Usted está aquí:
Uso de datos no estructurados en Data 360
Utilice datos no estructurados en Data 360 para fundamentar casos de uso de agentes Agentforce, IA generativa, análisis y automatización con datos específicos del negocio que entregan perspectivas más profundas para sus usuarios y clientes.
Los datos no estructurados se presentan de varias formas. Considere estos ejemplos comunes.
| Tipo de datos | Ejemplos |
|---|---|
| Documentos de texto | Notas de casos, informes, memorandos internos, notas escritas a mano, facturas, tarjetas de visita y correos electrónicos que contienen descripciones detalladas o conversaciones |
| Archivos multimedia | Archivos de audio de llamadas de servicio al cliente, podcasts, grabaciones de vídeo de sesiones de formación, tutoriales, reuniones, imágenes de reseñas de productos, infografías, documentos escaneados e imágenes médicas |
| Contenido de redes sociales | Comentarios, publicaciones o mensajes que contienen comentarios, opiniones u opiniones de clientes |
| Contenido web | Blogs, artículos y publicaciones de foro que tratan sobre productos, servicios o experiencias de clientes |
| Registros de chat | Conversaciones desde la asistencia de chat en vivo, a menudo con preguntas matizadas, quejas y preferencias |
| Sensor y datos de IoT | Datos de dispositivos portátiles o maquinaria que no siguen un formato estándar, como datos de acelerómetros sin procesar |
| Comentarios de clientes | Respuestas de encuestas, formularios de comentarios o reseñas redactados en texto libre |
Data 360 admite varios conectores y formatos de archivo para datos no estructurados. Consulte Conectores de datos no estructurados y Límites y directrices de Data 360.
El uso de datos no estructurados en sus flujos de trabajo de IA, automatización y análisis puede ayudarle a tomar decisiones fundamentadas y mejorar las experiencias de los clientes.
Agentes Agentforce
Data 360 proporciona datos de clientes para que los agentes sean más conscientes y expertos en contexto. Por ejemplo, cuando un cliente hace contacto con un Agente de servicio Agentforce, Data 360 puede agregar datos no estructurados, como información de correos electrónicos pasados, tickets de asistencia, fotos de productos o mensajes de voz, para ayudar al agente a comprender mejor la perspectiva del cliente. La búsqueda híbrida de Data 360 puede luego encontrar los artículos de Knowledge apropiados para resolver el problema. Cuando se resuelve un caso de servicio, Data 360 puede guiar al agente con los siguientes pasos, como la automatización de correos electrónicos de seguimiento o la preparación de resúmenes de chat detallados.
Este es un ejemplo de un agente en acción.
IA generativa
La generación aumentada de recuperación (RAG) mejora las respuestas de IA fundándolas en datos no estructurados, haciéndolas más relevantes y precisas. Para obtener más información, consulte Uso de generación aumentada de recuperación y Crear un índice de búsqueda vectorial con configuración avanzada.
En Service Cloud, los agentes pueden utilizar datos ocultos en artículos Knowledge para responder a preguntas de clientes con mayor precisión. Al trabajar con Data 360, los agentes pueden mirar datos no estructurados, como correos electrónicos, tickets de asistencia y registros de chat, para obtener más información y redactar mejores respuestas, incluyendo sugerencias para solucionar problemas antes de que se produzcan.
En Sales Cloud, los agentes pueden aprovechar datos no estructurados, incluyendo correos electrónicos, transcripciones de llamadas y notas, para generar resúmenes e informes de reuniones detallados y relevantes desde el punto de vista contextual. Estas perspectivas mejoran los nuevos correos electrónicos con contenido personalizado y recomendaciones específicas del cliente, mejorando la experiencia del cliente y la eficacia del equipo de ventas.
Automatización
Los agentes pueden automatizar la identificación de registros similares, como Casos, basándose en sus descripciones para marcar duplicados y acelerar la resolución. Además, los agentes pueden clasificar registros buscando y utilizando registros semánticamente similares, mejorando la eficiencia y precisión.
Analytics
Los agentes pueden utilizar Tableau para obtener perspectivas de datos no estructurados, como clasificación de temas. Consulte el ejemplo en Mejora del análisis de datos con búsqueda vectorial en Tableau.
Ejemplos basados en equipo
Considere estos casos de uso para saber cómo aprovechar datos no estructurados entre las diversas funciones.
| Equipo | AI | Automatización | Analytics | Búsqueda |
|---|---|---|---|---|
| Ventas | Respuestas borrador a RFP utilizando propuestas, contratos y documentación anteriores. | Analice conversaciones de correo electrónico para automatizar la puntuación de candidatos. | Analice llamadas de ventas registradas para detectar patrones en perspectivas de la competencia o intereses de funciones. | Prepare llamadas de ventas con perspectivas desde miles de PDF y correos electrónicos. |
| Servicio | Estimar reparaciones a través del análisis de fotos. | Envíe recomendaciones de reparaciones de forma proactiva identificando patrones en activos de agentes. | Analice los registros de chat y productos para identificar problemas de servicio recurrentes comunes. | Obtenga recomendaciones de artículos de Knowledge basados en contexto. |
| Marketing | Busque líneas de asunto que hayan funcionado en plantillas de correo electrónico similares. | Automatice el seguimiento de campañas basándose en intereses de productos específicos encontrados en chats de asistencia. | Detecte tendencias basadas en comentarios de clientes en sitios web. | Busque comentarios de encuestas para crear campañas con mayor capacidad de respuesta. |
