Google uses AI technology to translate content into your preferred language. AI translations can contain errors.

Aturan pemberian label otomatis dan korelasi

Customer Experience Insights memperkenalkan dua fitur berbasis aturan untuk meningkatkan pemrosesan percakapan:

Aturan pemberian label otomatis: Menerapkan label nilai kunci secara otomatis ke percakapan berdasarkan kondisi yang ditentukan.
Aturan korelasi: Menentukan cara menautkan segmen percakapan terkait untuk membentuk tampilan interaksi pelanggan yang lengkap.

Kedua jenis aturan menggunakan Common Expression Language (CEL) untuk memberikan definisi aturan yang fleksibel dan dinamis. CEL sangat penting untuk aturan pemberian label otomatis dan korelasi. Anda dapat mengonfigurasi aturan ini dengan API atau konsol CX Insights.

Aturan pemberian label otomatis

Aturan pemberian label otomatis secara otomatis memperkaya percakapan dengan label nilai kunci kustom selama impor. Label ini meningkatkan pemfilteran, kategorisasi, dan integrasi dengan analisis dan alur kerja lainnya. Anda dapat melakukan tindakan berikut dengan aturan pemberian label otomatis:

Mengategorikan percakapan menurut topik, jenis pelanggan, produk, atau hasil.
Mengekstrak poin data utama dari metadata percakapan atau parameter Dialogflow, seperti nama callId, isAuthenticated, dan intent, ke dalam label.
Menandai percakapan yang memerlukan perhatian khusus, seperti high_escalation_risk.

Label

Setiap aturan pemberian label otomatis menentukan label dan berisi pesan kondisi yang diurutkan. Setiap label menggunakan ekspresi CEL berikut:

Kondisi: mengevaluasi apakah percakapan bernilai benar atau salah. Kondisi kosong secara default bernilai benar.
Nilai: menghasilkan nilai string untuk label jika kondisinya benar.

LabelingCondition pertama yang cocok akan menentukan nilai label.

Mengonfigurasi aturan

Ikuti langkah-langkah berikut untuk mengonfigurasi aturan pemberian label otomatis menggunakan API atau konsol CX Insights.

API

Gunakan operasi Create untuk mengonfigurasi AutoLabelingRule. Contoh isi permintaan:

{
  "displayName": "$DISPLAY_NAME",
  "labelKey": "$UNIQUE_KEY_NAME",
  "labelKeyType": LABEL_KEY_TYPE_CUSTOM 
"conditions": [
    {
      "condition": "conversation.turn_count > 10 && conversation.duration > "60s"",
      "value": "'long_call'"
    },
    {
      "condition": "conversation.agent_id == "agent_007"",
      "value": "'special_agent'"
    }
  ],
"active": true
}

Perintah Curl, jika permintaan disimpan di auto_labeling_rule.json:

  curl-X POST 

      -H "Authorization: Bearer $(gcloud auth --impersonate-service-account=$SA_EMAIL print-access-token)" 

      -H "Content-Type: application/json; charset=utf-8" 

      -d @auto_labeling_rule.json 

  "https://$ENDPOINT/v1/projects/$PROJECT/locations/$LOCATION/autoLabelingRules?auto_labeling_rule_id=$RULE_ID"

Beri nama aturan Anda dalam format berikut: projects/[project-id]/locations/[location-id]/autoLabelingRules/[auto_labeling_rule]. ID [auto_labeling_rule] adalah label_key untuk aturan kustom.

Anda juga dapat menggunakan salah satu operasi berikut dengan aturan pemberian label otomatis. Aturan pemberian label otomatis dapat memiliki maksimum 100 label per percakapan dengan maksimum 256 karakter per entri.

Get.

curl  -X GET 

  -H "Authorization: Bearer $(gcloud auth --impersonate-service-account=$SA_EMAIL print-access-token)" 

  -H "Content-Type: application/json; charset=utf-8" \ "https://$ENDPOINT/v1/projects/$PROJECT/locations/$LOCATION/autoLabelingRules/$RULE_ID"

List.

curl  -X GET 

  -H "Authorization: Bearer $(gcloud auth --impersonate-service-account=$SA_EMAIL print-access-token)" 

  -H "Content-Type: application/json; charset=utf-8" \ "https://$ENDPOINT/v1/projects/$PROJECT/locations/$LOCATION/autoLabelingRules"

Update. Bergantung pada kolom yang akan diupdate, tentukan update_mask.

curl  -X PATCH 

  -H "Authorization: Bearer $(gcloud auth --impersonate-service-account=$SA_EMAIL print-access-token)" 

  -H "Content-Type: application/json; charset=utf-8" 

  -d @update_payload.json \ "https://$ENDPOINT/v1/projects/$PROJECT/locations/$LOCATION/autoLabelingRules/$RULE_ID?update_mask=displayName,active"

TestAutoLabelingRule. Payload Anda harus berisi aturan yang akan diuji dan contoh percakapan yang akan dievaluasi oleh aturan tersebut. Contoh:

{
"conversation": {
"agentId": "agent_007",
"turnCount": 15,
"duration": "75s"
/# Add other conversation fields relevant to the rule
},
"autoLabelingRule": {
"displayName": "Test Rule",
"labelKey": "test_category",
"conditions": [
  {
   "condition": "conversation.turn_count > 10 && conversation.duration > "60s"",
    "value": "'long_call_test'"
  }
],
"active": true
}
}

Konsol

Buka konsol CX Insights, login, dan pilih project Anda. Konsol CX Insights
Klik setelanSetelan > Aturan Pemberian Label Otomatis.
Masukkan ekspresi CEL dengan editor Monaco.
Klik Simpan.

