Регистър на недоволството с AI Builder и model-driven приложение
Международна компания за обучение и развитие
Накратко
Как AI Builder може да сортира оплакванията на клиенти по настроение и категория?
Когато клиент се оплаче, имейл веригата минава през няколко пощенски кутии, преди някой да я запише в таблица. Всяко предаване добавя забавяне, а месечната картина идва късно. Изградихме proof of concept, който превръща имейла с оплакване в проследяван запис с едно кликване, като AI Builder предлага настроението и категорията.
Резултати в числа
- спестени на оплакване
- 10 мин
- имейла за обучение
- 100
Накратко
- Таблицата за проследяване е заменена от model-driven приложение
- AI Builder сортира оплакванията по настроение и категория
- Оплакване се записва от имейла с едно кликване
Клиентът
Клиентът е компания за обучение и развитие с дейност в много държави. Оплакванията на клиенти стигат до служителите по продажби и обслужване на клиенти по имейл, като Dynamics 365 обработва имейла на клиентите.
Какво им струваше
- Излишно движение: имейл веригата се препраща към група за разпространение, а после отново към мениджъра на процеса.
- Ръчно записване: всяко оплакване се въвежда в таблица за проследяване и се обновява след разговори със служителите.
- Късна информация: изводите се обсъждат месечно, така че тенденциите излизат на яве седмици след събитията.
- Тежка работа по първопричините: стъпката 5 Whys зависи от преследване на служители за информация.
Какво изградихме
Изградихме model-driven приложение и flow-ове, които улавят оплакванията от имейла и ги класифицират с AI Builder.
- Таблицата е пенсионирана: таблица Tickets с около 30 колони и таблица Departments заместват регистъра.
- Записване с едно кликване: бутон в лентата на имейла отваря персонализирана страница и стартира flow, който създава заявката и свързва имейла с нея.
- Клиентът е уведомен: flow изпраща автоматичен отговор, че оплакването се обработва.
- Настроението с един поглед: готовият модел на AI Builder отбелязва положителен, отрицателен или неутрален текст.
- Предложена категория: персонализиран модел на AI Builder, обучен върху имейли с етикети, предлага категорията, която да потвърди определен човек.
- Водена обработка: business process flow с три етапа води всяка заявка през процеса.
- Правилните хора виждат правилните заявки: две роли за сигурност, Support и Categorizer, и изгледи, филтрирани по екип.
- Месечна картина без усилие: четири диаграми и едно табло, например категории проблеми и категории по статус.
Резултати
- Обхватът беше 2 таблици, 2 роли за сигурност, 1 business process flow, 4 диаграми и 1 табло.
- Обучението на модела изисква 100 примерни имейла с категория, поне по 10 за категория.
- Изградено за 8 до 12 часа за първото приложение и 4 до 6 часа за бутона в имейла.
- Резултат: записването на оплакване се свежда от няколко препращания и ръчно въвеждане до едно кликване, като се спестяват 10 минути на оплакване.
Рискът, който повечето екипи пропускат
На третия месец рисковете са отклонение на модела и оскъдни данни за обучение. При около 10 примера за категория моделът ще греши при необичайни оплаквания, а категориите се променят с времето. Решението включва стъпка за потвърждение, рутина за преобучение, захранвана с корекциите, съхранени в Dataverse, и посочен собственик на списъка с категории. Бутонът в имейла зависи и от настройка на Dynamics 365, която е собственост на друг екип.
Какво бихме добавили днес
Подобрения, които бихме добавили върху работещото решение.
- Използване на AI Builder prompt за резюмиране на имейл веригата и изготвяне на 5 Whys, както и за избор от фиксиран списък с категории вместо персонализиран модел.
- Добавяне на агент в Copilot Studio за ръководството на обслужването на клиенти, който отговаря какви са били основните причини този месец.
- Показване на тенденциите в Power BI или Fabric върху Dataverse, с месечни изгледи по категория и отдел.
- Прилагане на сигурност на ниво ред в Dataverse по отдел и сигурност на ниво поле за данните на клиентите.
- Внедряване чрез Power Platform pipelines с connection references, така че flow-овете да не зависят от акаунта на човек.
Технологии
Power Apps model-driven app, Dataverse, AI Builder, Power Automate, имейл в Dynamics 365, Outlook.
Разкажете ни как оплакването преминава през екипите Ви днес и ние ще Ви кажем кои стъпки може да замени проследяван, класифициран запис.
Продукти и възможности
- AI Builder
- Power Apps
- Dataverse
- Power Automate
- Dynamics 365
- sentiment analysis
- complaint tracking
- model-driven app
Услугата зад тази работа
Готовност за Copilot и агентиУслугата зад тази работа
Разработка на Power Platform
Свързани казуси
Продажби и обслужване на клиентиВарианти на мини CRM в SharePoint или Dataverse за екипи
Списък с клиенти, воден в таблици, няма история, ясен собственик на всяка връзка и общ поглед кой кого познава. Пълен CRM е твърде много за екип, който се нуждае от прост. Сравнихме три леки варианта за мини CRM, така че екипът да избере, имайки пред себе си компромисите.
- 13 ч
- model-driven вариант
- 42 ч
- на всеки canvas вариант
Клиентски портал за поръчки и проследяване
Когато клиентите поръчват по телефон или имейл, търговският отдел въвежда всяка поръчка наново, отговаря на всяко обаждане къде е доставката и открива грешките, след като камионът вече е тръгнал. Изградихме клиентски портал, в който одобрени клиенти правят и проследяват поръчките си, без търговският отдел да е посредник.
Три търговски платформи върху model-driven и портални Power Apps
Търговският отдел губи време и контрол, когато инструментите му са бавни, разпръснати или недостъпни за брокерите, с които работи. Клиентът се нуждаеше от платформи, които търговците вътре в компанията и брокерите извън нея да ползват в темпото на ежедневния бизнес. Разработихме три, като използвахме model-driven и портални Power Apps.
- 3
- търговски платформи
- 100+
- търговци и брокери
Имате проект с Microsoft?
Кажете ни какво трябва да се изгради, оправи или поддържа. Старши консултант отговаря до един работен ден.