AI Spam- & Irrelevansfilter: Helpdesk uden rod: Sådan stopper du botspam og automatiske fraværsbeskeder i at ødelægge dine metrics

I denne artikel:

• Hvad ticket-roderi faktisk koster dig
• Hvad tæller som rod, og hvad gør ikke
• Hvordan et ai spamfilter kender forskel
• Opsætning uden at miste rigtige tickets
• Hvad skal man gøre med en filtreret ticket

De fleste teams opsætter spamblokering én gang, føler at problemet er løst, og tænker ikke mere over det. Så udløser en fredag eftermiddags e-mail-udsendelse fyrre fraværsbeskeder fra en mailingliste, hver eneste lander som en ticket, og mandagens metricsrapport siger, at teamet pludselig blev dobbelt så hurtigt.

Hvad ticket-roderi faktisk koster dig

En fraværsbesked er ikke spam, men den gør den samme skade på dine tal. Alt hvad der lukkes med ét klik uden et rigtigt svar, trækker den gennemsnitlige håndteringstid og første svartid ned, fordi systemet ikke kan skelne en fem-sekunders autolukning fra en ægte hurtig løsning.

Tickets-per-agent-tal oppustes på samme måde. Hvis ti agenter hver lukker fem rod-tickets på en time, viser dashboardet en produktiv time, ikke ti personer der rydder op i skrald. Hvis dit helpdesk automatisk sender spørgeskemaer ved hver lukket ticket, kan CSAT også forskydes, da en del af “svarene” i virkeligheden er automatiske bounce-backs og fraværsbeskeder, der aldrig var en rigtig kundeinteraktion.

For eksempel kan et team, der sender en nyhedsmail med 5.000 kontakter, opleve 150 til 200 fraværsbeskeder lande som tickets inden for få timer, alle lukket øjeblikkeligt, alle talt med som hurtige løsninger i den dags rapport.

Det tricky er, at ingen bemærker det, før nogen handler på det dårlige tal. En leder, der ser den gennemsnitlige håndteringstid falde 20 procent efter en stor udsendelse, kan konkludere, at teamet blev mere effektivt, ikke at en femtedel af dagens “tickets” var autosvar ingen rørte. Bemandingsbeslutninger, bonusmål og procesændringer er alle blevet truffet på baggrund af tal, der i virkeligheden bare målte hvor meget automatisk post der ankom den uge, ikke hvordan teamet faktisk præsterede.

Hvad tæller som rod, og hvad gør ikke

Ikke alt, der ikke er et “rigtigt” spørgsmål, hører til i samme kategori. Det hjælper at være specifik om, hvad et ai spamfilter rent faktisk bør fange.

De to midterste rækker er, hvor de fleste filtre går galt. Fraværsbeskeder og bounce-backs er ikke ondsindede, så et filter, der kun er indstillet til “spam” i traditionel forstand, lukker begge typer direkte igennem.

Klar til at løfte din kundeservice?

Prøv LiveAgent gratis og oplev forskellen selv.

Book en demo 30 dage gratis

Hvordan et ai spamfilter kender forskel

LiveAgents AI Spam- & Irrelevansfilter fungerer ved at kontrollere hver indkommende tickets headere, struktur og indhold mod regler, du definerer, og returnerer derefter en streng sand/falsk-vurdering: relevant, eller ej. Det er den vurdering, en routingregel handler på, ikke en fast liste over blokerede afsendere eller nøgleord.

Dette er især vigtigt for fraværsbeskeder, fordi de ikke ligner spam i traditionel forstand. De kommer fra rigtige mennesker, på rigtige adresser, uden ond hensigt. Det, der flagger dem, er ikke et afsender-omdømmetjek. Det er den samme kontekstbevidste evaluering, der fanger en kold salgshenvendelse: automatisk tone, intet reelt spørgsmål, en emnelinje og et indhold der ikke matcher en rigtig supportforespørgsel.

Funktionens egen konfigurationsguide nævner udtrykkeligt “automatiske systembeskeder” som en af de edge cases, du skal definere regler for, sammen med partnerhenvendelser og interne e-mails. Fraværsbeskeder falder helt klart ind under den kategori.

