สอนอ่านข้อมูลบทสนทนา ทั้งหัวข้อ คำถามจริง ความรู้สึกลูกค้า และคะแนน เพื่อหาจุดที่ AI ตอบพลาดบน LINE Messenger และเว็บแชต แล้วแก้ทีละจุด
เปิดแดชบอร์ดแล้วเห็นกราฟสวยหลายอัน แต่ไม่แน่ใจว่าต้องทำอะไรต่อ เป็นเรื่องที่พบบ่อยมากในทีมที่เริ่มใช้ AI ตอบแชตบน LINE, Messenger และเว็บไซต์ บทความนี้จะพาอ่านข้อมูลบทสนทนาทีละสัญญาณ ว่าแต่ละตัวบอกอะไรและบอกอะไรไม่ได้ จากนั้นสรุปเป็นรอบทำงานรายสัปดาห์ที่เปลี่ยนตัวเลขให้เป็นการแก้ไขจริง
เริ่มจากคำถาม ไม่ใช่จากกราฟ
ก่อนเปิดแดชบอร์ด ให้ตั้งคำถามหนึ่งข้อก่อน เช่น "ลูกค้าถามเรื่องอะไรที่ AI ยังตอบไม่ดี" หรือ "ช่วงโปรโมชันที่ผ่านมา มีอะไรที่เราไม่ได้เตรียมไว้" คำถามที่ชัดจะบอกว่าต้องดูกราฟไหน และเมื่อไรควรหยุดดู
คนที่เปิดแดชบอร์ดโดยไม่มีคำถามมักไล่ดูทุกอย่างแล้วจบด้วยความรู้สึกว่า "ก็ดูโอเค" ซึ่งไม่นำไปสู่การลงมือทำอะไร
ปริมาณแชต: เส้นฐาน ไม่ใช่คำตัดสิน
กราฟจำนวนแชตเป็นจุดเริ่มที่ดี แต่ตัวเลขเดี่ยว ๆ ตีความได้หลายทาง ตัวอย่างเช่น แชตเพิ่มขึ้นอาจแปลว่า:
- แคมเปญการตลาดได้ผล คนทักเข้ามามากขึ้น
- สินค้าหรือบริการมีปัญหา คนจึงต้องถามซ้ำ
- ลูกค้ากล้าใช้ช่องทางแชตมากขึ้น เพราะ AI ตอบเร็ว
แชตลดลงก็ตีความได้สองทางเช่นกัน อาจเป็นเพราะเว็บไซต์ตอบคำถามได้ชัดขึ้น หรือเพราะปุ่มแชตถูกซ่อนจนลูกค้าหาไม่เจอ
ดังนั้นให้ใช้ปริมาณเป็น "เส้นฐาน" ไว้เทียบกับสัปดาห์ก่อนหน้าและช่วงเวลาที่มีกิจกรรมพิเศษ เช่น วันที่ 11.11 หรือเทศกาลสงกรานต์ อย่าใช้ตัดสินว่าระบบดีหรือไม่ดี
หัวข้อ: ที่ซ่อนข้อมูลที่มีค่าที่สุด
หัวข้อ (Topics) จัดกลุ่มบทสนทนาตามเรื่องที่ลูกค้าถาม จึงตอบได้ว่าเวลาของทีมและของ AI หมดไปกับเรื่องอะไร เมื่อรู้สัดส่วนแล้วจะจัดลำดับงานได้ง่ายขึ้นมาก
ลองดูตัวอย่างสมมติของร้านค้าออนไลน์ที่มีแชตประมาณ 300 รายการต่อเดือน (ตัวเลขนี้ยกมาเพื่ออธิบายวิธีอ่านเท่านั้น ไม่ใช่ข้อมูลจริงของใคร)
จากตัวอย่างนี้ การเช็กสถานะพัสดุกินสัดส่วนเกือบหนึ่งในสาม ถ้า AI ตอบเรื่องนี้ได้แม่น (เช่น ต่อกับระบบสั่งซื้อเพื่อดูสถานะ) งานของทีมจะลดลงทันที ส่วนเรื่องคืนสินค้าแม้สัดส่วนน้อยกว่า แต่ลูกค้ามักอารมณ์ร้อนกว่า ควรดูคุณภาพคำตอบควบคู่กับปริมาณ
หลักการอ่านหัวข้อมี 3 ข้อ:
- หัวข้อใหญ่ที่สุดคือที่ที่การปรับปรุงเล็ก ๆ ให้ผลมากที่สุด
- หัวข้อที่โตผิดปกติแปลว่ามีเหตุการณ์ใหม่ ควรไปหาสาเหตุ
