Het supportteam van Just Carpets behandelde elke maand duizenden tickets in Trengo.
Hoewel tickets labels en tags hadden, was er geen zekerheid dat ze weerspiegelden wat klanten daadwerkelijk zeiden.
Het bedrijf kon niet met vertrouwen antwoorden:
Zijn tickets correct gecategoriseerd?
Komen de tags overeen met de werkelijke klantintentie?
Welke issues kosten de meeste tijd om op te lossen?
Zonder de daadwerkelijke gesprek inhoud te analyseren, had het leiderschap slechts een gedeeltelijk beeld van de werkdruk. Er was ook een sterk vermoeden dat verkeerd gelabelde tickets de meest waardevolle automatiseringskansen verborgen.
Het idee om een nieuw SaaS-platform voor AI te bouwen was vastgelopen — er was geen gevalideerde dataset om de investering te leiden.
We begonnen met een tooling-ontdekkingsfase, waarbij we samenwerkten met ondersteunend personeel om workflows in kaart te brengen.
Alle ticketgegevens, inclusief klant- en agentberichten, interne notities en bestaande tags, werden geëxporteerd naar een enkele gestructureerde dataset.
Stap 2 – Semantische Contentanalyse
We hebben een aangepaste LLM-agent ingezet om elk ticket te beoordelen door de feitelijke tekst te lezen om:
Te verifiëren of tags overeenkomen met de werkelijke inhoud van het ticket.
Primaire en secundaire herclassificaties voor te stellen waar verkeerde labels werden gevonden.
Product- en dienstenvermeldingen te detecteren voor nauwkeurige filtering.
De voortgang van sentiment in het gesprek te beoordelen.
Herhalende triggers te identificeren via een oorzaak-analyse.
Stap 3 – Automatiseringsmogelijkheden in kaart brengen
Met nauwkeurige tagging hersteld, kwantificeerden we de complexiteit, urgentie en oplostijden voor elk type ticket om de beste kandidaten voor automatisering te identificeren op basis van ROI-potentieel.
We hebben een duidelijke, blijvende oplossing geleverd om precies te detecteren waar de tickets van klanten over gaan — niet alleen hoe ze zijn getagd.
Deze live analysetool verwerkt elk nieuw ticket in real-time, waarbij het de daadwerkelijke conversatie leest om een dieper, actiegerichter rapport te genereren dan de native analyses van Trengo.
Dit omvat:
Continue validatie en verbetering van de nauwkeurigheid van tags.
Volgen van de prestaties van agenten op het gebied van responskwaliteit, sentimenthantering en oplossingssnelheid.
Conversatiesentimentscore om problemen vroegtijdig te detecteren.
Trenddetectie om nieuwe of opkomende ondersteuningsonderwerpen te signaleren voordat ze grote problemen worden.
Door automatisering te combineren met een altijd-actieve analyse-engine, heeft het ondersteuningsteam van Just Carpets nu een permanente intelligentielaag die ervoor zorgt dat ze datagestuurde beslissingen kunnen nemen, de automatiseringsroutekaart actueel houden en snel kunnen inspelen op de veranderende behoeften van klanten.
Door het combineren van contentanalyse met automatisering en AI, heeft Just Carpets betere conclusies bereikt dan ooit tevoren.
Resultaat in de volgende verduidelijking en mechanismen:
Betrouwbare tagging en classificatie, om nauwkeurige rapportage en AI-training te garanderen.
Vermindering van repetitief handmatig tagwerk, zodat het team zich kan richten op complexe gevallen.
Voortdurende operationele intelligentie via de nieuwe AI-analysetool, die de inzichten in Trengo's ingebouwde analytics overtreft.
Het resultaat: snellere klantenservice, meer zelfverzekerde data-gedreven beslissingen, en een schaalbare automatiseringsroutekaart — allemaal zonder een duur nieuw platform te bouwen.
Resultaten
Vermindering van repetitief analytisch werk
Meer inzichten in het eigenlijke probleem -> oplossingen
Nauwkeurige schattingen van de juiste tags
