Destek taleplerini yapay zeka ile doğru ekibe yönlendirmek

Otomatik talep yönlendirme neyi değiştirir?

Çoğu destek ekibinde gelen talep önce ortak bir kutuya düşer, bir kişi ya da küçük bir grup onları tek tek okur, kategorisini belirler ve ilgili ekibe atar. Bu ilk eleme hem yavaştır hem de kişiye bağlıdır: aynı talep farklı gün ve farklı kişilerde farklı yere gidebilir. Otomatik yönlendirme, bu işi yapay zeka ile sınıflandırarak yapar: talebin konusunu, aciliyetini ve gerekirse dilini belirler, uygun kuyruğa ya da uzman gruba ulaştırır.

Kazanım yalnızca hız değildir. Doğru ekibe ilk seferde ulaşan talep, ekipler arası aktarma sayısını azaltır; müşteri aynı konuyu birkaç kez anlatmak zorunda kalmaz. Öncelik ve aciliyet sınıflandırması ise kritik taleplerin gecikmeden görünür olmasını sağlar. Yönetim açısından da talep dağılımı sürekli ve tutarlı biçimde ölçülebilir hale gelir.

Bu beceri şu parçalardan oluşur: taleplerin nasıl sınıflandırılacağı, sınıfların ekip ve kurallara nasıl bağlanacağı ve sistemin sürekli nasıl izlenip düzeltileceği.

Sınıf yapısını ve yönlendirme haritasını tasarlamak

Önce talepleri hangi boyutlarla sınıflandıracağınıza karar verilir. Tek bir "kategori" alanı çoğu zaman yetmez. Sık kullanılan boyutlar:

• Konu: sipariş, iade, fatura, teknik arıza, hesap erişimi gibi.
• Aciliyet: hizmetin tamamen durması ile genel bilgi sorusu aynı kuyrukta beklememelidir.
• Müşteri segmenti: kurumsal müşteri, abone ya da ilk kez yazan müşteri farklı hizmet düzeyi gerektirebilir.
• Dil ve kanal: yabancı dilde gelen talep ilgili dil becerisine sahip ekibe gitmelidir.
• Duygu: öfkeli ya da kaybetme riski taşıyan müşteri öncelikli ele alınabilir.

Ardından sınıf kombinasyonlarından ekiplere uzanan bir yönlendirme haritası yazılır: hangi konu hangi ekibin, hangi aciliyet hangi kuyruğun sorumluluğunda. Haritayı destek yöneticileri ve ilgili uzman ekipler birlikte onaylar; aksi halde sınıflandırma doğru olsa bile ekip "bu bizim işimiz değil" diyerek talebi geri gönderir.

Harita aynı zamanda varsayılan bir yol içermelidir: sistem emin olamadığı talebi nereye bırakacak? Genel bir "ilk müdahale" kuyruğu, belirsizliğin cezasını müşteriye değil operasyona yükler.

Sınıflandırma yöntemleri ve kullanılacak veri

Talep metni, konu satırı, gönderen bilgisi ve varsa form alanları birlikte girdi olur. Başlangıçta basit kurallar (belirli formdan gelenler doğrudan ilgili ekibe) işe yarar; metin içeriğinden karar vermek için ise öğrenmeye dayalı bir sınıflandırıcı gerekir.

Klasik makine öğrenmesi modelleri, geçmiş taleplerin doğru ekibe ulaşmış etiketleriyle eğitildiğinde orta ölçekli hacimde sağlam sonuç verir. Gömme ve büyük dil modeli tabanlı yöntemler az örnekle de çalışabilir ve yeni sınıf eklemeyi kolaylaştırır. Hangisi seçilirse seçilsin kritik olan eğitim verisinin kalitesidir.

Geçmiş kayıtlar kullanılırken tuzak şudur: eski kayıtlardaki kategori, çoğunlukla ilk atanan kategoridir; talep sonradan başka ekibe aktarılmışsa gerçek doğru etiket son ekiptir. Etiket olarak "talebi çözen ekip" kullanmak, modeli yanlış yönlendirmeleri öğrenmekten korur. Kayıtlardaki kişisel bilgiler eğitim öncesinde maskelenir.

Niyet tespiti ile aynı ailede çalışılsa da burada çıktı bir niyet etiketi değil, bir operasyonel karardır: hangi kuyruk, hangi öncelik, hangi hizmet düzeyi.

