Tableau, Agentforce, Data Cloud로 100만 건 이상의 지원 요청 처리

Salesforce의 AI 에이전트 구축 및 배포 플랫폼인 Agentforce는 2024년 10월 Salesforce Help 포털을 통해 출시되어 이미 100만 건 이상의 지원 요청을 처리했습니다. Salesforce Cloud Success BI 팀은 Tableau를 사용하여 35가지 핵심 메트릭에 따라 Agentforce의 성능을 모니터링합니다. 팀은 Tableau에서 고급 분석을 활용하고 여러 출처에서 얻은 데이터를 통합함으로써 기능 사용 현황을 파악하고, 고객의 상호 작용이 성공적인 해결에 기여하는 방식을 추적하고, 제품 팀에 의견을 제시하고, 궁극적으로 사용자 경험을 전체 규모로 개선할 수 있습니다.

Tableau를 사용하여 Agentforce의 셀프 서비스를 정확하게 평가합니다.

관련성이 가장 높고 정확한 정보를 수집하고 조화롭게 일치시키기 위해 분석 및 인사이트 팀은 다양한 출처에서 노출 수, 재라우팅, 지연 시간 및 고객 만족도 데이터를 가져왔습니다. 그런 다음 Tableau를 기본 비주얼리제이션 및 보고서 작성 도구로 배포하여 Agentforce의 성능 및 인간에게 인계한 사례를 평가하는 35가지 핵심 메트릭을 정의했습니다. 

이러한 메트릭에는 대화 비율과 지연 시간 중앙값부터 이관율과 고객 만족도까지 모든 것이 포함되며, 두 시간마다 업데이트되는 중앙 집중식 Tableau 성과표를 통해 보고됩니다.

또한 팀은 Agentforce 최적화를 위한 실행 가능한 인사이트를 제공하고 용량 요구 증가에 따라 확장할 수 있도록 AI 기반 분석 에코시스템도 구축했습니다. 이 에코시스템의 한 AI 모델은 고객 대화의 정서를 살펴보고 다른 모델은 대화의 관련성을 도출하여 문제가 실제로 해결되었는지, 또는 문제 해결의 방향을 전환해야 할지 더욱 정확히 측정할 수 있습니다.

측정할 수 있다면 개선할 수 있습니다.

팀은 추적할 핵심 메트릭을 표준화한 후, 수집한 Agentforce 성능 데이터에서 인사이트를 검색했습니다. 한 가지 눈에 띄는 메트릭이 있었는데, 바로 응답 지연 시간으로 평균 14초였습니다. 이런 결과를 인지했으므로 Agentforce 팀은 이 문제를 해결하기 위한 조치를 취할 수 있었습니다. 1년도 되지 않아 Agentforce의 응답 시간이 50% 향상되었습니다.

또한 팀은 Agentforce를 포함하여 고객이 AI 서비스 에이전트를 도입하는 데 사용할 수 있는 몇 가지 모범 사례를 다음과 같이 식별했습니다.

• 측정하려는 것이 무엇인지 확실히 파악하십시오. 대기열 시간, 이관, 포기, 인간 인계, 고객이 확인한 해결 방법 등 가장 중요한 점과 그 이유를 판별합니다.
• 단계적으로 출시하십시오. 모든 것을 한꺼번에 AI 에이전트로 전환하지 마십시오. 레거시 채널을 서서히 종료하면서, 기본적으로 인간 상담원에게 보내던 트래픽을 새로운 AI 에이전트로 옮기되, 필요한 경우 인간 상담원으로 이관하도록 허용합니다. 또 다른 가능한 경로는 모두 AI 에이전트로 전환하되, 단기간(예: 일주일)만 전환한 후 AI 에이전트 사용 경험에 대한 고객 의견을 수집하는 것입니다.
• 측정을 시작하면 열린 자세로 배우고 변경하십시오. 특정 도움말 페이지를 북마크하는 것과 같이, 일부 메트릭은 예상했던 모든 사용자 행동을 아우르지 못할 수도 있습니다.