چرا تعرفه دانیکو بر اساس «پاسخ هوشمند» است؟
برای برنامه‌ریزی پشتیبانی و فروش، یک سؤال کاربردی داریم: «دانیکو در ماه چند بار می‌تواند به مشتریان من پاسخ هوشمند بدهد؟» تعداد پاسخ، به نیاز روزمره کسب‌وکار نزدیک است. به همین دلیل، دانیکو ظرفیت پاسخ‌گویی هوشمند را با تعداد پاسخ هوشمند در ماه بیان می‌کند؛ واحدی که می‌توان آن را به حجم گفتگوها و نیاز تیم پشتیبانی ارتباط داد.
این سادگی در تعرفه، حاصل مدیریت پردازش در پشت صحنه است. یک جواب کوتاه ممکن است به بررسی اطلاعات زیادی نیاز داشته باشد. در کنار تولید پاسخ، دانش کسب‌وکار هم باید آماده، قابل جست‌وجو و مطابق برنامه خدمت به‌روز بماند. شناخت این دو بخش کمک می‌کند ارزش پلن دانیکو را روشن‌تر ببینیم.
«پاسخ هوشمند» یعنی چه؟
پاسخ هوشمند، جوابی است که دستیار هوش مصنوعی برای مخاطب تولید می‌کند. سهمیه ماهانه پاسخ، ظرفیت تولید این جواب‌ها را نشان می‌دهد.
برای مثال، مشتری درباره انتخاب محصول، ویژگی‌های آن و شرایط ارسال سؤال می‌کند و در طول گفتگو پنج جواب از دستیار هوشمند دریافت می‌کند. در این مثال، با پنج پاسخ هوشمند در یک گفتگو روبه‌رو هستیم. بنابراین تعداد پاسخ، تعداد گفتگو یا تعداد مشتری نیست؛ یک گفتگو می‌تواند چند پاسخ هوشمند داشته باشد.
پشت یک پاسخ کوتاه، چه پردازشی انجام می‌شود؟
مدل‌های زبانی متن را به واحدهای کوچکی به نام «توکن» تقسیم می‌کنند. توکن لزوماً یک کلمه کامل نیست؛ ممکن است بخشی از کلمه یا یک علامت باشد. تعداد آن به متن، زبان و مدل بستگی دارد. [۱]
هنگام پاسخ‌گویی، ورودی می‌تواند شامل سؤال مشتری، دستورالعمل‌های دستیار، بخش مرتبطی از تاریخچه گفتگو و اطلاعات بازیابی‌شده از دانش کسب‌وکار باشد. متن جواب هم توکن‌های خروجی دارد. به همین دلیل، مصرف پردازش را نمی‌توان فقط از طول جواب روی صفحه فهمید. [۲]
مثلاً برای جواب دادن به «این دو محصول چه تفاوتی دارند؟»، ممکن است مشخصات هر دو محصول و نیازهایی که مشتری در پیام‌های قبلی گفته بررسی شود. پاسخ نهایی چند جمله است، اما اطلاعات بررسی‌شده می‌تواند بسیار بیشتر باشد.
یک مثال ساده: هزاران توکن، یک پاسخ هوشمند
برای ملموس شدن موضوع، یک درخواست فرضی را در نظر بگیرید:
| بخش پردازش | تعداد توکن فرضی |
|---|---|
| دستورالعمل‌ها و قواعد پاسخ‌گویی | ۶۰۰ |
| بخش مرتبط تاریخچه گفتگو | ۹۰۰ |
| اطلاعات مرتبط از دانش کسب‌وکار | ۱٬۶۰۰ |
| سؤال فعلی مشتری | ۱۰۰ |
| متن پاسخ تولیدشده | ۳۰۰ |
| مجموع توکن ورودی و خروجی | ۳٬۵۰۰ |
در این مثال، ۳٬۵۰۰ توکن در مجموع ورودی و خروجی داریم، اما مخاطب یک پاسخ هوشمند دریافت می‌کند. این همان تفاوت میان واحد فنی پردازش و واحد قابل‌فهم ظرفیت پاسخ‌گویی است.
یک سؤال معمولی مشتری؛ چند کار پشت یک پاسخ
فرض کنید مشتری یک فروشگاه لوازم خودرو این پیام را می‌فرستد:
«جدیداً برف‌پاک‌کن‌های ماشین من قیژقیژ می‌کنن. ماشینم ۲۰۷ مدل ۲۰۱۹ هست. چیکار کنم؟ چیزی داری که از فابریکی خودش بهتر باشه؟»
مشتری اسم دقیق قطعه یا کد محصول را نمی‌داند. از مشکلی که دارد شروع می‌کند و انتظار دارد فروشگاه هم راهنمایی‌اش کند، هم اگر لازم بود گزینه مناسبی برای خرید پیشنهاد بدهد.
