Intercom
Shopify
Stripe
Slack
Notion
Google Workspace
Confluence
Eine KI-Analyse über
Tausende Datensätze laufen lassen.
Ein Study richtet einen KI-Extraktor auf eine Menge von Datensätzen, füllt die Spalten, die Sie definiert haben, und liefert Ihnen ein Raster. Eine Zeile pro Datensatz, eine Spalte pro Frage, die Sie beantwortet haben wollten.
| Ticket | Grundursache Kurztext | Erstattung angefragt Boolesch | Produktbereich Einfachauswahl | Stimmung Einfachauswahl |
|---|---|---|---|---|
| #20831 | Zusteller hat das Paket verloren, 5 Tage kein Scan | Ja | Versand | Verärgert |
| #20847 | Falsche Größe geliefert, Kommissionierfehler im Lager | Ja | Fulfilment | Neutral |
| #20852 | Rabattcode vor der Kasse abgelaufen | Nein | Abrechnung | Neutral |
| #20861 | Doppelte Belastung bei einer wiederholten Zahlung | Ja | Abrechnung | Negativ |
| #20874 | wird analysiert … | |||
Eine Tabelle, die Sie nie ausfüllen mussten, über Arbeit, die Sie längst geleistet haben.
Statt ein Ticket nach dem anderen zu öffnen und zu fragen, richten Sie ein Study auf eine Menge von Datensätzen, beschreiben die gewünschten Spalten, und jeder Datensatz wird parallel analysiert. Von Hand ist das eine Woche. Über den Chat ist es eine Konversation pro Ticket.
Eins · Eingabe
Die Datensätze
Eine Zendesk-Suchabfrage und ein optionaler Zeitraum bestimmen den Umfang. Jeder Ausdruck, den Sie in die Zendesk-Suche tippen würden, funktioniert auch hier.
Zwei · Schema
Die Spalten
Jede Spalte hat einen Typ, eine Bezeichnung und optional eine Anleitung, die dem Modell sagt, wie sie zu füllen ist. Genau das macht aus einer vagen Frage eine wiederholbare.
Drei · Ausgabe
Das Raster
Eine Zeile pro Datensatz, ausgefüllt und sortierbar. Durchsehen, filtern, exportieren oder als Wissensquelle zurück in Macha schieben.
Fragen, für die sich ein Study lohnt.
Jede davon ist eine Frage, die ein Support-Lead ohnehin hat und meist nicht beantworten kann, weil die Antwort bedeutet, ein paar tausend Tickets zu lesen.
Umsatz
Wofür erstatten wir eigentlich?
Über jedes Ticket laufen lassen, in dem eine Erstattung vorkommt, und den echten Grund dahinter bekommen — nicht das Makro, das es geschlossen hat.
Spalten, die es füllt
Deflection
Welche Tickets hätten nie einen Menschen erreichen dürfen?
Ein Quartal an Volumen danach klassifizieren, ob ein bestehender Help-Center-Artikel die Frage bereits beantwortet hat. Diese Liste ist Ihr Automatisierungs-Backlog.
Spalten, die es füllt
Produkt
Was sagt uns der Support über das Produkt?
Jedes Ticket mit Funktionsbereich und der Frage taggen, ob es ein Bug, eine Lücke oder ein Missverständnis ist, und dem Produktteam eine gewichtete Liste statt Anekdoten geben.
Spalten, die es füllt
Compliance
Haben wir etwas gesagt, das wir nicht hätten sagen dürfen?
Ausgehende Antworten auf Zusagen zu Lieferterminen, Erstattungen oder medizinischen bzw. finanziellen Aussagen prüfen und das exakte Ticket samt Zitat zurückbekommen.
Spalten, die es füllt
Qualität
Wo läuft die Queue tatsächlich schief?
Lösungsqualität und Erstkontakt-Ergebnis über einen Monat bewerten und dann Wochen, Marken oder Teams am selben Raster vergleichen.
Spalten, die es füllt
Kundenstimme
Wonach fragen Leute, das wir gar nicht verkaufen?
Jede ausdrückliche Anfrage nach einem Produkt, einer Größe, einer Region oder einer Integration extrahieren, die Sie noch nicht anbieten — mit den Worten des Kunden.
Spalten, die es füllt
Das Schema ist der eigentliche Kniff.
Eine Spalte ist nicht nur eine Bezeichnung. Sie hat einen Typ, damit die Ausgabe maschinell nutzbar ist, und sie kann in Ihren eigenen Worten eine Anleitung tragen, damit das Modell sie so füllt, wie Sie es täten.
Spalten-Anleitung, in einfachen Worten
“Setze dies nur auf wahr, wenn der Kunde ausdrücklich Geld zurückverlangt hat. Wer sich über eine Verzögerung beschwert, stellt noch keine Erstattungsanfrage.”
Wahr oder falsch. Die Wahl, wenn Sie zählen wollen.
Ein Wert aus einer Liste, die Sie festlegen. Hält Kategorien sauber genug zum Gruppieren.
Mehrere Werte aus Ihrer Liste, für Tickets, in denen es wirklich um zwei Dinge geht.
Ein Wert aus dem Text — ein Betrag, eine Anzahl, eine Zahl von Tagen.
Eine Wortgruppe. Gut für eine Grundursache oder einen Namen, den man auf einen Blick lesen will.
Ein Absatz, wenn die Antwort die Begründung braucht und nicht nur das Etikett.
Und dann etwas damit anfangen.
Ein fertiges Study ist kein Bericht, den man einmal liest. Es ist ein Datensatz, und er kann direkt zurück ins Produkt.
Im Raster lesen
Direkt sortieren und filtern. Die Spalten, die Sie definiert haben, sind die Spalten, nach denen Sie filtern — die Antwort ist zwei Klicks entfernt.
Als CSV exportieren
Nehmen Sie es in eine Tabelle, ein BI-Tool oder eine Board-Präsentation mit. Ganz normale tabellarische Daten, ohne Lock-in.
Ihren Agenten zuführen
Schieben Sie das Ergebnis als Wissensquelle zurück nach Macha, damit die Analyse von heute die Antworten Ihrer Agenten von morgen prägt.
Vier Funktionen, die ähnlich klingen. Sind sie nicht.
Ein Study extrahiert strukturierte Fakten aus Datensätzen. Kein Agent läuft, keine Tools werden aufgerufen, nichts wird bewertet — Sie bekommen ein Raster.
Agenten-Simulationen
Ihren Agenten auf echten Tickets laufen lassen, mit blockierten Schreibvorgängen.
Agenten-Bewertung
Bereits geführte Konversationen an den eigenen Anweisungen des Agenten bewerten.
AI Knowledge Builder
Gelöste Tickets in eine Wissensdatenbank verwandeln, die Ihre Agenten durchsuchen können.
Fragen zu Studies.
Kurze Antworten. Fehlt etwas, fragen Sie uns — wir sagen es Ihnen geradeheraus.
Bereit, dein Team mit KI zu turbo-boosten?
Starte in Minuten. Verbinde deine Tools, konfiguriere deine Agenten und lass die KI den Rest erledigen.
$50 Gratis-Guthaben · ohne Zeitlimit, ohne Kreditkarte