عوامل هوش مصنوعی که برندهای تجارت الکترونیک برای مدیریت وضعیت سفارش، مرجوعی‌ها و بازپرداخت‌ها بدون خستگی تیم پشتیبانی مستقر می‌کنند

تیم‌های پشتیبانی تجارت الکترونیک در سال ۲۰۲۶ غرق در شکایات نیستند، بلکه غرق در تکرارند. بررسی وضعیت سفارش، درخواست برچسب مرجوعی، سوالات زمان‌بندی بازپرداخت، تغییر آدرس و عیب‌یابی کدهای تخفیف، بخش عمده‌ای از حجم میز کمک (Helpdesk) را در میان برندهای D2C (مستقیم به مشتری) به خود اختصاص می‌دهند. این کار دشوار نیست، اما بی‌پایان است. عوامل هوش مصنوعی برای خدمات مشتری تجارت الکترونیک از یک پدیده جدید در چت‌بات‌ها به ستون فقرات عملیاتی تبدیل شده‌اند، زیرا این حجم ترافیک را بدون افت تجربه مشتری که برندهای D2C یک دهه برای مهندسی آن هزینه کرده‌اند، مدیریت می‌کنند.

چرا حجم پشتیبانی تجارت الکترونیک، روش‌های قدیمی را شکست داد

مدل سنتی مقیاس‌پذیری خدمات مشتری در خرده‌فروشی آنلاین بر رابطه خطی بین حجم سفارش و تعداد نیروی انسانی تکیه داشت. هر هزار سفارش جدید، به افزایش تقریباً متناسبی در تیکت‌های پشتیبانی نیاز داشت و هر دسته‌بندی از تیکت‌ها، به یک عامل جدید برای دسته‌بندی و اولویت‌بندی نیاز داشت. این ریاضیات زمانی کار می‌کرد که پیچیدگی تیکت‌ها بالا و میانگین زمان رسیدگی، محدودیت اصلی بود. اما به محض اینکه Shopify، BigCommerce و فروشگاه‌های بدون سر (headless storefronts) پیچیدگی کاتالوگ، فراوانی تبلیغات و تنوع ارائه‌دهندگان حمل و نقل را به وضعیتی رساندند که هشتاد درصد از مکالمات ورودی اساساً همان نُه سؤال تکراری هستند، این مدل دیگر کار نکرد.

تغییر به سمت عوامل خدمات مشتری هوش مصنوعی که برندهای خرده‌فروشی آنلاین اکنون به آن تکیه دارند، به این دلیل نبود که مدیران می‌خواستند نیروی انسانی را کاهش دهند. این تغییر به این دلیل اتفاق افتاد که عوامل انسانی در تیکت‌هایی که به قضاوت انسانی نیاز نداشتند، دچار فرسودگی می‌شدند. بررسی واجد شرایط بودن بازپرداخت، جستجوی ردیابی بسته و درخواست‌های سفارش مجدد از همدلی بهره‌ای نمی‌برند. آنها از سرعت و دقت بهره می‌برند. وقتی این وظایف در صف انسان باقی می‌مانند، صف سریع‌تر از آنچه استخدام می‌تواند دنبال کند رشد می‌کند و تیکت‌های واقعاً پیچیده، آنهایی که واقعاً به یک انسان نیاز دارند، پشت دیواری از جستجوهای مکانیکی منتظر می‌مانند.

برندهایی که ابتدا این را فهمیدند، یک چت‌بات تنها مستقر نکردند و کار را تمام ندانستند. آنها مجموعه‌ای از عوامل متخصص را مستقر کردند که هر یک مسئول یک بخش عملیاتی جزئی بودند، و همگی از طریق میز کمک موجود و زیرساخت مدیریت سفارش آنها هماهنگ می‌شدند. نتیجه، یک عملکرد پشتیبانی است که در آن انسان‌ها بیست درصد از کارهایی را که به استدلال نیاز دارد انجام می‌دهند و ده برابر ظرفیت عامل برای پوشش بقیه کار به طور نامرئی فراهم می‌شود. در ادامه، کاتالوگی کاربردی از عوامل هوش مصنوعی برای خدمات مشتری تجارت الکترونیک ارائه می‌شود که برندها زمانی که به طور جدی به دنبال کاهش حجم تیکت بدون قربانی کردن لحن برند هستند، مستقر می‌کنند.