نمونه پاسخ ChatGPT به این سؤال
پاسخ زیر در همین گفتگوی ChatGPT تهیه شده و برای نمایش در مقاله تنظیم شده است. این یک سناریوی نمونه است، نه گفتگوی ثبت‌شده با مشتری یا آزمون یک مدل مشخص. اطلاعات موجودی و مشخصات محصولات فروشگاه در اختیار مدل قرار نگرفته است.
«برای اینکه بهتر راهنمایی‌ات کنم، صدا روی شیشه خیس هم هست یا فقط وقتی شیشه تقریباً خشکه؟ تیغه‌ها چند وقته عوض نشدن؟
از روی صدا به‌تنهایی نمی‌شه گفت حتماً باید تیغه عوض بشه. اگر تیغه فرسوده شده باشه، برای انتخاب جایگزین باید اندازه و نوع اتصال برف‌پاک‌کن ماشینت رو هم تطبیق بدیم؛ فقط مدل و سال خودرو برای پیشنهاد قطعی کافی نیست.
درباره گزینه بهتر از فابریکی هم باید مشخصات محصول رو مقایسه کنیم. اگر عکس اتصال تیغه یا مشخصات تیغه فعلی رو بفرستی، انتخاب دقیق‌تر می‌شه. الان اطلاعات محصولات و موجودی فروشگاه رو ندارم که یک مدل مشخص معرفی کنم؛ با اون اطلاعات می‌تونم گزینه‌های سازگار رو از نظر ویژگی‌ها و قیمت مقایسه کنم.»
حالا اگر دستیار به دانش معتبر همین فروشگاه دسترسی داشته باشد، اطلاعات مرتبط محصولات هم به بررسی اضافه می‌شود: کدام تیغه با خودرو سازگار است، چه نوع اتصالی دارد و چه ویژگی مستندی برای مقایسه ارائه شده است. عبارت «بهتر از فابریکی» هم باید بر اساس ویژگی‌های قابل مقایسه توضیح داده شود، نه صرفاً قیمت بالاتر یا یک ادعای تبلیغاتی.
متنی که مشتری می‌بیند فقط بخش پایانی این پردازش است. سؤال مشتری، دستورالعمل‌های پاسخ‌گویی، بخش مرتبط سابقه گفتگو و اطلاعات بازیابی‌شده از دانش فروشگاه می‌توانند در مصرف توکن نقش داشته باشند. مقدار مصرف در هر درخواست متفاوت است و کوتاه بودن جواب، به‌تنهایی مصرف کم را ثابت نمی‌کند.
برای صاحب فروشگاه، شمار پاسخ‌های هوشمند معیار ملموس‌تری برای برنامه‌ریزی حجم پاسخ‌گویی است. البته یک گفتگو ممکن است چند پاسخ داشته باشد؛ مثلاً پاسخ اول سؤال تکمیلی بپرسد و پاسخ بعدی گزینه‌های خرید را توضیح دهد.
هزینه نگهداری دانش هم در همین مثال روشن می‌شود: مشخصات، سازگاری و اطلاعات محصولات باید آماده و طبق برنامه خدمات به‌روز بمانند تا دستیار برای پیشنهاد محصول، اطلاعات قابل اتکا داشته باشد.
چرا تعداد پاسخ برای برنامه‌ریزی کسب‌وکار کاربردی‌تر است؟
مدیر فروشگاه با تعداد مراجعه‌ها و سؤال‌های مشتریان سروکار دارد. وقتی ظرفیت با تعداد پاسخ بیان می‌شود، می‌تواند نیاز ماهانه را از روی گفتگوهای واقعی تخمین بزند و پلن متناسب‌تری انتخاب کند.
فرض کنید ماهانه ۲۵۰ گفتگو دارید و هر گفتگو به‌طور میانگین چهار پاسخ هوشمند می‌گیرد. برآورد اولیه شما حدود ۱٬۰۰۰ پاسخ در ماه است. با افزایش مراجعه‌ها یا طولانی‌تر شدن گفتگوها، این برآورد را اصلاح می‌کنید.
- فهم سریع ظرفیت: سهمیه پاسخ به تعداد جواب‌هایی که مشتری دریافت می‌کند نزدیک است.