Güven eşikleri, insan kontrolü ve eskalasyon

Otomatik yönlendirme hiçbir zaman kusursuz değildir; tasarımın sağlamlığı yanlışların nasıl ele alındığında görülür. Sınıflandırıcı her karara bir güven değeri ekler ve bölgeler tanımlanır: yüksek güvenle doğrudan yönlendir, orta güvenle öneri olarak sun ve ilk bakan kişinin onaylamasını iste, düşük güvenle genel kuyruğa bırak.

Bazı talep türleri güvene bakmaksızın insan gözünden geçirilir: hukuki ifade içerenler, kişisel veri ya da güvenlik ihlali bildirenler, basın veya sosyal medya riski taşıyanlar, kurumsal yönetim düzeyindeki yazışmalar. Bu "her zaman insana" listesi yazılı ve açık olmalıdır.

Eskalasyon kuralları sınıflandırmanın doğal devamıdır: talep belirli süre içinde ilk yanıt almazsa ya da müşteri aynı konuda tekrar yazarsa öncelik yükselir, sorumlu yönetici bilgilendirilir. Bu kurallar hizmet düzeyi hedefleriyle uyumlu yazılmalı ve sistem tarafından otomatik izlenmelidir.

Örnek bir uçtan uca akış

Örneğin bir e-ticaret şirketinin destek formuna şu mesaj geliyor: "Dün aldığım ürünün kutusu ezik geldi, fotoğrafını ekledim, değişim istiyorum." Sistem talebi okur ve şu kararları verir: konu, hasarlı ürün değişimi; aciliyet, orta; müşteri segmenti, kayıtlı alıcı; duygu, hafif memnuniyetsiz. Yönlendirme haritasına göre talep iade ve değişim ekibine, hasar kontrol kuyruğuna gider. Talebe konu etiketi, özet cümle ve müşterinin sipariş bilgisi otomatik eklenir.

Temsilci talebi açtığında sipariş geçmişini ve tespit edilen konuyu hazır bulur. Doğru görmüyorsa sınıfı tek tıkla düzeltir; bu düzeltme sisteme geri bildirim olarak kaydedilir. Müşteri ise kısa sürede "talebiniz iade ve değişim ekibine iletildi" şeklinde otomatik bir onay alır.

Aynı örnekte mesaj "ürün kırık, paramı geri istiyorum, bir daha alışveriş yapmayacağım" olsaydı sistem duygu ve kayıp riski sinyaliyle talebi öncelikli kuyruğa ve deneyimli temsilciye yönlendirirdi.

Ölçüm, düzeltme döngüsü ve sık hatalar

İzlenecek temel göstergeler: ilk seferde doğru ekibe ulaşan talep oranı, ekipler arası aktarma sayısı, ilk yanıt süresi, temsilcilerin sınıfı düzeltme oranı ve belirsiz kuyrukta bekleyen talepler. Düzeltme oranı yüksek olan sınıflar, taksonomi ya da eğitim verisi sorunlarının haritasıdır.

Düzeltmeler sistemin yakıtıdır. Temsilcinin yaptığı her sınıf değişikliği kayıt altına alınıp belirli aralıklarla modeli güncellemek için kullanılır. Bu döngü kurulmazsa model, ürün ve kampanya değiştikçe geride kalır.

Sık yapılan hatalar: • Çok fazla sınıf tanımlamak ve ekiplerin bunları ayırt edememesi. • Yönlendirme haritasını ekip liderleriyle onaylamamak. • Müşteriye hiç bilgi vermeden talebi sessizce aktarmak. • Belirsiz talep için varsayılan kuyruk tanımlamamak. • Yoğun dönemlerde iş yükü dengesini hesaba katmamak: aynı ekibe aşırı yüklenen talep, doğru sınıflandırmaya rağmen gecikme yaratır.

Bu beceriyi Mindset programlarında nerede çalışırsınız?

Yapay Zeka ile Müşteri Hizmetleri Otomasyonu eğitiminin modül başlıkları arasında Otomatik Yönlendirme ve Sınıflandırma, Duygu Analizi ve Müşteri Geri Bildirimi ile Performans Ölçümü ve Sürekli İyileştirme yer alır. Bu başlıklar sınıf tasarımı, duygu sinyalinin kullanımı ve geri bildirim döngüsüyle doğrudan örtüşür; destek operasyonu yöneticileri, müşteri deneyimi ve süreç iyileştirme ekipleri için uygundur.

Niyet sınıflandırmanın teknik tarafını derinleştirmek isteyen veri ve yazılım ekipleri için Müşteri Hizmetlerinde Niyet Tespiti eğitimi tamamlayıcıdır. Kurumsal ekipler kendi talep kategorilerini ve yönlendirme haritalarını çalışma örneği olarak getirebilir.