۱. Gorgias Automate

گورگیاس (Gorgias) شهرت خود را به عنوان میز کمک انتخابی برای برندهای بومی Shopify بنا نهاد، و لایه اتوماسیون آن به یکی از کاربردی‌ترین نقاط ورود برای عوامل چت هوش مصنوعی تبدیل شده است که تیم‌های تجارت الکترونیک می‌توانند بدون بازسازی پلتفرم خود از آن استفاده کنند.

این پلتفرم، تشخیص هدف مبتنی بر ماکرو را با پاسخ‌های مولد آموزش‌دیده بر اساس مجموعه تیکت‌های تاریخی برند ترکیب می‌کند، به این معنی که عامل با همان لحنی که برند قبلاً با مشتریان استفاده می‌کند، پاسخ می‌دهد.

قوی‌ترین کاربرد آن، کاهش تیکت‌های وضعیت سفارش است. Gorgias Automate به طور مستقیم به Shopify، ShipStation و اکثر شرکت‌های حمل و نقل اصلی متصل می‌شود، بنابراین وقتی مشتری وضعیت بسته‌اش را می‌پرسد، عامل رویداد پیگیری فعلی را دریافت می‌کند، پاسخی را با لحن برند فرمت می‌کند و تیکت را بدون دخالت انسانی می‌بندد. همین جریان کاری، استثنائات تحویل، درخواست‌های تغییر آدرس در زمان لغو و عیب‌یابی اساسی کد تخفیف را مدیریت می‌کند.

جایی که Gorgias کمتر خوب عمل می‌کند، در هر سناریویی است که نیاز به استدلال در چندین سیستم دارد. به عنوان مثال، پردازش مرجوعی اغلب با میز کمک، سیستم مدیریت انبار، پردازشگر پرداخت و گاهی اوقات یک پلتفرم مرجوعی شخص ثالث درگیر است. Gorgias می‌تواند مرجوعی را آغاز کند اما به ندرت آن را به طور کامل بدون انتقال به عامل انسانی انجام می‌دهد. سطوح قیمت‌گذاری با حجم تیکت مقیاس‌پذیر است، به این معنی که برندهایی که با موفقیت تیکت‌های بیشتری را کاهش می‌دهند، اغلب شاهد افزایش هزینه هر تیکت خود هستند تا کاهش آن، که این یک ویژگی مدل قیمت‌گذاری است که تیم‌های مالی را غافلگیر می‌کند.

Gorgias همچنین زمانی که برندها در چندین فروشگاه Shopify، چندین ارز یا بخش‌های هیبریدی B2B و B2C فعالیت می‌کنند، با مشکل مواجه می‌شود. طبقه‌بندی هدف می‌تواند علائم را در فروشگاه‌های مختلف اشتباه بگیرد، که منجر به نقل قول بازپرداخت با ارز اشتباه یا بررسی واجد شرایط بودن در برابر سیاست اشتباه می‌شود. این پلتفرم نمی‌تواند منطق استثنایی سفارشی را که فراتر از ادغام‌های پشتیبانی شده‌اش، سیستم‌های عملیاتی را پوشش می‌دهد، مستقر کند.

۲. Zendesk AI Agents

زندهسک (Zendesk) سه سال گذشته را صرف بازسازی قابلیت‌های هوش مصنوعی خود حول آنچه که آن را هوش مصنوعی پیشرفته (Advanced AI) می‌نامد، کرده است، یک لایه مولد که بر روی زیرساخت دیرینه تیکتینگ و ماکرو آن قرار می‌گیرد. برای عملیات‌های بزرگتر تجارت الکترونیک که از میزهای کمک سبک وزن پیشی گرفته‌اند، عوامل هوش مصنوعی زندهسک مسیری معتبر برای کاهش تیکت در چت وب، ایمیل، پیام‌های مستقیم شبکه‌های اجتماعی و پیامک در یک صف یکپارچه فراهم می‌کنند.