- تخمین ساده‌تر نیاز: تعداد گفتگو × میانگین پاسخ هوشمند در هر گفتگو، نقطه شروع مناسبی برای برآورد است.
- انتخاب پلن بر اساس استفاده: می‌توانید ظرفیت پاسخ و اندازه دانش کسب‌وکارتان را در کنار هم بسنجید.
تعداد پاسخ، واحد ظرفیت پاسخ‌گویی است. دامنه دانش، تعداد محصولات و خدمات هر پلن هم در انتخاب آن نقش دارند؛ این موارد در صفحه تعرفه‌های دانیکو مشخص شده‌اند.
هزینه نگهداری دانش بابت چیست؟
دانش اختصاصی کسب‌وکار شامل اطلاعاتی است که دستیار برای پاسخ مرتبط به آن نیاز دارد: توضیحات و ویژگی‌های محصولات، خدمات، پرسش‌های متداول، شرایط ارسال و ضوابط گارانتی یا مرجوعی.
برای استفاده در پاسخ‌گویی، این اطلاعات باید به ساختاری قابل جست‌وجو تبدیل شوند. در سامانه‌های بازیابی دانش، متن به بخش‌های مناسب تقسیم و برای یافتن اطلاعات مرتبط نمایه‌سازی می‌شود. نگهداری این ساختار و زیرساخت، منابع مصرف می‌کند. [۳]
| بخش خدمت | کار انجام‌شده | ارزش برای کسب‌وکار |
|---|---|---|
| آماده‌سازی اولیه دانش | استخراج، مرتب‌سازی و آماده‌کردن اطلاعات برای جست‌وجو | فراهم شدن اطلاعات اختصاصی برای پاسخ‌گویی |
| نگهداری دانش | حفظ داده‌ها، ساختار جست‌وجو و زیرساخت موردنیاز | آماده بودن دانش هنگام مراجعه مشتری |
| به‌روزرسانی دانش | همگام‌سازی تغییرات، افزودن اطلاعات جدید و اصلاح موارد قدیمی طبق برنامه خدمت | کاهش اتکا به اطلاعات قدیمی |
اگر توضیح یک محصول یا شرایط گارانتی تغییر کند، دانش دستیار هم باید اصلاح شود. حتی در ماهی با گفتگوهای کمتر، آماده‌به‌کار نگه‌داشتن این اطلاعات و زیرساخت همچنان بخشی از خدمت است.
این فعالیت‌ها اجزای هزینه ارائه خدمت هستند. مبلغ و دامنه تعهد هر بخش به پلن و توافق خدمات بستگی دارد؛ این توضیح، هزینه تازه‌ای خارج از تعرفه اعلام نمی‌کند.
برنامه به‌روزرسانی دانش چه اهمیتی دارد؟
اندازه دانش و سرعت تغییر اطلاعات در همه کسب‌وکارها یکسان نیست. فروشگاهی با محصولات بیشتر، اطلاعات بیشتری برای آماده‌سازی و همگام‌سازی دارد. کسب‌وکاری که مرتباً مشخصات یا شرایط خدماتش را تغییر می‌دهد، باید به برنامه به‌روزرسانی هم توجه کند.
در تعرفه فعلی دانیکو، ظرفیت محصولات و برنامه همگام‌سازی دانش برای پلن‌ها مشخص است. به‌روزرسانی دانش توضیحی محصولات و دریافت قیمت و موجودی لحظه‌ای، دو قابلیت جداگانه‌اند. قیمت و موجودی لحظه‌ای به اتصال فروشگاه وابسته است و برنامه همگام‌سازی دانش را باید از شرایط همان پلن بررسی کرد.
برای انتخاب پلن، این سه مورد را بررسی کنید
- حجم پاسخ‌گویی: ماهانه چند گفتگو دارید و هر گفتگو معمولاً چند پاسخ هوشمند نیاز دارد؟
- اندازه دانش: چند محصول یا خدمت دارید و اطلاعات آن‌ها چقدر گسترده است؟
- نیاز به به‌روزرسانی: اطلاعات کسب‌وکارتان با چه سرعتی تغییر می‌کند؟
تعرفه دانیکو این امکان را می‌دهد که ظرفیت را با زبان کار روزمره‌تان بسنجید: تعداد پاسخ‌هایی که مشتریان دریافت می‌کنند، همراه با دانش و خدماتی که پشت این پاسخ‌ها قرار دارد.
حجم گفتگو، تعداد محصولات و نیاز به همگام‌سازی دانش را کنار هم بگذارید و ظرفیت پلن‌های دانیکو را بررسی کنید.
مشاهده تعرفه‌های دانیکو