KI-spam- og irrelevansfilter: Hjelpdesken uten rot – Slik stopper du bot-spam og fraværsmeldinger fra å ødelegge målingene dine

I denne artikkelen:

• Hva rot i køen faktisk koster deg
• Hva regnes som rot, og hva gjør ikke det
• Hvordan et KI-spamfilter skiller mellom dem
• Slik setter du det opp uten å miste ekte henvendelser
• Hva du gjør med en filtrert henvendelse

De fleste team setter opp spamblokking én gang, føler at problemet er løst, og tenker ikke mer på det. Så utløser en e-postutsendelse fredag ettermiddag førti fraværsmeldinger fra en e-postliste, hver eneste en lander som en henvendelse, og mandagens målerapport viser at teamet plutselig ble dobbelt så raskt.

Hva rot i køen faktisk koster deg

En fraværsmelding er ikke spam, men den gjør samme skade på tallene dine. Alt som lukkes med ett klikk uten et reelt svar, trekker ned gjennomsnittlig behandlingstid og første svartid, fordi systemet ikke kan skille en fem-sekunders automatisk lukking fra en genuint rask løsning.

Henvendelser-per-agent telles opp på samme måte. Hvis ti agenter hver lukker fem rot-henvendelser i løpet av en time, viser skjermbildet en produktiv time, ikke ti personer som rydder søppel. Hvis kundeserviceverktøyet ditt automatisk sender undersøkelser for hver lukkede henvendelse, kan CSAT også påvirkes, siden en del av «svarene» egentlig er automatiske returposter og fraværsmeldinger som aldri var en ekte kundeinteraksjon.

For eksempel kan et team som sender et nyhetsbrev til 5 000 kontakter, oppleve at 150 til 200 fraværsmeldinger lander som henvendelser i løpet av noen timer, alle lukket øyeblikkelig, alle telt som raske løsninger i dagens rapport.

Det vanskelige er at ingen legger merke til det før noen handler på det dårlige tallet. En leder som ser at gjennomsnittlig behandlingstid synker 20 prosent etter en stor utsendelse, kan konkludere med at teamet har blitt mer effektivt, ikke at en femtedel av dagens «henvendelser» var automatiske svar ingen rørte. Bemanningsbeslutninger, bonusmål og prosessendringer har alle blitt gjort basert på tall som egentlig bare målte hvor mye automatisert post som ankom den uken, ikke hvordan teamet faktisk presterte.

Hva regnes som rot, og hva gjør ikke det

Ikke alt som ikke er et «ekte» spørsmål, hører hjemme i samme bøtte. Det hjelper å være spesifikk på hva et KI-spamfilter faktisk bør fange.

De to midterste radene er der de fleste filtere går galt. Fraværsmeldinger og returposter er ikke ondsinnede, så et filter som bare er innstilt på «spam» i tradisjonell forstand, slipper begge rett gjennom.

Klar for å ta kundeservicen til neste nivå?

Prøv LiveAgent gratis og se forskjellen selv.

Book en demo 30 dager gratis

Hvordan et KI-spamfilter skiller mellom dem

LiveAgents KI-spam- og irrelevansfilter fungerer ved å sjekke hver innkommende henvendelses overskrifter, struktur og innhold mot regler du definerer, og deretter returnere en streng sann eller usann-avgjørelse: relevant, eller ikke. Det er denne avgjørelsen en rutingsregel handler på, ikke en fast liste over blokkerte avsendere eller nøkkelord.

Dette er spesielt viktig for fraværsmeldinger, fordi de ikke ser ut som spam i tradisjonell forstand. De kommer fra ekte mennesker, på ekte adresser, uten ondsinnet hensikt. Det som flagger dem, er ikke en sjekk av avsenderens omdømme. Det er den samme kontekstbevisste vurderingen som fanger en kald salgshenvendelse: automatisert tone, ikke noe faktisk spørsmål, en emnelinje og et innhold som ikke matcher en ekte supportforespørsel.

Funktionens egen konfigurasjonsveiledning lister uttrykkelig «automatiske systemmeldinger» som ett av kanttilfellene du skal definere regler for, sammen med partnerhenvendelser og interne e-poster. Fraværsmeldinger faller rett inn i den kategorien.