- หัวข้อ "อื่น ๆ" ที่ใหญ่เกินไปแปลว่าการจัดกลุ่มยังหยาบ หรือมีเรื่องที่คุณยังไม่รู้ว่าลูกค้าสนใจ
ประวัติคำถาม: ถ้อยคำจริงที่ลูกค้าใช้
หัวข้อบอกว่า "เรื่องอะไร" ส่วนประวัติคำถาม (Question history) บอกว่า "ลูกค้าพิมพ์ว่าอะไร" ซึ่งมักต่างจากภาษาที่ธุรกิจใช้อยู่ภายใน ตัวอย่างเช่น เอกสารของร้านเขียนว่า "นโยบายการคืนสินค้า" แต่ลูกค้าพิมพ์ว่า "ของมาผิดสี เปลี่ยนได้ไหมคะ" หรือ "อยากได้เงินคืน"
เมื่ออ่านประวัติคำถาม ให้มองหา:
- คำถามเดียวกันที่ถูกถามซ้ำหลายแบบ เป็นตัวเลือกที่ดีสำหรับเพิ่มคู่ถาม-ตอบ
- คำสะกดหรือคำแสลงที่ลูกค้าใช้ เช่น ชื่อเล่นของสินค้า หรือคำย่อที่ทีมไม่เคยใช้
- คำถามที่ AI ตอบไม่ตรง แปลว่าฐานความรู้ขาดเรื่องนั้น หรือมีเนื้อหาแต่เขียนคนละภาษากับลูกค้า
- คำถามที่มีหลายเรื่องในข้อความเดียว เช่น ถามทั้งราคา การส่ง และการรับประกันพร้อมกัน
Sentiment: อ่านเหมือนสัญญาณเตือนควัน
กราฟความรู้สึก (Sentiment) ไม่ควรถูกอ่านเป็นคะแนนสอบ ให้อ่านเหมือนสัญญาณเตือนควัน คือมันบอกว่า "ตรงนี้ควรไปดู" แต่ไม่ได้บอกว่าไฟไหม้จริงหรือเปล่า
ความรู้สึกเชิงลบไม่ได้แปลว่า AI ทำผิดเสมอไป ลูกค้าที่พัสดุล่าช้าย่อมไม่พอใจ ต่อให้ AI ตอบสุภาพและถูกต้องทุกข้อ สิ่งที่ควรแยกให้ออกคือ:
- ลบเพราะปัญหาของธุรกิจ เช่น ส่งช้า สินค้าชำรุด AI แก้ไม่ได้ แต่ควรส่งต่อให้คนเร็วขึ้น
- ลบเพราะ AI ตอบไม่ดี เช่น ตอบวน ตอบไม่ตรงคำถาม หรือไม่ยอมส่งต่อให้คน
วิธีแยกคือเปิดอ่านบทสนทนาจริงสัก 10 ถึง 20 รายการจากกลุ่มลบ แล้วจดว่าแต่ละรายการเข้าข่ายแบบไหน การอ่านด้วยตาเองอาจดูช้า แต่ให้ข้อสรุปที่เชื่อถือได้มากกว่าการเดาจากกราฟ
คะแนนและการส่งต่อ: การตรวจโดยคน
สัญญาณสองตัวนี้ต่างจากตัวอื่นตรงที่ผ่านการตัดสินของคนแล้ว คือ ลูกค้ากดถูกใจ/ไม่ถูกใจ และพนักงานเข้ามารับช่วงต่อ
ข้อควรจำคือคะแนนมักมาจากลูกค้าเพียงส่วนน้อย อย่าสรุปจากคะแนนไม่กี่รายการ แต่ถ้าเห็นหัวข้อเดียวกันถูกกดไม่ถูกใจซ้ำ ๆ นั่นคือสัญญาณที่หนักแน่น
ส่วนการส่งต่อให้คน ให้ถามว่าเหตุผลที่ส่งต่อคืออะไร ถ้าเป็นเรื่องที่ควรให้คนดูอยู่แล้ว เช่น ข้อร้องเรียนหรือเรื่องเงิน ก็ถือว่าระบบทำงานถูกต้อง แต่ถ้าเป็นคำถามทั่วไปที่ตอบได้ด้วยข้อมูลที่มีอยู่ แปลว่ามีช่องว่างให้ปิด
เปลี่ยนรูปแบบที่เห็นให้เป็นการแก้ไข
