Schnelle Ticket-Erfassung & Intelligente Klassifizierung (E-Mail/Chat → Absicht & Priorität → Warteschlangen-Zuweisung)
Klassifizieren Sie eingehende Tickets nach Absicht, Dringlichkeit, Produktbereich und Risiko, damit Frontline-Teams die Arbeit automatisch weiterleiten und SLAs vom ersten Tag an einhalten können.
Prompt-Übersicht
Tipps für dich
- Legen Sie Ihre Absichtstaxonomie einmal fest und trainieren Sie dann Makros, um Ausgaben auf Helpdesk-Warteschlangen abzubilden. - Verfolgen Sie Abweichungen zwischen KI-Labels und menschlichen Überschreibungen, um Regeln zu verfeinern. - Fügen Sie eine Regex-Vorprüfung für Konto- oder Regionskennzeichen hinzu, um die Routing-Genauigkeit zu erhöhen.
Vom Operations-TeamNexusAi TechnologyProblem, das es löst
Unstrukturierte Warteschlangen verlangsamen die Reaktion und vergraben dringende Anliegen. Dieser Prompt erzeugt konsistente, prüfbare Labels, die Routing und Priorisierung steuern.
Absichtstaxonomie-Festlegung
Konsistente Labels, die über Agenten und Schichten hinweg stabil bleiben.
Priorität mit Belegen
Klare Zitate untermauern jede Prioritätsentscheidung.
Risikoerkennung
Erkennt sofort rechtliche, Sicherheits-, Ausfall- und Abwanderungssignale.
Warteschlangenempfehlung
Ordnet jedes Ticket mit Begründung dem richtigen Team zu.
KI-Prompt-Anweisungen
Agieren Sie als: Ein erfahrener Support-Operations-Analyst, der die KI-Erstbewertung für ein Multi-Channel-Helpdesk konfiguriert.
Warum diese Aufgabe wichtig ist: Eine genaue Vorabklassifizierung reduziert die Bearbeitungszeit, schützt SLAs und verhindert, dass hochriskante Probleme in allgemeinen Warteschlangen stecken bleiben.
Wichtige Grenzen:
- Erfinden Sie niemals Kontodaten oder Versprechen. Fehlen Informationen, kennzeichnen Sie diese als Fehlender Kontext.
- Beachten Sie Richtlinien und Sicherheit; geben Sie keine Geheimnisse in den Ausgaben preis.
- Halten Sie Labels stabil und maschinenlesbar.
Benutzereingaben (unten einfügen):
- Kundenmitteilung (roh)
- Optionale Metadaten: Kanal, Kundentyp, Produkt, Region, Sprache
- Bekannte SLAs nach Kundentyp (falls vorhanden)
Ziele:
1) Absicht identifizieren (Abrechnung, technisch, Konto-Zugriff, Fehlerbericht, Feature-Anfrage, Beschwerde, sonstiges).
2) Priorität zuweisen (P0 kritisch, P1 hoch, P2 normal, P3 niedrig) mit Begründung.
3) Risikoindikatoren erkennen (rechtlich, Sicherheit, Ausfall, Kundenabwanderung, VIP).
4) Routing-Warteschlange vorschlagen (Abrechnung, Tech L1, Tech L2, Kundenservice, Trust & Safety, Eskalationen).
5) Fehlende Kontextfragen auflisten, um die Lösung zu ermöglichen.
Analyseablauf:
1) Nachricht auf explizite Anfragen, Symptome, Zeitrahmen und Stimmung analysieren.
2) Einer primären Absicht und bis zu zwei sekundären Absichten zuordnen.
3) Priorität anhand SLA/Kundentyp, Auswirkung und Zeitkritikalität bewerten.
4) Risikoindikatoren prüfen und erläutern, falls zutreffend.
5) Zielwarteschlange und Begründung empfehlen.
6) Drei klärende Fragen formulieren, falls Informationen unzureichend sind.
Erforderliches Ausgabeformat (JSON):
{
"intent_primary": "",
"intent_secondary": [""],
"priority": "P0|P1|P2|P3",
"risk_flags": ["security|legal|outage|vip|churn|none"],
"route_queue": "",
"sla_note": "",
"evidence": ["kurze Zitate aus der Nachricht"],
"missing_context_questions": ["?", "?", "?"]
}
Qualitätskontrollen:
- Unterstützen Sie jedes Label mit mindestens einem kurzen Zitat.
- Bei schwacher Evidenz verringern Sie das Vertrauen und fügen eine Frage zum fehlenden Kontext hinzu.
Überprüfungsliste:
- Passt die Priorität zu Auswirkung und Kundentyp?
- Sind Risikoindikatoren durch Zitate belegt?
- Entspricht die Zielwarteschlange der Absicht?
Abschließende Anweisung: Erstellen Sie nur den JSON-Block.
Erwartetes Ergebnis
{ "intent_primary": "billing", "intent_secondary": ["refund"], "priority": "P1", "risk_flags": ["churn"], "route_queue": "Billing", "sla_note": "Tier Gold: 4h erste Antwort", "evidence": ["zweimal berechnet", "stornieren, wenn nicht behoben"], "missing_context_questions": ["Welche Rechnungsnummer?", "Welches Belastungsdatum?", "Bevorzugte Rückerstattungsmethode?"] }
Umsetzungsprozess
Neue Tickets in ChatGPT klassifizieren
Öffnen Sie ChatGPT und fügen Sie 10–20 aktuelle Kundenmitteilungen mit bekannten SLA-Notizen ein. Führen Sie den Prompt aus, um JSON-Labels für jedes Ticket mit Absicht, Priorität, Risikoindikatoren und Zielwarteschlange zu erzeugen.
10-15 minLabels auf Warteschlangen abbilden
Bitten Sie in ChatGPT um eine Zuordnungstabelle von route_queue zu Ihren Helpdesk-Warteschlangen. Bestätigen Sie die Zuordnung und generieren Sie das JSON mit den korrekten Warteschlangennamen für Ihre Umgebung neu.
5-10 minRouting-Regeln bereitstellen
Verwenden Sie das finale JSON als Spezifikation, um Routing-Regeln in Ihrem Helpdesk zu erstellen. Testen Sie mit 20 neuen Tickets und vergleichen Sie KI- mit menschlichem Routing, um die Genauigkeit vor der Aktivierung der automatischen Zuweisung zu überprüfen.
20-30 min