Hvordan dette kombineres med spamblokking på e-postnivå

Et KI-spamfilter som vurderer henvendelsesinnhold, er et annet lag enn et filter som blokkerer kjente spam-avsendere før en melding i det hele tatt blir en henvendelse. LiveAgents KI-spamforebygging fungerer tidligere i prosessen, ved å klassifisere innkommende e-post som spam eller legitim før den når køen din i det hele tatt.

De to er ikke et valg mellom det ene eller det andre. Blokkering på e-postnivå fanger opp det åpenbare – massesendere, kjente phishing-domener og masseutsendelser – før det koster deg en henvendelse. Filteret på henvendelsesnivå fanger opp det som likevel kommer gjennom: en enkeltstående fraværsmelding fra en adresse du aldri har sett før, eller en kald henvendelse fra en avsender som ennå ikke står på noen blokkeringsliste. Å kjøre begge betyr at mindre rot når frem til sjekken på henvendelsesnivå i utgangspunktet, noe som gjør jobben enklere og andelen falske positiver lavere.

Abonner på nyhetsbrevet

De siste tipsene og tilbudene rett i innboksen din.

E-postadresse

Abonner

Slik setter du det opp uten å miste ekte henvendelser

1. Start smalt. Slå på filtrering for åpenbar spam og phishing først, og ingenting annet. Bekreft at én uke med ekte henvendelser alle passerer uforstyrret før du legger til en eneste ekstra regel.
2. Legg til fraværsregelen. Oppdater relevansinnstillingen til å uttrykkelig nevne automatiske systemmeldinger, returposter og fraværsmeldinger som ikke-handlingsbare. Gi den to eller tre konkrete eksempelfraser, som «fraværsmelding» og «autosvar», slik at regelen har noe spesifikt å matche mot.
3. Koble avgjørelsen til en handling. Rut alt filteret merker som usann til en separat merkelapp eller visning, ikke rett i søpla, slik at du kan kontrollere det. Bygg denne visningen med LiveAgents filtreringsverktøy for henvendelser , slik at den oppdateres automatisk etter hvert som nye henvendelser merkes, i stedet for at du må søke manuelt hver gang.
4. Gjennomgå etter én uke. Sjekk den filtrerte visningen for alt som ikke burde være der. Et ekte spørsmål som tilfeldigvis høres automatisert ut, for eksempel en kort melding uten hilsen, er den vanligste falske positiven.
5. Forbedre og gjenta. Stram til eller løsne på innstillingene basert på hva du faktisk ser, ikke hva du antok du ville se. De fleste team trenger to eller tre gjennomgangssykluser før regelen slutter å flagge kanttilfeller.

Et filter som er justert etter bare én gjennomgangssyklus, tar vanligvis feil av en tommelfingerregel minst én gang. Det er forventet. Poenget med steg fire er å fange det opp før det koster deg en ekte kunde.

Hva du gjør med en filtrert henvendelse

En henvendelse merket som usann bør ikke bare forsvinne. Rut den til sin egen merkelapp eller lagrede visning, slik at en falsk positiv er ett klikk unna å bli gjenopprettet, og slik at du har en løpende telling av nøyaktig hvor mye rot filteret fanger, adskilt fra ditt virkelige henvendelsesvolum.

Den tellingen er også tallet det er verdt å følge med på. Hvis det plutselig stiger, som i nyhetsbrev-eksemplet ovenfor, vet du at målingsoversikten din snart vil vise et utbrudd av «produktivitet» som aldri faktisk skjedde, og du kan notere det før noen spør hvorfor svartidene sank over natten.

Behandle den filtrerte visningen som en andre innboks som trenger sporadisk oppmerksomhet, ikke et sort hull. Et raskt ukentlig blikk tar et par minutter og fanger opp de to feilmodusene som faktisk betyr noe: en ekte kunde som sitter fast i rot-merkelappen, og en ny type automatisert melding som de opprinnelige reglene aldri forutså. Nyhetsbrevplattformer endrer ordlyden i returposter, kundeserviceverktøy legger til nye automatiserte varsler, og en regel skrevet for seks måneder siden slutter stille å dekke en meldingstype den pleide å fange. Teamene som holder et KI-spamfilter velfungerende, er de som behandler det som en innstilling å gå tilbake til, ikke en bryter de slår på én gang og glemmer.