AI Spam- & Irrelevantiefilter: De Rommelvrije Helpdesk: Hoe u BotsPam en Afwezigheidsmeldingen stopt die uw Statistieken Verpesten

In dit artikel:

• Wat ticketrommel u werkelijk kost
• Wat telt als rommel, en wat niet
• Hoe een ai spamfilter het verschil ziet
• Instellen zonder echte tickets te verliezen
• Wat te doen met een gefilterd ticket

De meeste teams stellen spamfiltering eenmalig in, hebben het gevoel dat het probleem is opgelost en denken er niet meer over na. Dan veroorzaakt een vrijdagmiddag-e-mailblast veertig afwezigheidsmeldingen van een mailinglijst, elk daarvan belandt als een ticket, en het statistiekenrapport van maandag zegt dat het team plotseling twee keer zo snel is geworden.

Wat ticketrommel u werkelijk kost

Een afwezigheidsmelding is geen spam, maar het doet dezelfde schade aan uw cijfers. Alles wat in één klik wordt gesloten zonder een echt antwoord, drukt de gemiddelde afhandeltijd en eerste reactietijd, omdat het systeem geen onderscheid kan maken tussen een automatische sluiting van vijf seconden en een echt snelle afhandeling.

Tickets-per-medewerker worden op dezelfde manier opgeblazen. Als tien medewerkers elk vijf rommeltickets in een uur sluiten, leest het dashboard als een productief uur, niet als tien mensen die rommel opruimen. Als uw helpdesk automatisch enquêtes stuurt bij elk gesloten ticket, kan CSAT ook verschuiven, omdat een deel van de ‘reacties’ eigenlijk geautomatiseerde bouncebacks en afwezigheidsmeldingen zijn die nooit een echte klantinteractie waren.

Een team dat bijvoorbeeld een nieuwsbrief verstuurt naar 5.000 contacten, kan binnen enkele uren 150 tot 200 afwezigheidsmeldingen als tickets zien binnenkomen, allemaal direct gesloten, allemaal geteld als snelle afhandelingen in het rapport van die dag.

Het lastige is dat niemand het opmerkt totdat iemand actie onderneemt op basis van het verkeerde getal. Een manager die ziet dat de gemiddelde afhandeltijd met 20 procent daalt na een grote verzending, kan concluderen dat het team efficiënter is geworden, niet dat een vijfde van de ’tickets’ van die dag automatische antwoorden waren waar niemand aan heeft gezeten. Personeelsbeslissingen, bonusdoelen en proceswijzigingen zijn allemaal gebaseerd op cijfers die in werkelijkheid alleen maten hoeveel geautomatiseerde post er die week binnenkwam, niet hoe het team werkelijk presteerde.

Wat telt als rommel, en wat niet

Niet alles wat geen ’echte’ vraag is, hoort in dezelfde categorie. Het helpt om specifiek te zijn over wat een ai spamfilter werkelijk moet opvangen.

De middelste twee rijen zijn waar de meeste filters fout gaan. Afwezigheidsmeldingen en bouncebacks zijn niet kwaadaardig, dus een filter dat alleen is afgestemd op ‘spam’ in de traditionele zin, laat beide gewoon door.

Klaar voor betere klantenservice?

Probeer LiveAgent gratis en ontdek het verschil.

Demo aanvragen 30 dagen gratis

Hoe een ai spamfilter het verschil ziet

LiveAgent’s AI Spam- & Irrelevantiefilter werkt door de headers, structuur en inhoud van elk inkomend ticket te controleren aan de hand van regels die u definieert, en geeft vervolgens een strikte waar of onwaar uitspraak: relevant, of niet. Het is die uitspraak waar een routeringsregel op reageert, niet een vaste lijst met geblokkeerde afzenders of trefwoorden.

Dit is specifiek belangrijk voor afwezigheidsmeldingen, omdat ze er niet uitzien als spam in de traditionele zin. Ze komen van echte mensen, op echte adressen, zonder kwade bedoelingen. Wat ze markeert, is geen controle van de afzenderreputatie. Het is dezelfde contextbewuste evaluatie die een koude verkooppitch opvangt: geautomatiseerde toon, geen echte vraag, een onderwerpregel en inhoud die niet overeenkomen met een echt supportverzoek.

De configuratiehandleiding van de functie noemt ‘geautomatiseerde systeemberichten’ expliciet als een van de randgevallen waarvoor u regels moet definiëren, naast partnervragen en interne e-mails. Afwezigheidsmeldingen vallen precies in die categorie.