การอ่านข้อมูลมีค่าก็ต่อเมื่อนำไปสู่การแก้ไข วิธีที่ได้ผลคือทำเป็นรอบสั้น ๆ ทุกสัปดาห์ แทนที่จะรอรีวิวใหญ่ปีละครั้ง
- 01ดูหัวข้อและคำถามใหม่
- 02อ่านบทสนทนาตัวอย่าง
- 03เพิ่มหรือแก้คำตอบ
- 04ทดสอบแล้วดูผลสัปดาห์หน้า
ตัวอย่างการลงมือในแต่ละสัปดาห์:
- เลือกหัวข้อที่ใหญ่ที่สุดหรือโตเร็วที่สุด 1 ถึง 2 หัวข้อ
- อ่านบทสนทนาจริงที่ลูกค้าไม่พอใจหรือที่ต้องส่งต่อให้คน
- หาว่าขาดข้อมูล ข้อมูลเขียนไม่ชัด หรือคำสั่งของ AI ไม่ครอบคลุม
- แก้เพียงเรื่องเดียวในแต่ละครั้ง เพื่อให้รู้ว่าอะไรทำให้ผลเปลี่ยน
- ทดสอบด้วยคำถามจริงที่ลูกค้าเคยพิมพ์ ก่อนเผยแพร่
- สัปดาห์ถัดไป กลับมาดูหัวข้อเดิมว่าดีขึ้นหรือไม่
การแก้ทีละจุดดูช้า แต่ทำให้คุณรู้เหตุและผลชัดเจน และไม่ทำให้ทีมเหนื่อยเกินไป
ข้อผิดพลาดที่พบบ่อยเวลาอ่านข้อมูล
- ตัดสินจากช่วงสั้นเกินไป ข้อมูลสองสามวันแกว่งได้มาก โดยเฉพาะร้านที่มีแชตไม่มาก
- มองกราฟเดียวแล้วสรุป ควรเทียบอย่างน้อยสองสัญญาณ เช่น หัวข้อกับความรู้สึก
- ไล่แก้ทุกเรื่องพร้อมกัน ทำให้ไม่รู้ว่าอะไรได้ผล
- ละเลยหัวข้อเล็กที่รุนแรง เรื่องที่พบน้อยแต่กระทบความเชื่อมั่น เช่น การเรียกเก็บเงินผิด ควรได้รับความสนใจเกินสัดส่วน
- ไม่อ่านบทสนทนาจริง ตัวเลขช่วยชี้ทาง แต่คำตอบอยู่ในข้อความ
- ลืมบริบทภายนอก ฝนตกหนัก โปรโมชันใหม่ หรือระบบขนส่งขัดข้อง ล้วนเปลี่ยนรูปแบบแชตได้
ทำเรื่องนี้ใน AI SNS CHAT
ใน AI SNS CHAT ข้อมูลที่กล่าวถึงข้างต้นอยู่ในเมนู Analytics ของแถบด้านข้าง ประกอบด้วยหน้า Chats, Topics, Question history และ Sentiment ส่วนบทสนทนาทางโทรศัพท์ดูได้ที่ Voice analytics การวิเคราะห์ขั้นสูงต้องใช้แผน Pro ส่วนแผนอื่นยังเปิดดูข้อมูลพื้นฐานเหล่านี้ได้ ตรวจรายละเอียดแผนได้ที่ หน้าราคา
เมื่อเห็นรูปแบบที่น่าสนใจ ให้ไปอ่านบทสนทนาจริงตามเส้นทางนี้:
- Activity → Chat logs เก็บบทสนทนาของทุกช่องทางที่ไม่ใช่อีเมล เช่น LINE, Messenger, WhatsApp และวิดเจ็ตบนเว็บไซต์ ที่นี่กรองรายการ ติดธง ส่งต่อ ทำเครื่องหมายว่าแก้แล้ว ส่งออกข้อมูล และดูคะแนนถูกใจ/ไม่ถูกใจจากลูกค้าได้
- Inbox ใช้สำหรับอีเมลเท่านั้น
- ทั้งสองที่ คุณเข้าไปรับช่วงต่อแชตได้ (บอตจะหยุดชั่วคราว) ใช้การแปลสด ใช้คำตอบสำเร็จรูป และแก้ข้อความตอบให้เป็นคำตอบในอุดมคติเพื่อสอน AI ได้
เมื่อรู้ว่าต้องเพิ่มความรู้เรื่องไหน ไปที่ Data sources แล้วเพิ่มคู่ถาม-ตอบใน Q&A หรือข้อความสั้นใน Text snippets โดยใช้ถ้อยคำที่เห็นจากประวัติคำถามจริง จากนั้นลองถามใน Playground ก่อนใช้งานจริง