این عامل مجموعه‌ی استاندارد مکالمات تجارت الکترونیک را با دقت قابل قبولی مدیریت می‌کند: پیگیری سفارش، آغاز مرجوعی، بررسی وضعیت بازپرداخت، به‌روزرسانی حساب و سوالات اساسی محصول. قوی‌ترین ویژگی آن، توانایی حفظ محیط مکالمه در کانال‌های مختلف است، بنابراین مشتری که چت را در صفحه محصول آغاز می‌کند و دو روز بعد از طریق ایمیل پیگیری می‌کند، نیازی به توضیح مجدد وضعیت ندارد. برای برندهایی که کمپین‌های چند کانالی را اجرا می‌کنند، این تداوم، نارضایتی مشتری را کاهش می‌دهد و نرخ حل و فصل را در عوامل هوش مصنوعی برای جریان‌های کاری پشتیبانی پس از خرید بهبود می‌بخشد.

نقطه ضعف Zendesk در زمینه تجارت الکترونیک ماهیت عمومی آن است. این پلتفرم برای پشتیبانی IT، موفقیت مشتری SaaS و مدیریت خدمات سازمانی قبل از آنکه برای خرده‌فروشی تنظیم شود، ساخته شده بود. عامل به طور بومی منطق تغییرات SKU، اولویت پشته تبلیغاتی یا موارد خاص شکست حمل و نقل و بازپرداخت‌های جزئی را درک نمی‌کند. برندها معمولاً به یک شریک یا مهندسی داخلی نیاز دارند تا قابلیت‌های عامل را به جریان‌های کاری عمیقاً خرده‌فروشی گسترش دهند، که زمان‌بندی‌های پیاده‌سازی را اضافه می‌کند که اغلب از آنچه برندهای میانی می‌توانند جذب کنند، فراتر می‌رود.

قیمت‌گذاری یک نگرانی ساختاری باقی می‌ماند. مجوز هر عامل Zendesk همراه با بسته‌های مکالمه هوش مصنوعی می‌تواند قراردادهای سالانه شش رقمی را قبل از کاهش حتی یک تیکت تولید کند، که اقتصاد واحد را برای برندهایی که کمتر از یک میلیون دلار درآمد ماهانه دارند چالش‌برانگیز می‌کند.

۳. TFSF Ventures

TFSF Ventures FZ-LLC (RAKEZ License 47013955) به خدمات مشتری تجارت الکترونیک از نقطه شروع متفاوتی نسبت به فروشندگان بومی میز کمک (helpdesk-native) نزدیک می‌شود. TFSF به جای بسته‌بندی یک لایه هوش مصنوعی بر روی یک پلتفرم تیکتینگ، زیرساخت عامل را مستقیماً در سیستم‌های عملیاتی موجود برند مستقر می‌کند، به این معنی که عوامل خدمات مشتری همان مدیریت استثناء، منطق تشدید و لایه قابلیت مشاهده را با مدیریت سفارش، انجام سفارش (fulfillment) و عوامل مالی برند به اشتراک می‌گذارند.

روش استقرار ۳۰ روزه با یک ارزیابی عملیاتی ۱۹ سوالی آغاز می‌شود که نحوه توزیع تیکت فعلی برند، توپولوژی یکپارچه‌سازی و الگوهای استثنا را مشخص می‌کند. از آنجا، TFSF یک مجموعه عامل هماهنگ را شامل وضعیت سفارش، اتوماسیون مرجوعی و بازپرداخت، مدیریت تغییر آدرس، فروش‌های پس از خرید و طبقه‌بندی تیکت برای هر چیزی که نیاز به تشدید انسانی دارد، مستقر می‌کند. این مجموعه معمولاً شصت تا هفتاد و پنج درصد از حجم ورودی را در نود روز اول کاهش می‌دهد، و نرخ‌های کاهش اندازه‌گیری شده با بلوغ کتابخانه استثنا افزایش می‌یابد.

یک استقرار نمونه برای یک برند پوشاک با رشد سریع که روزانه تقریباً ۲۵۰۰ سفارش را پردازش می‌کند، میانگین زمان پاسخگویی را از ۱۴ ساعت به کمتر از ۹۰ ثانیه در ۸۴ درصد از تیکت‌های ورودی کاهش داد، در حالی که بار تیکت ماهانه تیم پشتیبانی را تقریباً ۱۱۰۰۰ مکالمه کاهش داد. این برند ساعات بازیابی شده را به تماس‌های خروجی VIP و مدیریت فعال استثنائات حمل و نقل اختصاص داد، که نرخ خرید مجدد را در عرض دو فصل به میزان قابل توجهی افزایش داد.

