Slik leser brukerstøttesystemer kundevedlegg automatisk

En helpdesk kan bruke kundevedlegg som kontekst i supportsvar, men «å lese et vedlegg» kan bety flere forskjellige ting. Noen verktøy trekker ut tekst til billettfelt og utløser rutingsregler. Andre bruker vedlegget til å forberede et svar som en bruker kan gjennomgå.

Dette skillet er viktig. Et skjermbilde, en innebygd PDF, en skannet kvittering og et Word-dokument følger ikke nødvendigvis samme prosess, og et vedleggsbevisst svarutkast er ikke det samme som en fullstendig dokumentbehandlingsflyt.

Dette kan bli bedre for teamet ditt:

Brukere kan gjennomgå et foreslått svar som allerede tar hensyn til kundens skjermbilde eller dokument
Rutinemessige detaljer i et vedlegg kan håndteres uten at man gjentatte ganger må bytte mellom filer og svarredigeringsprogrammet
Menneskelig gjennomgang er fortsatt en del av prosessen før et svar sendes

Deskhero bruker støttede kundevedlegg som kontekst når det oppretter et AI-foreslått svar. Brukeren kan godta, redigere eller forkaste utkastet. Dette er nyttig, men bør ikke forveksles med automatisk uttrekking av verdier til egendefinerte felt eller ruting av billetter basert på dokumentinnhold.

Viktigste punkter

Vedleggsbevisst support fungerer best når du definerer hvilket resultat du trenger, tester reelle filer og lar en bruker være ansvarlig for det endelige svaret.

Punkt	Detaljer
Definer hva «lese» betyr	Utarbeiding av svar, tekstuttrekking, feltmapping og automatisert ruting er separate funksjoner.
Tilpass metoden til filen	Dokumenter med innebygd tekst er enklere å analysere enn skanninger, bilder eller håndskrift.
Behold gjennomgang i arbeidsflyten	Et foreslått svar bør kontrolleres mot det opprinnelige vedlegget før det sendes.
Mål et reelt supportsresultat	Følg med på behandlingstid, oppfølgingsspørsmål og korrigeringsgrad for billetter med mange vedlegg.
Kjenn Deskhero sitt bruksområde	Deskhero bruker støttede bilder og dokumenter som kontekst for AI-forslag til svar.

Innholdsfortegnelse

Hvordan leser en helpdesk kundevedlegg?
Hvilke fordeler bør du forvente, og hva bør du måle?
Hvordan implementerer du vedlegglesing uten et utviklerteam?
Hvilke filtyper fungerer best, og hvor mislykkes uttrekkingen?
Hvordan holder du uttrekkingen nøyaktig og etterprøvbar?
Hvordan Deskhero bruker dette i praksis
De første 90 dagene, realistisk sett
Start et pilotprosjekt som leser vedlegg for deg
Kilder
Vanlige spørsmål

Hvordan leser en helpdesk kundevedlegg?

Det finnes to vanlige arbeidsflyter. I en arbeidsflyt for vedleggsbevisst utarbeiding av svar gir helpdesken et støttet bilde eller dokument til AI-en sammen med samtalen og relevant bedriftskunnskap. Resultatet er et foreslått svar som en bruker kan gjennomgå.

I en dokumentbehandlingsflyt trekker et separat OCR- eller analyseverktøy ut tekst eller strukturerte verdier. Disse verdiene kan deretter skrives til billettfelt eller brukes av automatiseringsregler. Produkter som er utviklet for dette formålet, kan støtte feltmapping og arbeidsflythandlinger, slik det beskrives på Swifteq-siden for dokumentanalyse.

For dokumentbehandling ser trinnene vanligvis slik ut:

Identifiser filtypen og avgjør om den inneholder tekst eller piksler.
Trekk ut innebygd tekst direkte, eller bruk OCR eller visjon for et bilde.
Strukturer resultatet hvis arbeidsflyten trenger felt som et ordrenummer eller en fakturasum.
Bruk resultatet i et utkast, et billettfelt eller en regel, avhengig av produktet og konfigurasjonen.

En enkel OCR-kjøring kan gjenopprette ordene, men samtidig miste forholdet mellom rader og kolonner. Layoutbevisste verktøy forsøker å bevare denne strukturen. AI-visjon kan også tolke visuell kontekst i et skjermbilde eller et produktbilde, slik det vises i Machas bildearbeidsflyt for Zendesk.

Profftips: Skriv ned det nøyaktige resultatet du trenger før du velger et verktøy. «Hjelp brukeren med å svare på denne billetten» er et annet krav enn «kopier fakturasummen til et egendefinert felt».

Hvilke fordeler bør du forvente, og hva bør du måle?

Den tydeligste potensielle fordelen er mindre manuell veksling mellom kontekster. En bruker trenger kanskje ikke lenger å laste ned en fil, undersøke den i et annet program, gå tilbake til billetten og begynne på et svar fra grunnen av.