Hoe dit samengaat met spamfiltering op e-mailniveau

Een ai spamfilter dat ticketinhoud evalueert, is een andere laag dan een filter dat bekende spamafzenders blokkeert voordat een bericht zelfs maar een ticket wordt. LiveAgent’s AI spampreventie werkt eerder in de pijplijn en classificeert inkomende e-mail als spam of legitiem voordat deze uw wachtrij bereikt.

De twee zijn geen keuze voor het een of het ander. Blokkering op e-mailniveau vangt de voor de hand liggende dingen op—massa-afzenderlijsten, bekende phishingdomeinen en bulkmarketing—voordat het u een ticket kost. Het filter op ticketniveau vangt wat er toch doorheen komt: een eenmalige afwezigheidsmelding van een adres dat u nog nooit heeft gezien, of een koude pitch van een afzender die nog niet op een blokkeerlijst staat. Beide gebruiken betekent dat er minder rommel de ticketniveaucontrole bereikt, wat de taak ervan gemakkelijker maakt en het aantal valse positieven verlaagt.

Schrijf u in voor onze nieuwsbrief

De laatste tips en aanbiedingen direct in uw inbox.

E-mailadres

Inschrijven

Instellen zonder echte tickets te verliezen

1. Begin smal. Schakel filtering in voor duidelijke spam en phishing, en niets anders. Bevestig dat een week aan echte tickets allemaal ongehinderd doorkomen voordat u een enkele extra regel toevoegt.
2. Voeg de afwezigheidsmelding-regel toe. Werk de relevantieprompt bij om geautomatiseerde systeemberichten, bouncebacks en afwezigheidsmeldingen expliciet als niet-actionabel te benoemen. Geef twee of drie concrete voorbeeldzinnen, zoals ‘afwezigheidsmelding’ en ‘auto-reply’, zodat de regel iets specifieks heeft om mee te matchen.
3. Koppel de uitspraak aan een actie. Routeer alles wat het filter als onwaar markeert naar een aparte tag of weergave, niet direct naar de prullenbak, zodat u het kunt controleren. Bouw deze weergave met LiveAgent’s ticketfilters , zodat deze automatisch wordt bijgewerkt zodra nieuwe tickets worden getagd, in plaats van dat u handmatig moet zoeken.
4. Beoordeel na een week. Controleer de gefilterde weergave op alles wat er niet zou moeten zijn. Een echte vraag die toevallig geautomatiseerd klinkt—een kort bericht zonder aanhef bijvoorbeeld—is de meest voorkomende valse positief.
5. Verfijn en herhaal. Pas de prompt aan of versoepel deze op basis van wat u werkelijk ziet, niet op basis van wat u dacht te zullen zien. De meeste teams hebben twee of drie controlesessies nodig voordat de regel geen randgevallen meer markeert.

Een filter dat na slechts één controlesessie is afgestemd, heeft meestal minstens één vuistregel fout. Dat is te verwachten. Het doel van stap vier is om het te ontdekken voordat het u een echte klant kost.

Wat te doen met een gefilterd ticket

Een ticket dat als onwaar is gemarkeerd, mag niet zomaar verdwijnen. Routeer het naar een eigen tag of opgeslagen weergave, zodat een valse positief met één klik kan worden hersteld, en zodat u een doorlopend overzicht heeft van precies hoeveel rommel het filter opvangt, los van uw echte ticketvolume.

Dat aantal is ook het getal dat het bekijken waard is. Als het plotseling stijgt—zoals in het nieuwsbriefvoorbeeld hierboven—weet u dat uw statistiekendashboard op het punt staat een uitbarsting van ‘productiviteit’ te tonen die nooit echt heeft plaatsgevonden, en kunt u dit noteren voordat iemand vraagt waarom de reactietijden van de ene op de andere dag zijn gedaald.

Behandel de gefilterde weergave als een tweede inbox die af en toe aandacht nodig heeft, niet als een zwart gat. Een snelle wekelijkse blik kost een paar minuten en vangt de twee foutmodi die er echt toe doen: een echte klant die vastzit in de rommeltag, en een nieuw type geautomatiseerd bericht waar de oorspronkelijke regels geen rekening mee hielden. Nieuwsbriefplatforms veranderen hun bounceback-teksten, ticketingsystemen voegen nieuwe automatische meldingen toe en een regel die zes maanden geleden is geschreven, dekt stilletjes een berichttype niet meer dat het vroeger wel opving. De teams die een ai spamfilter goed laten werken, zijn degenen die het behandelen als een instelling om opnieuw te bezoeken, niet als een schakelaar die ze eenmalig omzetten en vergeten.