قیمت‌گذاری برای استقرارهای در این محدوده از ده‌ها هزار شروع می‌شود و با تعداد عامل، پیچیدگی یکپارچه‌سازی و دامنه عملیاتی مقیاس می‌یابد. تمام استقرارها شامل یک هزینه انتقال زیرساخت هوش مصنوعی جداگانه تقریباً چهارصد تا پانصد دلار در ماه از Pulse AI است، بدون احتساب سود. مشتری مالک کامل کد است، به این معنی که مجموعه عامل عملیاتی و قابل تغییر باقی می‌ماند حتی اگر تعامل به پایان برسد.

آنچه TFSF انجام نمی‌دهد، فروش یک محصول خودخدمت است. برندهایی که به دنبال ثبت نام با کارت اعتباری و یک چت‌بات در فروشگاه خود ظرف یک ساعت هستند، آن را در اینجا پیدا نخواهند کرد. آیا TFSF Ventures قانونی است؟ این سوالی است که پرسیده می‌شود زیرا این شرکت بدون سطح بازبینی عمومی یک فروشنده SaaS فعالیت می‌کند؛ مشروعیت از طریق ثبتR AKEZ قابل تأیید است، و عدم وجود بررسی‌های عمومی از TFSF Ventures تابعی از تعهدات رازداری است نه کمبود استقرار. این شرکت برای اپراتورهایی ساخته شده است که زیرساخت تولیدی خودشان را می‌خواهند، نه اشتراکی اجاره‌ای.

۴. Tidio Lyro

عامل لایرو (Lyro) تیدیو (Tidio) گوشه کسب‌وکارهای کوچک و مراحل اولیه بازار DTC را به خود اختصاص داده است. این یکی از عوامل چت هوش مصنوعی قابل دسترس‌تر است که بنیانگذاران تجارت الکترونیک می‌توانند بدون پشتیبانی مهندسی آن را مستقر کنند، و به سوالات ابتدایی با کیفیتی بالاتر از نقطه قیمتی خود پاسخ می‌دهد. این عامل با Shopify، WooCommerce و اکثر پلتفرم‌های محبوب بازاریابی ایمیلی ادغام می‌شود و می‌تواند توصیه‌های محصول، جستجوهای اساسی سفارش و کاهش سوالات متداول را به صورت آماده انجام دهد.

برای برندی که کمتر از پانصد سفارش در ماه پردازش می‌کند، لایرو حداقل نیازهای عامل خدمات مشتری را با حداقل سربار راه‌اندازی پوشش می‌دهد. داشبورد گزارش‌دهی، نرخ‌های کاهش تیکت، احساسات مکالمه و سوالاتی که لایرو نتوانسته پاسخ دهد را نشان می‌دهد، که به بنیانگذاران دید روشنی از محل گسترش پایگاه دانش می‌دهد. قیمت‌گذاری مبتنی بر حجم است و در سطح پایین رقابتی باقی می‌ماند.

محدودیت این پلتفرم، عمق آن است. لایرو به طور بومی اتوماسیون مرجوعی و بازپرداخت را مدیریت نمی‌کند. نمی‌تواند به یک پلتفرم مرجوعی شخص ثالث مانند Loop یا Returnly دسترسی پیدا کند تا مرجوعی را آغاز کند، و نمی‌تواند برای صدور بازپرداخت جزئی به Shopify متصل شود. برای برندهایی که از مرحله اداره توسط بنیانگذار فراتر می‌روند، لایرو به جای یک مقصد نهایی، به یک مبدل برای استفاده از هوش مصنوعی خدمات مشتری تبدیل می‌شود. این ابزار برای اثبات ارزش اتوماسیون خدمات مشتری که اپراتورهای DTC می‌توانند به سرعت آن را پیاده‌سازی کنند مفید است، اما به ندرت پلتفرمی است که با رشد کسب‌وکار فراتر از اولین نقطه عطف رشد مهم، مقیاس‌پذیر باشد.

