您在此处：
在 Data 360 中使用非结构化数据
使用 Data 360 中的非结构化数据，以通过特定于业务的数据，为用户和客户提供更深入的见解，对 Agentforce 客服人员、生成式 AI、分析和自动化用例进行基础训练。
非结构化数据有多种形式。考虑这些常见示例。
| 数据类型 | 示例 |
|---|---|
| 文本文档 | 个案备注、报表、内部备忘录、手写备注、发票、名片和包含详细描述或对话的电子邮件 |
| 多媒体文件 | 来自客户服务电话、播客、培训课程、教程、会议的视频录音、产品评论、信息图表、扫描文档和医疗成像的图像的音频文件 |
| 社交媒体内容 | 包含客户反馈、意见或情绪的评论、帖子或消息 |
| Web 内容 | 讨论产品、服务或客户体验的博客、文章和论坛帖子 |
| 聊天记录 | 来自 Live Chat 支持的对话，通常包含细微的问题、投诉和首选项 |
| 传感器和 IoT 数据 | 来自不遵循标准格式的可穿戴设备或机械的数据，例如原始加速度计数据 |
| 客户反馈 | 调查回复、反馈表单或以自由文本撰写的审核 |
Data 360 支持非结构化数据的几种连接器和文件格式。请参阅非结构化数据连接器和 Data 360 限制和指南。
在 AI、自动化和分析工作流中使用非结构化数据可以帮助您做出明智的决策并改善客户体验。
Agentforce 客服人员
Data 360 提供客户数据，以使客服人员更加了解上下文。例如，当客户联系 Agentforce 服务代理时，Data 360 可以添加非结构化数据，例如来自过去电子邮件、支持票证、产品照片或语音邮件的信息，以帮助客服人员更好地理解客户的观点。然后，Data 360 混合搜索可以找到适当的 Knowledge 文章来解决问题。在服务个案解决时，Data 360 可以指导客服人员执行后续步骤，例如自动发送跟进电子邮件或准备详细的聊天汇总。
以下是客服人员在起作用的示例。
生成式 AI
检索扩充生成 (RAG) 通过将 AI 响应基于非结构化数据，使其更具相关性和准确性，从而改进了 AI 响应。要了解更多信息,请参阅使用检索扩充生成和通过高级设置创建向量搜索索引。
在 Service Cloud 中，客服人员可以使用 Knowledge 文章中的隐藏数据来更准确地回答客户的问题。通过使用 Data 360，客服人员可以查看非结构化数据，例如电子邮件、支持票证和聊天记录，以获取更多信息并撰写更好的回复，包括在问题发生之前解决问题的建议。
在 Sales Cloud 中，客服人员可以利用非结构化数据，包括电子邮件、通话记录和备注，生成详细且与上下文相关的会议简报和汇总。这些见解通过个性化内容和特定于客户的推荐改进了新电子邮件，改善了客户体验和销售团队的效率。
自动化
客服人员可以根据描述自动识别类似记录，例如个案，以标记重复项并加快解决速度。此外，客服人员可以通过查找和使用语义相似的记录来分类记录，从而提高效率和准确性。
Analytics
客服人员可以使用 Tableau 从非结构化数据中获得见解，例如主题分类。请查看使用 Tableau 中的向量搜索增强数据分析中的示例。
基于团队的示例
请考虑这些用例，了解如何跨各种功能利用非结构化数据。
| 团队 | AI | 自动化 | Analytics | 搜索 |
|---|---|---|---|---|
| 销售 | 使用之前的建议书、合同和文档起草对 RFP 的响应。 | 分析电子邮件对话，以自动化潜在客户评分。 | 分析记录的销售电话，以发现竞争见解或功能兴趣中的模式。 | 使用数千份 PDF 和电子邮件中的见解，准备销售电话。 |
| 服务 | 通过照片分析估算维修。 | 通过识别客服人员资产中的模式，主动发送维修建议。 | 分析聊天和产品日志，以确定常见的重复性服务问题。 | 获取基于上下文的 Knowledge 文章推荐。 |
| 市场营销 | 查找使用过类似电子邮件模板的主题行。 | 根据在支持聊天中发现的特定产品兴趣，自动化市场活动跟进。 | 根据客户在网站上的反馈发现趋势。 | 搜索调查的反馈，以创建更具响应性的市场活动。 |
