Intercom
Shopify
Stripe
Slack
Notion
Google Workspace
Confluence
Ejecuta un análisis de IA sobre
miles de registros.
Un Study apunta un extractor de IA a un conjunto de registros, rellena las columnas que definiste y te devuelve una tabla. Una fila por registro, una columna por cada cosa que querías saber.
| Ticket | Causa raíz texto corto | Reembolso solicitado booleano | Área de producto selección única | Sentimiento selección única |
|---|---|---|---|---|
| #20831 | El transportista perdió el paquete, 5 días sin escaneo | Sí | Envíos | Frustrado |
| #20847 | Talla equivocada enviada, error de preparación en almacén | Sí | Fulfilment | Neutral |
| #20852 | El código de descuento caducó antes de pagar | No | Facturación | Neutral |
| #20861 | Cargo duplicado en un pago reintentado | Sí | Facturación | Negativo |
| #20874 | analizando… | |||
Una hoja de cálculo que nunca tuviste que rellenar, sobre el trabajo que ya hiciste.
En lugar de abrir un ticket cada vez y preguntar, apuntas un Study a un conjunto de registros, describes las columnas que quieres y cada registro se analiza en paralelo. Hacerlo a mano es una semana. Hacerlo por chat es una conversación por ticket.
Uno · Entrada
Los registros
Una consulta de búsqueda de Zendesk y un rango de fechas opcional deciden el alcance. Cualquier expresión que escribirías en la búsqueda de Zendesk funciona aquí.
Dos · Esquema
Las columnas
Cada columna tiene un tipo, una etiqueta y una guía opcional que le indica al modelo cómo rellenarla. Es lo que convierte una pregunta vaga en una repetible.
Tres · Salida
La tabla
Una fila por registro, rellenada y ordenable. Explórala, fíltrala, expórtala o devuélvela a Macha como fuente de conocimiento.
Preguntas que merecen un Study.
Todas son preguntas que un responsable de soporte ya se hace y normalmente no puede responder, porque responderlas significa leer unos miles de tickets.
Ingresos
¿Por qué estamos reembolsando en realidad?
Ejecútalo sobre cada ticket que mencione un reembolso y obtén el motivo real detrás de cada uno, no la macro que lo cerró.
Columnas que rellena
Desvío
¿Qué tickets nunca deberían haber llegado a una persona?
Clasifica un trimestre de volumen según si un artículo existente del centro de ayuda ya lo respondía. Esa lista es tu backlog de automatización.
Columnas que rellena
Producto
¿Qué nos está diciendo soporte sobre el producto?
Etiqueta cada ticket con el área de producto y si es un bug, una carencia o un malentendido, y entrega a producto una lista priorizada en lugar de anécdotas.
Columnas que rellena
Cumplimiento
¿Dijimos algo que no deberíamos haber dicho?
Audita las respuestas salientes en busca de promesas sobre fechas de entrega, reembolsos o afirmaciones médicas o financieras, y recupera el ticket exacto con la cita.
Columnas que rellena
Calidad
¿Dónde falla realmente la cola?
Puntúa la calidad de resolución y el resultado en primer contacto durante un mes, y compara semanas, marcas o equipos con la misma rúbrica.
Columnas que rellena
Voz del cliente
¿Qué pide la gente que no vendemos?
Extrae cada petición explícita de un producto, talla, región o integración que aún no ofreces, con las palabras que usó el cliente.
Columnas que rellena
El esquema es todo el truco.
Una columna no es solo una etiqueta. Tiene un tipo, para que la salida sea utilizable por máquinas, y puede llevar indicaciones en tus propias palabras para que el modelo la rellene como lo harías tú.
Guía de columna, en lenguaje sencillo
“Marca esto como verdadero solo si el cliente pidió expresamente que le devuelvan el dinero. Quejarse de un retraso no es una solicitud de reembolso.”
Verdadero o falso. El tipo al que recurrir cuando quieres contar.
Un valor de una lista que defines. Mantiene las categorías lo bastante limpias para agrupar.
Varios valores de tu lista, para tickets que de verdad tratan dos temas.
Una cifra extraída del texto: un importe, un recuento, un número de días.
Una frase corta. Va bien para una causa raíz o un nombre que quieres leer de un vistazo.
Un párrafo, cuando la respuesta necesita el razonamiento y no solo la etiqueta.
Y luego haz algo con ello.
Un Study terminado no es un informe que se lee una vez. Es un conjunto de datos, y puede volver directamente al producto.
Léelo en la tabla
Ordena y filtra ahí mismo. Las columnas que definiste son las columnas por las que filtras, así que la respuesta está a dos clics.
Exporta a CSV
Llévalo a una hoja de cálculo, una herramienta de BI o una presentación de dirección. Son datos tabulares normales, sin ataduras.
Dáselo a tus agentes
Devuelve el resultado a Macha como fuente de conocimiento, para que el análisis que acabas de hacer informe las respuestas que tus agentes darán mañana.
Cuatro funciones que suenan parecido. No lo son.
Un Study extrae datos estructurados de tus registros. No se ejecuta ningún agente, no se llama a herramientas, no se califica nada: obtienes una tabla.
Simulaciones de agentes
Ejecuta tu agente sobre tickets reales con todas las escrituras bloqueadas.
Evaluación de agentes
Califica las conversaciones que ya ocurrieron según las propias instrucciones del agente.
AI Knowledge Builder
Convierte tickets resueltos en una base de conocimiento que tus agentes pueden consultar.
Preguntas sobre los Studies.
Respuestas breves. Si falta algo, pregúntanos: te lo diremos sin rodeos.
¿Listo para potenciar a tu equipo con IA?
Empieza en minutos. Conecta tus herramientas, configura tus agentes y deja que la IA se encargue del resto.
$50 en créditos gratis · sin límite de tiempo, sin tarjeta de crédito