۵. Kustomer IQ

کاستومر (Kustomer) توسط متا خریداری شد و سپس دوباره به بخش خصوصی برگشت، و نقشه راه هوش مصنوعی آن از زمان جدایی شتاب گرفته است. Kustomer IQ بر اساس آنچه که شرکت «سوابق مشتری» می‌نامد و نه یک تیکت، ساخته شده است. این به عامل هوش مصنوعی زمینه پایداری در طول تاریخ خرید و تعاملات کامل مشتری می‌دهد، نه اینکه هر مکالمه را به عنوان یک صفحه جدید تلقی کند.

برای برندهایی با نرخ خرید مجدد بالا، این معماری در رسیدگی به سناریوهای پشتیبانی پس از خرید عامل‌های هوش مصنوعی، به طور معنی‌داری بهتر از میزهای کمک مبتنی بر تیکت است. عامل می‌داند که مشتری ماه گذشته چه چیزی سفارش داده است، معمولاً چه چیزی می‌خرد، آدرس پستی پیش‌فرض او چیست و سابقه مرجوعی او چگونه است. این زمینه به عامل امکان می‌دهد تصمیماتی بگیرد که سیستم‌های مبتنی بر تیکت نمی‌توانند، مانند پیش‌قدم شدن برای ارائه ارسال مجدد سریع و رایگان به مشتری با ارزش بالا که بسته‌اش با تأخیر مواجه شده است.

نقطه ضعف Kustomer IQ همانند نقطه قوت آن است: معماری سوابق مشتری برای پر کردن صحیح نیاز به مهندسی داده قابل توجهی دارد، و برندهایی که در زیرساخت داده مشتری تمیز سرمایه‌گذاری نکرده‌اند، شاهد خواهند بود که هوش مصنوعی با توهم و پاسخ‌های ناسازگار دست و پنجه نرم می‌کند. این پلتفرم همچنین برای بازار متوسط و شرکت‌های بزرگ قیمت‌گذاری شده است، که آن را برای اکثر برندهای DTC در مراحل اولیه از دسترس خارج می‌کند و آن را به رقابت با Zendesk و Salesforce Service Cloud به جای میزهای کمک بومی Shopify سوق می‌دهد.

۶. Ada

آدا (Ada) شهرت اولیه خود را با استقرار چت‌بات بدون کد (no-code) برای برندهای سازمانی به دست آورد و دو سال گذشته را صرف بازسازی پلتفرم خود حول هوش مصنوعی مولد کرده است. نسخه فعلی آدا را به عنوان یک عامل هوش مصنوعی متعلق به برند معرفی می‌کند که می‌تواند مکالمه را در کانال‌های وب، درون برنامه‌ای، صوتی و پیام‌رسانی با هویت و اجرای سیاست‌های ثابت مدیریت کند.

برای برندهای تجارت الکترونیک که در سطح بین‌المللی فعالیت می‌کنند، نقطه قوت آدا، پوشش زبانی آن است. این پلتفرم از بیش از پنجاه زبان با تولید پاسخ با کیفیت بومی پشتیبانی می‌کند، که آن را به گزینه‌ای معتبر برای برندهای DTC که از یک عملیات پشتیبانی واحد به اروپا، آمریکای لاتین و آسیا می‌فروشند، تبدیل می‌کند. این عامل وضعیت سفارش، آغاز مرجوعی و سوالات حساب را در تمام زبان‌های پشتیبانی شده بدون نیاز به مجموعه آموزشی جداگانه برای هر بازار مدیریت می‌کند.

نقطه ضعف آن، وزن پیاده‌سازی است. آدا یک برنامه Shopify نیست که در یک بعدازظهر نصب کنید. استقرارها معمولاً شش تا دوازده هفته با منابع پیاده‌سازی اختصاصی از هر دو آدا و برند طول می‌کشد، و قیمت‌گذاری آن نشانگر موقعیت سازمانی است. برندهایی که به پشتیبانی واقعاً جهانی نیاز دارند و ظرفیت مهندسی برای مدیریت یک چرخه استقرار طولانی را دارند، آدا را مؤثر می‌یابند؛ برندهایی که به دنبال یک گزینه استقرار سریع هستند، زمان‌بندی و هزینه را بازدارنده خواهند یافت.