Contoh CEL

Label menurut ID agen:

label_key: "agent_category"
conditions {
condition: "conversation.agent_id == '007'"
value: "'special_agent'"
}
conditions {
condition: "conversation.agent_id.startsWith('team_a')"
value: "'tier_1_support'"
}
conditions {
condition: "" // Default
value: "'standard'"
}

Tandai sentimen negatif:

label_key: "needs_review"
conditions {
// This example assumes sentiment scores are present in the conversation's latest_analysis
condition: "has(conversation.latest_analysis.analysis_result.call_analysis_metadata.sentiments) && conversation.latest_analysis. analysis_result.call_analysis_metadata.sentiments.exists(s, s.    sentiment_data.score < -0.5)"
value: "'true'"
}

Ekstrak parameter Dialogflow:

label_key: "df_session_outcome"
conditions {
condition: "" // Always try to extract
value: "conversation.runtime_annotations.map(a, a.dialogflow_interaction.detect_intent_response_v3.query_result.parameters).filter(p, has(p.outcome)).map(p, p.outcome).first_element_or_empty_string()"
}

Menggunakan label otomatis dalam filter aturan analisis

Aturan pemberian label otomatis dapat menerapkan label yang mengontrol percakapan mana yang diproses oleh aturan analisis utama. Kolom conversation_filter dalam aturan analisis dapat mereferensikan label menggunakan peta label.

Contoh:

// AnalysisRule to run detailed analysis on conversations labeled 'needs_review: true'
display_name: "Detailed Analysis for Reviewed Conversations"
conversation_filter: "labels.needs_review = \"true\""
annotator_selector: {
  run_summarization_annotator: true
  // ... other annotators
}
analysis_percentage: 1.0
active: true

Aturan korelasi

Aturan korelasi menentukan cara Customer Experience Insights mengidentifikasi dan menautkan segmen percakapan terkait. Segmen percakapan mewakili satu bagian percakapan, seperti yang di-transfer, seperti sesi Dialogflow atau interaksi agen tunggal. Percakapan lengkap mewakili percakapan tertaut yang lengkap dan terdiri dari satu atau beberapa segmen. Secara default, semua percakapan baru dimulai sebagai segmen. Aturan korelasi membantu Anda membuat histori lengkap interaksi pelanggan, bahkan saat interaksi tersebut mencakup beberapa agen, saluran, atau sesi.

Aturan korelasi memberikan manfaat berikut untuk analisis percakapan layanan pelanggan.

Transkrip terpadu: Lihat transkrip kronologis tunggal yang menggabungkan ucapan dari beberapa sumber, seperti sesi chatbot yang diikuti oleh panggilan agen live.
Analisis lintas saluran: Tautkan interaksi di berbagai saluran, seperti chat dan suara, untuk menganalisis tren sentimen dan perkembangan topik di seluruh perjalanan percakapan.
Akurasi metrik: Hitung metrik seperti total waktu penanganan atau rasio penyelesaian untuk interaksi lengkap, bukan hanya bagian individual.
Konteks untuk agen: Berikan histori lengkap interaksi otomatis sebelumnya kepada agen manusia.

Proses korelasi

Saat aturan korelasi cocok dengan beberapa segmen percakapan, CX Insights akan mengelompokkannya. CX Insights kemudian membuat entri baru untuk mewakili percakapan lengkap dengan ID percakapan uniknya sendiri. CX Insights menetapkan ID korelasi percakapan lengkap ke kunci umum yang menautkan segmen, dan jenisnya ke FULL. CX Insights menetapkan ID korelasi segmen asli ke kunci umum dan jenisnya ke SEGMENT. Jika segmen tidak dikorelasikan dengan segmen lain, CX Insights akan memberikan jenis korelasi SEGMENT dan FULL.

Menautkan pesan

Aturan korelasi menautkan segmen percakapan terkait dari berbagai sumber dan saluran. CX Insights mengikuti langkah-langkah berikut untuk menautkan segmen percakapan:

Kelompokkan menurut kunci gabungan: CX Insights mengevaluasi ekspresi kunci gabungan CEL untuk mengekstrak ID umum dari percakapan, seperti callId. Percakapan yang menggunakan kunci gabungan yang sama adalah calon yang berpotensi untuk ditautkan. Kunci gabungan harus spesifik. Jika kunci cocok dengan lebih dari 20 percakapan, korelasi mungkin akan ditolak untuk mencegah masalah performa.
Perbaiki dengan batasan: Ekspresi batasan CEL adalah pemeriksaan boolean opsional yang dievaluasi berpasangan antara kandidat. Ekspresi ini membantu mengonfirmasi apakah dua segmen yang menggunakan kunci yang sama benar-benar harus ditautkan. Pemeriksaan ini bersifat dua arah, sehingga dapat mencakup segmen A yang ditautkan ke segmen B dan segmen B yang ditautkan ke segmen A.
Tautan transitif: Penautan bersifat transitif. Jika percakapan A ditautkan ke B, dan B ditautkan ke C, maka A, B, dan C akan digabungkan ke dalam satu grup percakapan FULL.

