Hari ini kami meluncurkan Intelligent Fields, solusi Maven AGI untuk menangkap dan mengorganisasi data yang tercipta dari setiap interaksi pelanggan — data yang dapat mendorong keputusan bisnis, peluang upsell, pembaruan produk, dan area strategis penting lainnya di organisasi Anda.
Agen AI Anda sudah membaca setiap percakapan. Agen tersebut menyelesaikan tiket, menjawab pertanyaan, dan menangani volume. Namun saat percakapan berakhir, semua yang dipelajarinya hilang. Tidak ada catatan mengapa pelanggan frustrasi. Tidak ada penanda bahwa mereka menyebut ingin berhenti. Tidak ada sinyal bahwa masalah yang sama sudah muncul 11 kali minggu ini.
Transkripnya ada. Datanya tidak.
Solusi standarnya adalah tagging manual: custom field di help desk Anda, lalu agen mengisinya. Cara ini berhasil sampai volume melonjak, agen baru bergabung, atau taksonominya bergeser. Kemudian kepatuhan menurun dan data menjadi tidak andal.
Inilah alasan tagging manual, jawaban default yang dipilih sebagian besar tim, sebenarnya tidak menyelesaikan masalah.
Jebakan Tagging Manual
Tagging manual memiliki satu kelemahan fatal: bergantung pada manusia untuk melakukannya secara konsisten dalam skala besar. Kenyataannya tidak demikian. Volume melonjak, agen baru bergabung, kasus-kasus khusus terlewat. Kepatuhan menurun dan data diam-diam menjadi tidak andal, sering kali tanpa disadari siapa pun sampai laporannya terlihat janggal.
Bahkan tagging yang sempurna pun memiliki batas. Dropdown menangkap kategori, bukan konteks. Perbedaan antara pelanggan yang frustrasi dan pelanggan yang akan churn bukanlah sebuah tag. Perbedaannya ada pada 4 kalimat yang terselip di tengah transkrip.
Apa yang Sebenarnya Dibutuhkan
Data percakapan terstruktur harus diekstrak secara otomatis dari transkrip lengkap, menggunakan sesuatu yang memahami bahasa, bukan sekadar pencocokan kata kunci.
Itulah yang dilakukan Intelligent Fields.
Anda mendefinisikan sebuah field: nama, tipe (teks, ya/tidak, pilihan, angka, atau pilihan ganda), dan instruksi dalam bahasa sehari-hari yang menjelaskan apa yang harus ditangkap field tersebut. Agen Maven mengevaluasinya di setiap percakapan, secara otomatis. Hasilnya disimpan, dapat dicari, dan terhubung dengan percakapan, lengkap dengan confidence score dan alasan yang menjelaskan klasifikasinya.
Contoh Konkret: Risiko Churn
Beginilah praktiknya. Anda membuat field Risiko Churn, bertipe Pilihan, dengan 3 opsi: Tinggi, Sedang, Rendah. Instruksinya ditulis dalam bahasa sehari-hari: tetapkan Tinggi jika pelanggan menyebut pembatalan, menunjukkan frustrasi terkait penagihan, atau memiliki masalah yang belum terselesaikan setelah beberapa kali interaksi.
Hanya itu pengaturannya. Setelah dipublikasikan, agen mengevaluasinya di setiap percakapan.
Untuk pelanggan yang menulis "Saya sudah mencoba memperbaiki ini selama seminggu dan jika tidak selesai hari ini, saya akan membatalkan," field tersebut menghasilkan Tinggi, confidence 0,91, dengan alasan: "Pelanggan secara eksplisit menyebut pembatalan dan memiliki masalah penagihan yang belum terselesaikan setelah beberapa kali interaksi."
Catatan tersebut kini dapat di-query. Tampilkan setiap percakapan dengan Risiko Churn = Tinggi dalam 30 hari terakhir. Arahkan ke spesialis retensi secara real-time. Kirimkan ke CRM Anda.
Pengaturan dalam Hitungan Menit, Bukan Sprint
Semuanya ada di Agent Designer. Definisikan field dalam bahasa sehari-hari, pilih tipenya, lalu publikasikan. Tanpa kode. REST API lengkap tersedia bagi tim yang ingin mengelolanya secara terprogram.
Apa yang Kini Menjadi Mungkin
Tim dukungan yang paling optimal memanfaatkan agen AI mereka tidak sekadar menggunakannya untuk menyelesaikan tiket lebih cepat. Mereka menggunakannya untuk memahami apa yang terjadi di setiap percakapan, dalam skala yang tidak mungkin dicapai proses peninjauan manual.
Intelligent Fields mewujudkan hal itu. Setiap percakapan yang ditangani agen Anda menjadi catatan data terstruktur. Setiap catatan dapat dicari. Setiap tren terlihat jelas.
Lihat langsung pada percakapan Anda sendiri.
Minta demo personal gratis.