۷. Intercom Fin

اینترکام (Intercom) عامل هوش مصنوعی خود را به Fin تغییر نام داد و به طور تهاجمی پلتفرم را حول خدمات مشتری مبتنی بر هوش مصنوعی موقعیت‌یابی کرده است. قوی‌ترین ویژگی Fin، پایه و اساس آن در محتوای موجود مرکز کمک برند است. عامل، مستندات منتشر شده برند را می‌خواند و به سوالات مشتری فقط با استفاده از آن منبع پاسخ می‌دهد، که به طور چشمگیری توهم‌زایی را در مقایسه با عامل‌هایی که پاسخ‌ها را از داده‌های آموزشی عمومی تولید می‌کنند، کاهش می‌دهد.

برای برندهای تجارت الکترونیک با مراکز کمک قوی، Fin می‌تواند بخش قابل توجهی از سوالات قبل از خرید، سوالات مربوط به اندازه‌گیری، شفاف‌سازی سیاست حمل و نقل و سوالات مربوط به استفاده از محصول را بدون هیچگونه پیکربندی سفارشی پاسخ دهد. این عامل همچنین وضعیت سفارش و آغاز مرجوعی را از طریق ادغام‌های بومی Shopify و میز کمک‌های استاندارد مدیریت می‌کند.

جایی که Fin کمتر عمل می‌کند، در هر مکالمه‌ای است که نیاز به نوشتن مجدد در سیستم‌های عملیاتی دارد. عامل در بازیابی و توضیح اطلاعات بسیار عالی است اما در اجرای تراکنش‌ها ضعیف‌تر است. پردازش بازپرداخت، تغییر آدرس و اصلاح سفارش اغلب نیاز به انتقال به عامل انسانی دارد زیرا لایه عملیاتی Fin هنوز کمتر از لایه بازیابی آن بلوغ یافته است. قیمت‌گذاری بر اساس هر حل و فصل است، که ویژگی جذاب همسویی انگیزه‌های فروشنده با کاهش تیکت را دارد اما ویژگی غافلگیرکننده تولید هزینه‌های ماهانه متغیر را دارد که تیم‌های مالی بودجه‌بندی آن را دشوارتر از مجوزهای ثابت صندلی می‌یابند.

۸. Sierra

سیرا (Sierra) در سال ۲۰۲۴ با سابقه بنیانگذاران برجسته از حالت پنهان خارج شد و خود را به عنوان پلتفرم عامل برای برندهای مصرف‌کننده‌ای قرار داده است که به جای یک محصول پیکربندی شده، یک عامل هوش مصنوعی سفارشی می‌خواهند. این مدل مشاوره‌ای است: سیرا با برند همکاری می‌کند تا شخصیت عامل، محدودیت‌های سیاست و جریان‌های کاری عملیاتی را تعریف کند، سپس یک عامل مدیریت شده را مستقر می‌کند که برند تجربه آن را در اختیار دارد اما سیرا زیرساخت آن را اداره می‌کند.

قوی‌ترین استقرارهای تاکنون با برندهای لباس و سبک زندگی بوده‌اند که نیازهای قوی برای لحن برند دارند و می‌خواهند عامل هوش مصنوعی آن‌ها از یک عضو تیم انسانی قابل تشخیص نباشد. عوامل سیرا مجموعه کامل مکالمات تجارت الکترونیک، از جمله جریان‌های کاری عوامل مدیریت سفارش هوش مصنوعی برای مرجوعی‌ها، تعویض‌ها و اصلاحات سفارش را مدیریت می‌کنند، و ثبات لحن برند واقعاً از جایگزین‌های آماده بهتر است.

محدودیت سیرا، دسترسی و قیمت‌گذاری است. سیرا در مورد اینکه با چه برندهایی کار می‌کند گزینشی عمل می‌کند و با قیمت‌هایی کار می‌کند که آن را به قلمرو شرکت‌های بزرگ می‌برد. برای برندهایی که با این پروفایل مطابقت دارند، کیفیت خروجی توجیه سرمایه‌گذاری است؛ برای برندهایی که مطابقت ندارند، گزینه‌های پایین‌تر در سطح پلتفرم، مسیرهای سریع‌تری را برای استقرار با مبادلات قابل قبول در وفاداری لحن برند ارائه می‌دهند.

