Historiske henvendelser inneholder nyttig språk, henvendelsestyper, beslutninger og grensetilfeller. De inneholder også personopplysninger, utdaterte retningslinjer, inkonsekvente handlinger, dupliserte samtaler og feil. Gode treningsdata for AI i kundeservice er nøye utvalgt og forvaltet; de er ikke bare en eksport av hele innboksen.
De samme prinsippene gjelder enten data brukes til modelltrening, gjenfinning, eksempler, evaluering eller arbeidsflytanalyse.
Start med et definert formål
Bestem hva dataene skal brukes til: klassifisering av henvendelser, svarutkast, valg av handling, oppsummering, kvalitetskontroll eller testing mot historiske saker. Hvert formål krever egne etiketter og et egnet datagrunnlag.
| Formål | Nyttige felt |
|---|---|
| Klassifisering av henvendelser | Kundetekst, kanal, språk, validert henvendelsestype |
| Beslutningsstøtte | Relevant kontekst, versjon av retningslinjene, godkjent resultat |
| Utkast til evaluering | Kildefakta, forventede svarelementer, forbudte påstander |
| Handlingsevaluering | Forutsetninger, forespurt handling, verifisert resultat |
| Eskalering | Risikosignaler, manglende data, riktig destinasjon |
| Kvalitetskontroll | Samtale, handlingslogg, poengsum og fagpersonens begrunnelse |
Unngå å bruke felter etter løsning som ikke ville være tilgjengelige når den direkte avgjørelsen er tatt.
Beskytt kundedata
Begrens dataene til det formålet krever. Fjern eller omform identifikatorer der det er relevant, begrens tilgangen, definer lagringstid og dokumenter tillatt bruk. Sensitive kategorier og vedlegg kan kreve særskilt håndtering eller måtte utelates.
Personvern- og sikkerhetsspesialister bør godkjenne prosessen. Et praktisk datasett er ikke verdt ukontrollert kundeeksponering.
Merk resultat, ikke snarveier
Et svar sendt av kundebehandler er ikke automatisk det riktige svaret. Bruk kvalitetsvurderte saker, gjeldende retningslinjer, handlingsresultater og gjentatte henvendelser for å etablere pålitelige etiketter. Registrer når en sak er et unntak i stedet for å lære det som hovedregel.
Veiledningen om kvalitetssikring av kundeservice viser hvordan faglig vurderte eksempler gir bedre treningssignaler enn å anta at alle godkjente svar fra kundebehandlerne er riktige.
Gjør datasettet representativt
Inkluder vanlige henvendelsestyper og sjeldne høyrisikosaker, korte og lange meldinger, stavefeil, forskjellige språk, misfornøyde kunder, manglende informasjon, motstridende data og sesongmessige hendelser. Bevar realistisk klasseubalanse i én evalueringsvisning, men lag målrettede utfordringssett for kritiske scenarier.
Skill opplæring, validering og testdata ved samtale og, der det er nødvendig, etter kunde eller hendelse for å forhindre lekkasje. Fjern duplikater og malede ekkoer som får ytelsen til å se sterkere ut enn den er.
Spor retningslinjer og tid
Lagre gjeldende versjon av retningslinjene og hendelsesdatoer. Et riktig svar fra i fjor kan være feil i dag. Bygg et nylig separat testsett og overvåk nye produkter, markeder og henvendelsemønstre for drift.
Bruk tilbakemeldingssløyfe for AI i kundeservice for å legge til validerte nye saker uten å automatisk absorbere hver produksjonsredigering.
Dokumenter begrensninger
Lag et enkelt datakort som beskriver kilde, datoperiode, utvalg, ekskluderinger, etiketter, gjennomgangsprosess, språk, kjente hull og godkjent bruk. Dette hjelper fagpersoner med å tolke resultater og forhindrer gjenbruk utover datasettets formål.
Data av høy kvalitet trenger ikke å være omfattende. Et mindre, representativt og nøye gjennomgått datasett sier ofte mer om hvor klar organisasjonen er for drift, enn millioner av henvendelser som ikke er kvalitetssikret.