択。
日付範囲：週ごとに推奨をレビュー。
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：最も大きな成果に集中。
推奨を承認または拒否する
一度承認、完了としてマーク、または拒否した推奨はリストから削除され、再表示されません。
推奨設定
推奨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推奨をセグメント化。
オーディエンスごとにコンテンツ推奨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推奨セットが届きます。これにより推奨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、推奨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、コンテンツ推奨のみに対応しています。
保存すると現在のコンテンツ推奨はクリアされ、新しいセグメント化されたコンテンツ推奨が生成されます。数時間かかる場合があります。
よくある質問
以前の推奨ダッシュボードから何が変わりましたか？
以前の推奨ダッシュボードから何が変わりましたか？
Recommendations Fin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 推奨体験で、TrainとAnalyzeの別々のビューを置き換えました。
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やめました。
「調査が必要」推奨を削除し、曖昧で実行が難しかったものを排除しました。
解決率に専念し、他の指標は将来のバージョンで計画中です。
推奨に含まれる会話は？
推奨に含まれる会話は？
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化ワークフローメッセージは除外されます。
推奨はどのくらいの頻度で生成されますか？
推奨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推奨は週次で生成され、高ボリューム、継続的な活動、または急激な増加のトリガーもあります。
顧客データとアクションギャップの推奨は週次で生成されます。
推奨は日付範囲フィルターを使って週ごとにレビューおよび対応されます。
未解決の質問レポートはどうなりましたか？
未解決の質問レポートはどうなりましたか？
未解決の質問レポートは推奨に置き換えられました。推奨はFinが会話を解決できなかった箇所を示すだけでなく、それらの問題を修正し解決率を向上させるための明確で実行可能なガイダンスも提供します。