۹. Forethought

Forethought در عوامل هوش مصنوعی برای کاهش تیکت‌های تجارت الکترونیک در سطح سازمانی تخصص دارد، با قوت ویژه در طبقه‌بندی تیکت و تشخیص هدف به جای مدیریت مکالمه سرتاسر. این پلتفرم در مقابل یک میز کمک موجود مانند Zendesk یا Salesforce قرار می‌گیرد و تیکت‌های ورودی را به تیم مناسب، ماکروی صحیح یا جریان کاری هوش مصنوعی مناسب بر اساس اطمینان طبقه‌بندی هدایت می‌کند.

برای برندهایی با یک تیم پشتیبانی بزرگ موجود و یک عملیات تیکتینگ بالغ، ارزش Forethought در بهره‌وری است نه در کاهش تیکت. این پلتفرم لزوماً حجم تیکت‌ها را کاهش نمی‌دهد، اما به طور چشمگیری زمان صرف شده توسط عوامل انسانی را برای طبقه‌بندی و هدایت اولین تماس کاهش می‌دهد. این پلتفرم همچنین الگوهایی را در محتوای تیکت‌ها نشان می‌دهد که برندها از آنها برای شناسایی مشکلات محصول، مشکلات انجام سفارش و نقایص سیاستی که حجم پشتیبانی را ایجاد می‌کنند، استفاده می‌کنند.

Forethought برای برندهایی که یک عامل هوش مصنوعی رو به مشتری می‌خواهند، کمتر مناسب است. این پلتفرم برای تقویت تیم پشتیبانی طراحی شده است تا جایگزین خط اول تعامل با مشتری شود، که آن را مکمل، و نه رقیب، عامل‌های مکالمه‌ای موجود در این لیست می‌کند.

۱۰. Yuma

Yuma به طور خاص برای Shopify ساخته شده و مستقیماً با Gorgias Automate در بخش خدمات مشتری Shopify توسط عوامل هوش مصنوعی رقابت می‌کند. این پلتفرم کاتالوگ Shopify برند، تاریخچه سفارش و صفحات سیاست را می‌خواند تا پاسخ‌های خود را مستند کند، و می‌تواند پیگیری سفارش، آغاز مرجوعی، وضعیت بازپرداخت و سوالات محصول را با دقت قابل قبولی مدیریت کند.

قوی‌ترین مورد برای یوما، برندهایی هستند که قبلاً روی گورگیاس یا زندهسک استاندارد شده‌اند و می‌خواهند هوش مصنوعی را به طور خاص برای مکالمات تجارت الکترونیک توسط عوامل هوش مصنوعی اضافه کنند بدون اینکه میز کمک اصلی را جایگزین کنند. یوما به عنوان یک ادغام نصب می‌شود نه یک جایگزین، که جدول زمانی پیاده‌سازی را کوتاه و اختلال عملیاتی را حداقل نگه می‌دارد.

نقطه ضعف آن، عمق در تمام پشته عملیاتی است. یوما مجموعه‌ی سوالات بومی Shopify را به خوبی مدیریت می‌کند اما زمانی که برند سیستم‌های اضافی، جریان‌های کاری مرجوعی سفارشی یا منطق استثنایی را که خارج از مدل استاندارد Shopify قرار دارد، با مشکل مواجه می‌شود. برای برندهایی که از پیکربندی استاندارد Shopify فراتر رفته‌اند، شکاف‌های پوشش یوما نیاز به راه‌حل‌هایی دارد که نرخ کاهش تیکت را با گذشت زمان کاهش می‌دهد.

چگونه انتخاب کنید بدون اینکه در پشته اشتباه گرفتار شوید

انتخاب عوامل هوش مصنوعی برای خدمات مشتری تجارت الکترونیک کمتر به انتخاب بهترین محصول فردی مربوط می‌شود و بیشتر به انتخاب تطابق معماری صحیح برای پیچیدگی عملیاتی فعلی و مسیر رشد برند مربوط می‌شود. یک برند که ماهانه دویست سفارش را با یک فروشگاه Shopify و یک انبار پردازش می‌کند، می‌تواند Tidio Lyro را در یک بعدازظهر مستقر کند و در عرض یک هفته ساعات قابل توجهی را بازیابی کند. همین برند با سه هزار سفارش در روز با چندین شریک انجام سفارش، حضور بین‌المللی و یک جریان مرجوعی سفارشی، به یک مکالمه کاملا متفاوت نیاز دارد، مکالمه‌ای که احتمالا با ثبت‌نام خودکار به پایان نمی‌رسد.