Percakapan yang digabungkan dapat berisi maksimum lima segmen.

Mengonfigurasi aturan korelasi

Anda dapat mengonfigurasi aturan korelasi menggunakan API atau konsol CX Insights.

API

Jalankan kode berikut untuk menyiapkan CorrelationConfig.

curl  -X PATCH 

  -H "Authorization: Bearer $(gcloud auth --impersonate-service-account=$SA_EMAIL print-access-token)" 

  -H "Content-Type: application/json; charset=utf-8" 

  -d @update_corr_config.json 

"https://$ENDPOINT/v1/projects/$PROJECT/locations/$LOCATION/correlationConfig?update_mask=fullConversationConfig"

Beri nama aturan Anda dengan format berikut: projects/{project-id}/locations/{location-id}/correlationConfig.
Lihat hasilnya di kolom Conversation.CorrelationInfo.

Anda dapat menggunakan salah satu operasi berikut dengan aturan korelasi.

GetCorrelationConfig.

curl-X GET 

-H "Authorization: Bearer $(gcloud auth --impersonate-service-account=$SA_EMAIL print-access-token)" 

-H "Content-Type: application/json; charset=utf-8" 

"https://$ENDPOINT/v1/projects/$PROJECT/locations/$LOCATION/correlationConfig"

UpdateCorrelationConfig. Contoh isi permintaan, jika disimpan dalam updated_corr_config.json:

{
"fullConversationConfig": {
"correlationRules": [
  {
    "joinKeyExpression": "conversation.labels.uui",
    "active": true
  }
]
}
}

TestCorrelationConfig. Payload Anda harus menentukan detail contoh percakapan selain aturan korelasi yang akan diuji. Contoh:

{
"correlationConfig": {
"fullConversationConfig": {
  "correlationRules": [
   {
      "joinKeyExpression": "conversation.agent_id",
     "active": true
    }
  ]
}
},
"filter": "agent_id="agent_007"",
"maxSampleCount": 100
}

Konsol

Buka konsol CX Insights, login, dan pilih project Anda. Konsol CX Insights
Klik setelanSetelan > Konfigurasi Korelasi.
Klik Simpan.

Administrator dapat menentukan dan mengelola entri CorrelationRule dalam CorrelationConfig. Anda dapat menguji aturan korelasi dengan memilih percakapan. Hasil pengujian ditambahkan ke set data untuk ditinjau.

Contoh CEL

Tautkan berdasarkan callId dari Dialogflow:

join_key_expression:
// Extracts 'callId' from Dialogflow parameters, falls back to conversation name.
default(conversation.runtime_annotations.map(a,
  a.dialogflow_interaction.detect_intent_response_v3.query_result.parameters)
  .filter(p, has(p.callId))
  .map(p, p.callId)
  .first_element_or_empty_string(), conversation.name)

Analisis tingkat segmen dan percakapan

Dengan CX Insights, Anda dapat menganalisis percakapan pada berbagai granularitas, termasuk analisis per segmen dan per percakapan untuk semua fitur. Halaman Hub Percakapan dan Quality AI di konsol membandingkan data tingkat percakapan dan segmen, yang menunjukkan struktur multisegmen dari percakapan tertaut.

Untuk menargetkan tingkat analisis tertentu, gunakan filter berikut dengan aturan analisis.

Tampilan tingkat segmen

Tujuan tampilan ini adalah untuk menganalisis bagian tertentu dari interaksi, seperti giliran agen tunggal. Gunakan parameter correlation_info.correlation_types:SEGMENT untuk memfilter tampilan tingkat segmen.

Tampilan percakapan lengkap

Gunakan tampilan ini untuk menganalisis perjalanan pelanggan yang lengkap, baik yang terdiri dari percakapan tertaut maupun mandiri. Gunakan parameter correlation_info.correlation_types:FULL untuk memfilter tampilan percakapan lengkap.

Aturan pemberian label otomatis dan korelasi Tetap teratur dengan koleksi Simpan dan kategorikan konten berdasarkan preferensi Anda.

Aturan pemberian label otomatis

Label

Mengonfigurasi aturan

API

Konsol

Contoh CEL

Menggunakan label otomatis dalam filter aturan analisis

Aturan korelasi

Proses korelasi

Menautkan pesan

Mengonfigurasi aturan korelasi

API

Konsol

Contoh CEL

Analisis tingkat segmen dan percakapan

Tampilan tingkat segmen

Tampilan percakapan lengkap

Aturan pemberian label otomatis dan korelasi