Hvordan dette supplerer spamblokering på e-mail-niveau

Et ai spamfilter, der evaluerer ticketindhold, er et andet lag end et filter, der blokerer kendte spam-afsender, før en besked overhovedet bliver til en ticket. LiveAgents AI-spamforebyggelse fungerer tidligere i pipeline’en og klassificerer indkommende e-mails som spam eller legitimt, før de når din kø overhovedet.

De to er ikke et valg mellem det ene eller det andet. Blokering på e-mail-niveau fanger de oplagte ting — masse-afsenderlister, kendte phishing-domæner og masse-markedsføring — før det koster dig en ticket. Ticket-niveau-filteret fanger hvad der alligevel slipper igennem: en enkeltstående fraværsbesked fra en adresse du aldrig har set før, eller en kold henvendelse fra en afsender der endnu ikke er på nogen blokeringsliste. At køre begge betyder, at der når mindre rod frem til ticket-niveau-kontrollen i første omgang, hvilket gør dens opgave lettere og dens falsk-positiv-rate lavere.

Tilmeld dig vores nyhedsbrev

De nyeste tips og tilbud direkte i din indbakke.

E-mailadresse

Tilmeld

Opsætning uden at miste rigtige tickets

1. Start snævert. Tænd filtrering for åbenlyst spam og phishing først, og intet andet. Bekræft at en uges rigtige tickets alle passerer uforstyrret igennem, før du tilføjer en enkelt ekstra regel.
2. Tilføj fraværsbesked-reglen. Opdater relevansprompten til udtrykkeligt at nævne automatiske systembeskeder, bounce-backs og fraværsbeskeder som ikke-handlingskrævende. Giv den to eller tre konkrete eksempelfraser, som “out of office” og “auto-reply”, så reglen har noget specifikt at matche mod.
3. Knyt vurderingen til en handling. Omdiriger alt hvad filteret markerer som falsk til et separat tag eller en separat visning, ikke direkte til skraldespanden, så du kan revidere det. Opbyg denne visning med LiveAgents ticketfiltre , så den opdateres automatisk efterhånden som nye tickets bliver tagget, i stedet for at kræve en manuel søgning hver gang.
4. Gennemgå efter en uge. Tjek den filtrerede visning for alt der ikke burde være der. Et ægte spørgsmål der tilfældigvis lyder automatisk — en kort besked uden hilsen, for eksempel — er den mest almindelige falske positiv.
5. Forfin og gentag. Stram eller løsn prompten baseret på hvad du rent faktisk ser, ikke hvad du antog du ville se. De fleste teams har brug for to eller tre gennemgangsrunder, før reglen holder op med at flagge edge cases.

Et filter, der er indstillet efter blot én gennemgangsrunde, tager som regel fejl af en tommelfingerregel mindst én gang. Det er forventeligt. Pointen med trin fire er at fange det, før det koster dig en rigtig kunde.

Hvad skal man gøre med en filtreret ticket

En ticket markeret som falsk bør ikke bare forsvinde. Omdiriger den til sit eget tag eller en gemt visning, så en falsk positiv er ét klik væk fra at blive genoprettet, og så du har en løbende optælling af præcis hvor meget rod filteret fanger, adskilt fra din rigtige ticketvolumen.

Den optælling er også tallet værd at holde øje med. Hvis det pludselig stiger — som i nyhedsbrevseksemplet ovenfor — vil du vide, at dit metrics-dashboard er ved at vise et udbrud af “produktivitet” der aldrig rigtigt fandt sted, og du kan notere det, før nogen spørger hvorfor svartiderne faldt natten over.

Betragt den filtrerede visning som en anden indbakke, der har brug for lejlighedsvis opmærksomhed, ikke et sort hul. Et hurtigt ugentligt tjek koster et par minutter og fanger de to fejltilstande der faktisk betyder noget: en rigtig kunde, der sidder fast i rod-tagget, og en ny type automatisk besked som de oprindelige regler aldrig forudså. Nyhedsbrevsplatforme ændrer deres bounce-back-formuleringer, ticketværktøjer tilføjer nye automatiske notifikationer, og en regel skrevet for seks måneder siden holder stille og roligt op med at dække en beskedtype den plejede at fange. De teams der holder et ai spamfilter kørende godt, er dem der behandler det som en indstilling man vender tilbage til, ikke en kontakt man tænder én gang og glemmer.