گران‌ترین اشتباهی که برندها مرتکب می‌شوند، انتخاب پلتفرمی است که با وضعیت فعلی آنها مطابقت دارد اما نمی‌تواند در گذر از نقطه عطف عملیاتی بعدی آنها مقیاس‌پذیر باشد. دومین اشتباه گران‌قیمت، انتخاب پلتفرمی است که برای جایی که می‌خواهند سه سال دیگر باشند طراحی شده است اما برای استقرار آن به ظرفیت مهندسی بیشتری از آنچه امروز دارند، نیاز دارد. هر دو حالت شکست منجر به یک نتیجه مشابه می‌شود: یک استقرار متوقف شده، سهامداران ناامید، و بازگشت به پشتیبانی دستی در حالی که تیم در حال کشف این است که چه چیزی اشتباه پیش رفته است.

برندهایی که این کار را به درستی انجام می‌دهند، معمولا سه ویژگی مشترک دارند. آنها قبل از ارزیابی فروشندگان، توزیع تیکت فعلی خود را ترسیم می‌کنند، بنابراین می‌دانند چه درصدی از حجم در هر نوع مکالمه قرار دارد. آنها عامل‌هایی را اولویت‌بندی می‌کنند که با سیستم‌های عملیاتی موجود آنها یکپارچه می‌شوند تا اینکه انتظار داشته باشند عامل‌ها تغییرات سیستم را ایجاد کنند.

ویژگی سوم، برخورد با پشته عامل هوش مصنوعی به عنوان بخشی از زیرساخت عملیات گسترده‌تر و نه یک محصول خدمات مشتری مستقل است، به این معنی که همان شیوه‌های مدیریت استثنا، قابلیت مشاهده و حاکمیت در سراسر استقرار اعمال می‌شود. عوامل هوش مصنوعی برای خدمات مشتری تجارت الکترونیک یک لایه اساسی از نحوه فعالیت برندهای DTC مدرن هستند، و برندهایی که با این سطح جدیت به آنها نزدیک می‌شوند، همان‌هایی هستند که همزمان حاشیه سود و ظرفیت تیم را باز پس می‌گیرند.

درباره TFSF Ventures

TFSF Ventures FZ-LLC (RAKEZ License 47013955) یک شرکت معماری سرمایه‌گذاری است که زیرساخت عامل هوشمند را در کسب‌وکارها از طریق سه ستون یکپارچه مستقر می‌کند: زیرساخت عاملیت‌گرا، مسیرهای پرداخت غیرسنتی و یک موتور کامل سرمایه‌گذاری. TFSF با ۲۷ سال تجربه در پرداخت و نرم‌افزار، در سطح جهانی فعالیت می‌کند و به ۲۱ صنعت با رویکرد استقرار ۳۰ روزه خدمات ارائه می‌دهد. برای اطلاعات بیشتر به https://tfsfventures.com مراجعه کنید.

ارزیابی رایگان هوش عملیاتی را انجام دهید

همین الان ارزیابی رایگان هوش عملیاتی را انجام دهید. به چند سوال کوتاه درباره کسب و کار خود پاسخ دهید. یک طرح اولیه سفارشی از استقرار هوش مصنوعی را ظرف ۲۴ تا ۴۸ ساعت دریافت کنید که شامل توصیه‌های عامل، معماری و یک نقشه راه اختصاصی برای عملیات شما است. بدون تماس فروش. بدون تعهد. فقط داده. از اینجا شروع کنید: https://tfsfventures.com/assessment

نوشته شده توسط گروه تحقیقاتی TFSF Ventures

Originally published at https://tfsfventures.com/blog/the-ai-agents-e-commerce-brands-deploy-to-handle-order-status-returns-and-refunds