AI Filter Spama i Nevažnih Poruka: Helpdesk bez Nereda: Kako Zaustaviti Botski Spam i Automatske Odgovore iz Ureda koji Uništavaju Vaše Metrike

U ovom članku:

• Što vas zapravo košta nered u zahtjevima
• Što se smatra neredom, a što ne
• Kako AI filter spama prepoznaje razliku
• Postavljanje bez gubitka stvarnih zahtjeva
• Što učiniti s filtriranim zahtjevom

Većina timova postavi blokiranje spama jednom, pomisli da je problem riješen i prestane razmišljati o tome. Zatim petkom poslijepodne email kampanja aktivira četrdeset automatskih odgovora izvan ureda s mailing liste, svaki od njih pristigne kao zahtjev, a ponedjeljkom izvještaj o metrici kaže da je tim odjednom postao dvostruko brži.

Što vas zapravo košta nered u zahtjevima

Automatski odgovor izvan ureda nije spam, ali čini istu štetu vašim brojkama. Sve što se zatvara jednim klikom bez stvarnog odgovora smanjuje prosječno vrijeme obrade i vrijeme prvog odgovora, jer sustav ne može razlikovati petosekundno automatsko zatvaranje od istinski brzog rješavanja.

Broj zahtjeva po agentu povećava se na isti način. Ako deset agenata svaki zatvori pet nerednih zahtjeva u jednom satu, nadzorna ploča to bilježi kao produktivan sat, a ne kao deset ljudi koji čiste smeće. Ako vaš helpdesk automatski anketira svaki zatvoreni zahtjev, CSAT također može odstupati, budući da je dio “odgovora” zapravo automatske povratne poruke i obavijesti o odsutnosti koje nikada nisu bile stvarna interakcija s korisnikom.

Na primjer, tim koji pošalje newsletter s 5.000 kontakata mogao bi vidjeti 150 do 200 automatskih odgovora izvan ureda koji pristignu kao zahtjevi unutar nekoliko sati, svi zatvoreni trenutno, svi zabilježeni kao brza rješenja u izvještaju tog dana.

Zakvačasti dio je da nitko ne primijeti dok netko ne reagira na pogrešan broj. Voditelj koji vidi pad prosječnog vremena obrade od 20 posto nakon velike kampanje mogao bi zaključiti da je tim postao učinkovitiji, a ne da je petina dnevnih “zahtjeva” bila automatski odgovor kojeg se nitko nije ni dotaknuo. Odluke o osoblju, bonus ciljevi i promjene procesa doneseni su na temelju brojki koje su zapravo mjerile koliko je automatizirane pošte stiglo tog tjedna, a ne kako je tim stvarno radio.

Što se smatra neredom, a što ne

Nije sve što nije “stvarno” pitanje u istoj kategoriji. Korisno je biti precizan o tome što bi AI filter spama zapravo trebao hvatati.

Srednja dva retka su mjesta gdje većina filtera griješi. Automatski odgovori izvan ureda i povratne poruke nisu zlonamjerni, pa će filter podešen samo za “spam” u tradicionalnom smislu propustiti oboje izravno.

Spremni podići poslovanje na višu razinu?

Isprobajte LiveAgent besplatno i uvjerite se sami.

Zatražite demo 30 dana besplatno

Kako AI filter spama prepoznaje razliku

LiveAgentov AI Filter Spama i Nevažnih Poruka radi tako da provjerava zaglavlja, strukturu i sadržaj tijela svakog dolaznog zahtjeva prema pravilima koje vi definirate, a zatim vraća strogu istinito-netočnu ocjenu: relevantno ili ne. Tu ocjenu koristi pravilo usmjeravanja, a ne fiksni popis zabranjenih pošiljatelja ili ključnih riječi.

Ovo je posebno važno za automatske odgovore izvan ureda jer oni ne izgledaju kao spam u tradicionalnom smislu. Dolaze od stvarnih ljudi, sa stvarnih adresa, bez zle namjere. Ono što ih označava nije provjera reputacije pošiljatelja. To je ista procjena koja uzima u obzir kontekst koja hvata hladnu prodajnu ponudu: automatiziran ton, bez stvarnog pitanja, naslov i tijelo koji ne odgovaraju stvarnom zahtjevu za podršku.

Vodič za konfiguraciju same značajke izričito navodi “automatske sistemske poruke” kao jedan od rubnih slučajeva za koje biste trebali definirati pravila, uz upite partnera i interne e-poruke. Automatski odgovori izvan ureda spadaju izravno u tu kategoriju.