Den faktiske gevinsten avhenger av blandingen av vedlegg og hvilket resultat du automatiserer. En ren PDF med markerbar tekst er enklere å bruke enn et mørkt bilde tatt fra en vinkel. Et foreslått svar kan spare tid på utarbeiding, mens strukturert OCR kan spare tid på transkribering. Ikke bruk leverandørens prosenttall som en prognose for din egen kø.

Hender som effektiviserer arbeidsflyten for supportdokumenter

Mål arbeidsflyten du faktisk tar i bruk. Nyttige grunnlinjemålinger omfatter:

Gjennomsnittlig behandlingstid for billetter med vedlegg
Andelen av disse billettene som krever et oppfølgingsspørsmål
Andelen foreslåtte svar som brukere redigerer betydelig eller forkaster
Antallet vedleggsrelaterte korrigeringer som gjøres etter gjennomgang

Samle inn en grunnlinje før utrullingen, og sammenlign deretter samme billettkategori og et tilsvarende volum etter at teamet har lært den nye prosessen.

Hvordan implementerer du vedlegglesing uten et utviklerteam?

Hvis målet ditt er vedleggsbevisst utarbeiding av svar, bør du begynne med en helpdesk som tilbyr funksjonen direkte. Hvis målet ditt er strukturert uttrekking, bør du se etter en støttet parserintegrasjon og bekrefte at den kan mappe feltene du trenger.

Gå gjennom vedleggene dine. Ta et utvalg av nylige billetter og tell formatene, størrelsene, bildekvaliteten og de vanligste kundespørsmålene.
Velg ett resultat. Begynn med svarforslag eller én strukturert verdi, ikke alle mulige handlinger samtidig.
Bekreft støttede formater og begrensninger. En fil som kan lastes opp, er ikke nødvendigvis en fil AI-en kan lese.
Behold et gjennomgangstrinn for en bruker. Sammenlign det foreslåtte svaret eller den uttrekkede verdien med kildevedlegget.
Lag en reserveprosess. Gjør det enkelt å håndtere en fil som ikke støttes, er for stor, uklar eller håndskrevet, manuelt.
Start et pilotprosjekt for én billettkategori. Mål kvalitet og behandlingstid før du utvider.

Profftips: Bruk eksempler fra din egen kø. En polert eksempelregning beviser mindre enn et uklart kundebilde som representerer den daglige arbeidsmengden din.

Parserapper utviklet for et bestemt formål kan legge til strukturert OCR i en eksisterende billettplattform. Vedleggsbevisste helpdesker kan i stedet redusere arbeidet med å utarbeide svar uten at du må utforme feltmappinger eller rutingsregler.

Hvilke filtyper fungerer best, og hvor mislykkes uttrekkingen?

Dokumenter med et brukbart tekstlag gir som regel renere inndata enn skanninger. PDF- og Word-dokumenter som er opprettet digitalt, kan ofte levere tekst direkte. Bilder, skjermbilder og PDF-filer som bare består av bilder, krever at systemet tolker piksler.

Vanlige feilkilder omfatter:

Bilder med lav oppløsning eller kraftig komprimering
Dokumenter som er fotografert fra en vinkel
Håndskrift eller uvanlige skrifttyper
Blekede kvitteringer og etiketter med lav kontrast
Filer som overskrider produktets begrensninger for størrelse, antall sider eller innhold

Støtte for opplasting og støtte for AI-lesing er også to forskjellige ting. Deskhero tillater vedlegg på opptil 120 MB i en billett, men AI-konteksten for vedlegg har snevrere begrensninger. Det foreslåtte svaret kan ta hensyn til opptil tre støttede bilder og to støttede dokumenter. Bilder må være i PNG-, JPG-, GIF- eller WebP-format og ha minst 300 x 300 piksler. Kildebilder er begrenset til 15 MB. Dokumenter kan være PDF, DOC eller DOCX, med opptil 8 000 ekstraherte tegn per dokument og opptil 10 PDF-sider behandlet direkte.

Hvordan holder du uttrekkingen nøyaktig og etterprøvbar?

Begynn med å oppbevare det opprinnelige vedlegget ved siden av resultatet. For et foreslått svar bør brukeren kontrollere navn, tall, datoer, produktdetaljer og den forespurte handlingen før svaret sendes.

Ta jevnlig stikkprøver av billetter der vedlegg inngår, og noter hvor arbeidsflyten mislykkes. Nyttige kategorier omfatter fil som ikke støttes, uleselig bilde, manglende kontekst, feil tolkning og riktig tolkning med et uegnet svar.

Følg med på:

Foreslåtte svar som godtas, redigeres og forkastes
Korrigeringer som gjelder tall eller identifikatorer
Behandlingstid for støttede og ikke-støttede filer
Andelen kundeoppfølginger etter vedleggsbevisste svar

Betrakt vedlegget som dokumentasjon for et utkast, ikke som tillatelse til å handle uten gjennomgang. For forespørsler med høyere risiko, som refusjoner, kontoendringer eller sikkerhetshendelser, bør du beholde kontrollene du ville brukt dersom en bruker hadde lest filen manuelt.

