Como usar o feedback do agente para melhorar as previsões de criticidade do caso
Usando o feedback do seu agente para determinar o quão crítico é um caso, você pode melhorar os modelos de aprendizado de máquina (ML) da aplicação Resolução automática de problemas (IAR) para prever casos com mais precisão ao longo do tempo.
Visão geral
Quando um agente cria um caso, Resolução automática de problemas prevê o quão crítico é o problema. No entanto, no passado, essas previsões às vezes precisavam ser aprimoradas. Para melhorar a classificação de casos por meio de modelos de aprendizado de máquina (ML), um novo campo, chamado de campo Resolução requer, foi introduzido para os agentes de RH darem feedback. Os agentes só podem ver este campo em um formulário de caso de RH quando Resolução automática de problemas previu a criticidade desse caso.
O uso do campo de resolução requer
| Nome | Descrição |
|---|---|
| Ação urgente do agente | A atenção imediata do agente é necessária para resolver o caso. |
| Somente conteúdo de autoatendimento | O usuário pode resolver o caso com conteúdo de autoatendimento. |
| Ação não urgente do agente | Caso não seja crítico. |
Os agentes podem escolher o feedback correto nas opções de campo para saber quando as Resolução automática de problemas previsões estão corretas ou não.
Mapeamento de prioridade de resolução
Os agentes veem uma mensagem informativa na tela quando mudam a resolução necessária, a prioridade ou o estado do caso. Por exemplo, digamos que um agente selecione a opção Ação urgente do agente. A prioridade selecionada é Baixa, portanto, o agente vê a mensagem "A resolução requer que o campo seja inconsistente com a prioridade do caso. Revise." Usando o mapeamento de prioridade de resolução, os agentes podem corrigir o problema quando a prioridade é inconsistente com a urgência do caso.
Mensagens informativas também podem aparecer como mudanças de prioridade. A resolução requer que um agente faça mudanças ou mudanças de estado.