Kako se ovo nadopunjuje s blokiranjem spama na razini e-pošte

AI filter spama koji procjenjuje sadržaj zahtjeva drugačiji je sloj od filtera koji blokira poznate pošiljatelje spama prije nego poruka uopće postane zahtjev. LiveAgentova AI prevencija spama radi ranije u procesu, klasificirajući dolaznu e-poštu kao spam ili legitimnu prije nego uopće stigne u vaš red zahtjeva.

Ta dva nisu izbor između jednog ili drugog. Blokiranje na razini e-pošte hvata očite stvari, masovne popise pošiljatelja, poznate phishing domene i masovni marketing, prije nego što vas košta zahtjeva. Filter na razini zahtjeva hvata ono što ipak prođe: jednokratni automatski odgovor izvan ureda s adrese koju nikada prije niste vidjeli ili hladnu ponudu od pošiljatelja koji još nije ni na jednoj blok listi. Pokretanje obojega znači da manje nereda uopće stigne do provjere na razini zahtjeva, što olakšava njezin posao i smanjuje stopu lažno pozitivnih rezultata.

Pretplatite se na newsletter

Najnoviji savjeti i ponude izravno u vašem sandučiću.

E-mail adresa

Pretplatite se

Postavljanje bez gubitka stvarnih zahtjeva

1. Krenite usko. Uključite filtriranje za očiti spam i phishing prvo, i ništa drugo. Potvrdite da tjedan dana stvarnih zahtjeva svi prolaze netaknuti prije nego dodate ijedno dodatno pravilo.
2. Dodajte pravilo za odgovore izvan ureda. Ažurirajte upit relevantnosti da izričito navede automatske sistemske poruke, povratne poruke i automatske odgovore izvan ureda kao neakcijske. Dajte mu dvije ili tri konkretne primjerne fraze, poput “izvan ureda” i “automatski odgovor”, kako bi pravilo imalo nešto specifično za podudaranje.
3. Mapirajte ocjenu u radnju. Usmjerite sve što filter označi kao netočno u zasebnu oznaku ili prikaz, ne izravno u smeće, kako biste to mogli revidirati. Izgradite ovaj prikaz pomoću LiveAgentovih filtera zahtjeva , tako da se automatski ažurira kako novi zahtjevi dobivaju oznake, umjesto da svaki put trebate ručno pretraživati.
4. Pregledajte nakon tjedan dana. Provjerite filtrirani prikaz za bilo što što ne bi trebalo biti tamo. Istinsko pitanje koje slučajno zvuči automatizirano, kratka poruka bez pozdrava, na primjer, najčešći je lažno pozitivan slučaj.
5. Doradite i ponovite. Pojačajte ili olabavite upit na temelju onoga što zapravo vidite, a ne onoga što ste pretpostavili da ćete vidjeti. Većina timova treba dva ili tri ciklusa pregleda prije nego pravilo prestane označavati rubne slučajeve.

Filter podešen nakon samo jednog ciklusa pregleda obično barem jednom pogriješi u pravilu. To je očekivano. Smisao četvrtog koraka je uhvatiti to prije nego vas košta stvarnog korisnika.

Što učiniti s filtriranim zahtjevom

Zahtjev označen kao netočan ne bi trebao jednostavno nestati. Usmjerite ga u vlastitu oznaku ili spremljeni prikaz tako da lažno pozitivan slučaj bude jednim klikom udaljen od vraćanja i tako da imate tekući broj točno onoliko nereda koliko filter hvata, odvojeno od vašeg stvarnog volumena zahtjeva.

Taj broj je također vrijedan praćenja. Ako naglo poraste, poput gore navedenog primjera s newsletterom, znat ćete da će se vaša nadzorna ploča metrike uskoro prikazati nalet “produktivnosti” koja se zapravo nikada nije dogodila, i možete to zabilježiti prije nego netko pita zašto su vremena odgovora pala preko noći.

Tretirajte filtrirani prikaz kao drugo sandučić koje zahtijeva povremenu pažnju, a ne kao crnu rupu. Brzi tjedni pogled košta nekoliko minuta i hvata dva načina kvara koji su zapravo važni: stvarni korisnik zaglavljen u oznaci nereda i nova vrsta automatizirane poruke koju izvorna pravila nikada nisu predvidjela. Platforme za newsletter mijenjaju tekst povratnih poruka, alati za ticketing dodaju nove automatske obavijesti, a pravilo napisano prije šest mjeseci tiho prestaje pokrivati vrstu poruke koju je nekad hvatbalo. Timovi koji održavaju AI filter spama u dobrom stanju su oni koji ga tretiraju kao postavku koju treba ponovno posjetiti, a ne kao prekidač koji uključe jednom i zaborave.