Hvordan Deskhero bruker dette i praksis

Deskhero genererer AI-forslag til svar på innkommende billetter. For støttede vedlegg kan utkastet bruke skjermbilder som bildekon og PDF- eller Word-dokumenter som tekstkontekst. Utkastet bruker også relevant kunnskap fra arbeidsområdet, som kan omfatte besvarte billetter, godkjente offentlige FAQ-oppføringer, innhold fra interne kunnskapsbaser, innskrapede nettsider og andre konfigurerte kilder.

Forslaget vises i svarredigeringsprogrammet. En bruker kan godta, redigere eller forkaste det. Det kreves en ekstra bekreftelse for å sende et uendret AI-forslag. Deskhero hevder ikke at denne funksjonen skriver vedleggsinnhold inn i egendefinerte felt, tildeler en konfidensskår eller ruter billetten basert på uttrekkede verdier.

Deskhero kobler seg til Google- og Microsoft-postkasser ved hjelp av toveis synkronisering, slik at innkommende meldinger blir til billetter og svar kan sendes fra selskapets adresse. Temaklynger i statistikk er en separat analysefunksjon for å forstå temaer på tvers av billetter. Det er ikke en logg for vedleggsbehandling.

Et praktisk pilotprosjekt:

Velg én postkasse eller billettkategori med hyppige støttede vedlegg
Be brukere sammenligne hvert forslag med kildefilen
Registrer hvilke formater som gir nyttige utkast, og hvilke som krever manuell behandling
Utvid først når kvaliteten er tilstrekkelig stabil for teamet ditt

Profftips: Begynn med en vanlig forespørselstype med lav risiko. Da får du nok eksempler til å vurdere kvaliteten uten å starte med en sensitiv arbeidsflyt.

De første 90 dagene, realistisk sett

De to første ukene bør du kartlegge vedleggsformater og etablere grunnlinjemålinger. I løpet av de påfølgende ukene tester du én kategori og dokumenterer feilmønstre. Bruk resten av tiden til å lære brukerne hvordan de skal gjennomgå svarene, forbedre reserveprosessen og avgjøre om vedleggsbevisst utarbeiding av svar er tilstrekkelig, eller om det også er behov for et separat verktøy for strukturert OCR.

En vanlig feil er å anta at alle filer som legges ved en billett, vil bli lest i sin helhet. Produktbegrensninger, bildekvalitet, dokumentlengde og filtype påvirker alle hvilken kontekst som er tilgjengelig. Gjør disse grensene til en del av teamets arbeidsflyt.

Start et pilotprosjekt som leser vedlegg for deg

Deskhero kan bruke støttede kundebilder og dokumenter når det forbereder et AI-forslag til svar. Brukeren beholder kontrollen over hva som sendes, og løsningen fungerer med den øvrige kunnskapen som er tilgjengelig i arbeidsområdet.

Deskhero

For e-handelsteam legger Shopify-integrasjonen til et kunde- og ordrepanel i billetten. Dette panelet er separat fra vedleggslesing. Siden om AI-forslag til svar forklarer hvordan Deskhero forbereder et svar til gjennomgang.

Deskhero tilbyr en gratis prøveperiode på 30 dager uten krav om kredittkort. Start den gratis prøveperioden, test et representativt utvalg billetter og vurder utkastene opp mot vedleggene kundene dine faktisk sender.

Kilder

Vanlige spørsmål

Kan en helpdesk faktisk lese et skjermbilde en kunde sender?

Ja, enkelte helpdesker og integrasjoner kan bruke AI-visjon til å tolke støttede skjermbilder. Det nøyaktige resultatet kan være et svarforslag, uttrekket tekst eller strukturerte felt, avhengig av produktet.

Hva er forskjellen mellom OCR og AI-visjon for vedlegg?

OCR konverterer synlige tegn til tekst. AI-visjon kan også tolke visuell kontekst, for eksempel det som vises i et produktbilde eller et skjermbilde av et grensesnitt.

Leser Deskhero PDF- og DOCX-vedlegg?

Deskhero kan bruke støttede PDF-, DOC- og DOCX-vedlegg som tekstkontekst for AI-forslag til svar. Det gjelder begrensninger for antall, størrelse, lengde og sideantall for dokumentene som behandles.

Hvor nøyaktig er automatisert uttrekking fra vedlegg?

Nøyaktigheten varierer med verktøyet, filtypen, layouten og bildekvaliteten. Test dine egne filer og behold et gjennomgangstrinn for en bruker i stedet for å stole på et universelt nøyaktighetsløfte.

Hvilke filtyper skaper flest problemer ved uttrekking?

Bilder med lav oppløsning, bilder tatt fra en vinkel, håndskrift, skanninger med lav kontrast, formater som ikke støttes, og filer som overskrider produktets behandlingsgrenser, krever ofte manuell gjennomgang.

Bør enhver automatisert uttrekking utløse et umiddelbart svar?

Nei. Begynn med et utkast som en bruker gjennomgår. Legg til automatisering som er synlig for kunden først når produktet støtter det, kunnskapskilden er egnet og risikoen er forstått.