AI do wykrywania duplikatów spraw: czy to ten sam problem?

Dwa kontakty, jedno zdarzenie

W przykładowej sprawie klient pisze: „Nie udało się opłacić zamówienia”. Później telefonuje, a konsultant zapisuje: „Klient wraca do błędu przy płatności za wczorajszy zakup”. W obu zgłoszeniach widnieje ten sam numer zamówienia, a rozmowa dotyczy tej samej nieudanej próby zapłaty. Osoba odbierająca telefon powinna móc znaleźć wcześniejszy e-mail i sprawdzić, co już ustalono.

W kolejnym zgłoszeniu pojawia się dokładnie zdanie „Nie udało się opłacić zamówienia”, ale klient opisuje inny zakup i kolejną próbę płatności. To oddzielne zdarzenie. Także sam wspólny numer zamówienia nie rozstrzyga każdej sytuacji: po wyjaśnieniu płatności klient może zgłosić problem z dostawą tego samego zakupu.

Użyteczna podpowiedź pokazuje więc obie wiadomości obok siebie wraz z numerem zamówienia i informacją, kiedy wystąpił problem. Pracownik może przeczytać wcześniejsze ustalenia i potwierdzić, czy obsługuje dalszy kontakt w tej samej sprawie. Jeśli któregoś szczegółu brakuje, para pozostaje propozycją do wyjaśnienia.

Co potrafi porównanie treści

Wyszukiwanie podobieństwa znaczeniowego pomaga odnaleźć opisy zapisane różnymi słowami. Dokumentacja Sentence Transformers opisuje wyszukiwanie par tekstów o takim samym lub podobnym znaczeniu. To przydatne przy zestawieniu e-maila klienta z krótką notatką konsultanta. Samo podobieństwo znaczenia nie ustala jednak, czy obie wypowiedzi dotyczą tego samego zdarzenia.

Dlatego wynik powinien ułatwiać porównanie treści z kontekstem sprawy. Lista wielu wiadomości o problemach z płatnością niewiele pomaga konsultantowi, który potrzebuje poprzedniego kontaktu dotyczącego konkretnego zakupu. Ważne jest też odnalezienie pary, w której jedna wiadomość opisuje błąd, a druga tylko odwołuje się do wcześniejszej rozmowy. Bez jej treści lub zapisanych danych sprawy model może nie mieć podstaw do trafnej propozycji.

Najpierw możliwości obecnego systemu

Warto zacząć od numerów zamówień, istniejących powiązań między kontaktami i wyszukiwania w używanym systemie obsługi. Jeśli konsultanci nie widzą e-maila przy rozmowie telefonicznej, ponieważ kanały zapisują dane w osobnych miejscach, potrzebne może być przede wszystkim ich połączenie. Dalsze uczenie modelu nie uzupełni brakującej historii.

Gdy dane są dostępne, można porównać obecne wyszukiwanie z gotowym modelem podobieństwa tekstu. Już taki model może odnajdywać inaczej sformułowane opisy. Dostosowanie warto ocenić, jeżeli wciąż wracają określone pomyłki: na przykład skrótowe notatki zespołu są pomijane albo podobne opisy oddzielnych zdarzeń regularnie trafiają do propozycji.

Fine-tuning jest jedną z form dostosowania i polega na dalszym uczeniu istniejącego modelu. W tym zastosowaniu może służyć lepszemu porównywaniu języka używanego w zgłoszeniach. Nadal trzeba korzystać z danych pozwalających odróżnić zdarzenia. Doświadczeni konsultanci pomagają wyjaśnić, dlaczego konkretne kontakty należą do tej samej sprawy, a inne powinny pozostać osobne.

Jak ocenić podpowiedzi przed wdrożeniem

Porównanie powinno objąć sprawy, których nie używano do dostosowania modelu. Zespół sprawdza zarówno podobnie brzmiące zgłoszenia o różnych zdarzeniach, jak i rzeczywiste duplikaty opisane odmiennymi słowami. Trzeba zobaczyć, które propozycje pracownik odrzuca oraz jakich powiązań rozwiązanie nadal nie znajduje. Inaczej można uzyskać krótką, pozornie trafną listę, która pomija większość kontaktów wymagających wspólnej obsługi.

Dla kierownika istotne jest też, ile czytania wymagają propozycje. Jeżeli konsultant przegląda kolejne podobne wiadomości, lecz nie dociera do wcześniejszych ustaleń szybciej niż w obecnym systemie, dalsza inwestycja wymaga uzasadnienia. Porównanie z gotowym modelem pokaże, czy dodatkowe dostosowanie zmienia tę pracę na tyle, by warto je utrzymywać.

Odnalezienie powiązanej sprawy i scalenie zapisów to osobne działania. Zendesk podaje, że scalonych zgłoszeń nie można rozdzielić. Proponowane tu rozwiązanie pozostawia decyzję pracownikowi i nie scala ani nie zamyka zgłoszeń automatycznie.

Przy analizie jakości wiele odrębnych reklamacji może celowo trafić do jednej grupy. Ten cel opisujemy w artykule o grupowaniu reklamacji jakościowych. W obsłudze duplikatów szukamy kontaktów dotyczących tego samego zdarzenia.

Co można zlecić Syntalith

Proponujemy aplikację AI do wskazywania powiązanych spraw w pracy zespołu obsługi. Zaczynamy od ustalenia, gdzie powstaje podwójna praca i jakie dane pozwalają rozpoznać wspólne zdarzenie. Porównujemy wyszukiwanie dostępne w obecnym systemie z gotowym modelem, a przy powtarzalnych błędach oceniamy dostosowanie.

Wybrane podejście łączymy z widokiem zgłoszenia, w którym pracownik przegląda proponowaną parę, wcześniejsze ustalenia i zapisuje swoją decyzję. Podpowiedzi korzystają ze spraw dostępnych dla danego pracownika.

Zespół klienta objaśnia trudne przypadki i poprawia propozycje, dzięki czemu można ocenić, czy narzędzie faktycznie pomaga dotrzeć do wcześniejszej obsługi. Na pierwszą rozmowę wystarczy opisać sytuację, w której dwie osoby zajęły się tym samym zdarzeniem, oraz sposób, w jaki dziś szukają wcześniejszych kontaktów. Zasady wykorzystania przykładów uzgodnimy w rozmowie. Informacje o ofercie znajdziesz w cenniku Syntalith.