เรื่องการส่งต่อให้คน หากอยู่บนแผน Standard ขึ้นไป ใช้ Helpdesk → Scheduling กำหนดกะงานรายคนตามเขตเวลา ระบบจะมอบหมายงานให้คนที่อยู่เวรและส่งการแจ้งเตือนไปยังช่องทางที่ตั้งไว้ เช่น Slack, Teams, LINE WORKS, WhatsApp, อีเมล หรือเว็บฮุก ส่วนข้อความที่ลูกค้าเห็นตอนส่งต่อ ระบบอ่านตารางเวรแล้วเติมบรรทัด "ขั้นตอนต่อไป" ให้เอง และไม่แต่งเวลารอขึ้นมา
หากไม่แน่ใจว่าต้องคลิกตรงไหน ลองถาม Synthia ผู้ช่วยจัดการภายในแดชบอร์ด เธอพาไปยังหน้าที่ต้องการและไฮไลต์ปุ่มให้ได้ ดูภาพรวมฟีเจอร์เพิ่มเติมที่ หน้าฟีเจอร์ และดูช่องทางที่เชื่อมต่อได้ที่ หน้าการเชื่อมต่อ
หมายเหตุด้านข้อมูลส่วนบุคคล: ฟังก์ชันระยะเวลาเก็บบทสนทนา (retention window) เป็นขีดจำกัดที่ผู้ดูแลระบบกำหนด เป็นแบบเลือกเปิด และค่าเริ่มต้นคือเก็บไว้ตลอด ธุรกิจที่ต้องการลดการเก็บข้อมูลควรพิจารณานโยบายภายในควบคู่กับ PDPA และอ่านรายละเอียดที่ หน้าความปลอดภัย
คำถามที่พบบ่อย
ควรเปิดดูการวิเคราะห์บทสนทนาบ่อยแค่ไหน
สำหรับร้านส่วนใหญ่ สัปดาห์ละครั้งก็เพียงพอ เลือกวันและเวลาเดิมเพื่อให้เป็นนิสัย ช่วงที่เพิ่งปล่อยโปรโมชัน เปลี่ยนคำตอบ หรือเปิดช่องทางใหม่ อาจดูถี่ขึ้นเป็นช่วงสั้น ๆ แต่อย่าปรับแก้ทุกวัน เพราะจะแยกไม่ออกว่าอะไรให้ผล
ความรู้สึกเชิงลบแปลว่า AI ทำงานล้มเหลวเสมอหรือไม่
ไม่เสมอไป ลูกค้าที่พัสดุล่าช้าอาจไม่พอใจแม้ AI ตอบถูกต้อง สิ่งสำคัญคือแยกให้ออกระหว่างความไม่พอใจจากตัวธุรกิจกับความไม่พอใจจากคำตอบของ AI ซึ่งทำได้โดยอ่านบทสนทนาจริงจากกลุ่มลบสักชุดหนึ่ง
ต้องใช้แผน Pro ถึงจะได้ประโยชน์จากการวิเคราะห์หรือไม่
ไม่จำเป็น หน้า Chats, Topics, Question history และ Sentiment ก็ให้ข้อมูลที่นำไปปรับปรุงได้แล้ว ส่วนการวิเคราะห์ขั้นสูงต้องใช้แผน Pro ธุรกิจขนาดเล็กควรเริ่มจากข้อมูลพื้นฐานและอ่านบทสนทนาใน Chat logs ควบคู่กัน แล้วค่อยพิจารณาอัปเกรดเมื่อพบว่าต้องการข้อมูลเชิงลึกกว่านั้น
บทสนทนาอีเมลอยู่ตรงไหน เมื่อเทียบกับ WhatsApp หรือ Messenger
อีเมลอยู่ในเมนู Inbox ซึ่งเป็นพื้นที่สำหรับอีเมลโดยเฉพาะ ส่วนบทสนทนาของช่องทางอื่นทั้งหมด เช่น WhatsApp, Messenger และ LINE อยู่ใน Activity → Chat logs ทั้งสองที่รับช่วงต่อแชตและแก้คำตอบเพื่อสอน AI ได้เหมือนกัน


