כל מחלקת שירות יושבת על אוצר ולא נוגעת בו. אלפי פניות שמתעדות בדיוק איפה המוצר, התהליך או התקשורת שבורים, ואף אחד לא מנתח אותן כי זה לוקח יום ואין יום פנוי. ניתוח פניות ותלונות עם קופיילוט לוקח עשרים דקות, ועונה על השאלה שבאמת חשובה: לא כמה פניות היו, אלא איזו בעיה מייצרת אותן.
ניתוח פניות ותלונות עם קופיילוט: מה צריך כדי להתחיל
פחות ממה שנדמה. קובץ ייצוא של הפניות, בפורמט CSV או Excel, עם עמודת טקסט חופשי.
העמודה הזו היא העיקר. סיווגי הפניות שנציגים בוחרים מרשימה נוטים להיות לא מדויקים, כי בלחץ בוחרים את האפשרות הראשונה שמתאימה בערך. הטקסט החופשי מספר את האמת.
וזה בדיוק היתרון כאן: עד עכשיו אי אפשר היה לנתח טקסט חופשי בקנה מידה בלי פרויקט. עכשיו כן.
שלב 1: על מה באמת פונים
הפרומפט הראשון, ואל תסמכו על הסיווג הקיים:
תנתח את קובץ הפניות המצורף. תתעלם מעמודת הסיווג, ותסווג מחדש לפי הטקסט החופשי. תחזיר את עשרת הנושאים החוזרים ביותר, כמות לכל נושא, ושתי דוגמאות מייצגות לכל אחד. בסוף תגיד לי איפה הסיווג המקורי לא תואם את מה שהלקוח באמת כתב.
המשפט האחרון הוא ממצא בפני עצמו. הפער בין מה שמסווג לבין מה שנכתב הוא בדרך כלל מפתיע, והוא גם מסביר למה הדוחות הקיימים לא הובילו לשום פעולה.
שלב 2: מה השתנה
מספר בודד לא אומר כלום. מגמה כן.
הפרומפט: תשווה בין קובץ החודש הנוכחי לקודם. תחזיר רק נושאים שהשתנו ביותר מ(אחוז), ותציין אם עלו או ירדו. אם נושא חדש הופיע שלא היה קודם, תסמן אותו בנפרד.
נושא חדש שמופיע פתאום הוא כמעט תמיד תוצאה של משהו שהארגון עשה: שינוי במוצר, בתמחור, בממשק או בתקשורת. וזה בדיוק סוג הקשר שקשה לראות בזמן אמת.
שלב 3: השאלה ששווה את כל התרגיל
ועכשיו החלק שבגללו כתבתי את המדריך.
הפרומפט: על בסיס הניתוח, תגיד לי מה הבעיה שאם היינו פותרים אותה, היינו מבטלים את מירב הפניות. תפרט כמה פניות היא מייצרת, על מה אתה מבסס את זה, ומה עוד היה צריך לדעת כדי לוודא.
שימו לב לחלק האחרון. אתם רוצים לדעת מה חסר לו כדי להיות בטוח, לא רק את התשובה.
סוכן Analyst מריץ קוד Python בפועל ומאפשר לראות אותו, ולכן אפשר לבדוק את הספירות ולא רק להאמין להן. ראו סוכן Analyst בקופיילוט.
שלב 4: מהניתוח לפעולה
ניתוח שלא מסתיים בפעולה הוא עוד מצגת.
הפרומפט: על בסיס הממצאים, תציע שלוש פעולות. לכל אחת: מה עושים, מי בארגון אחראי לזה, וכמה פניות זה צפוי לחסוך לפי הנתונים. תסמן איזו מהן היא הכי זולה לביצוע.
העמודה האחרונה היא זו שמזיזה דברים בפועל. פעולה זולה שחוסכת מאתיים פניות בחודש עוברת בישיבה, פרויקט של חצי שנה לא.
מה שצריך לוודא לפני שמציגים את זה
ספירות. תבדקו ידנית שניים מהמספרים. אם שניהם נכונים, סביר שהשאר.
הנחות. תשאלו אותו במפורש אילו הנחות הניח ומה עשה עם פניות ריקות, כפולות או בשפה אחרת. בקבצי שירות זה נפוץ במיוחד.
מידע מזהה. קבצי פניות מכילים שמות, טלפונים ולפעמים פרטי תשלום. תוודאו שהקובץ ושהמסקנות יושבים במקום עם ההרשאות הנכונות, ושלא הפצתם הלאה יותר ממה שצריך. ראו חשיפת מידע בקופיילוט.
הטעות שהופכת ניתוח טוב לחסר ערך
לנתח פעם אחת.
ניתוח חד פעמי מייצר מצגת יפה שאף אחד לא חוזר אליה. ניתוח חודשי קבוע מייצר מגמה, ומגמה מייצרת החלטות.
הדרך הפשוטה להפוך את זה לקבוע היא תזמון: הניתוח יכול לרוץ בתחילת כל חודש בלי שתזכרו. ראו תזמון פרומפטים בקופיילוט. אחרי שלושה חודשים תתחילו לראות דברים שאי אפשר לראות בחודש בודד…
מה שהניתוח הזה לא יגלה
שני דברים שכדאי לזכור.
הוא לא רואה את מי שלא פנה. לקוח שהתעצבן ועזב בלי להתלונן לא מופיע בשום קובץ, וזו לרוב הקבוצה הכי חשובה.
והוא לא יודע מה חשוב עסקית. עשר פניות מלקוח שמהווה שליש מההכנסות שוות יותר ממאתיים פניות מלקוחות קטנים, והכלי לא יודע את זה אלא אם אמרתם לו.
סייג
מה שכתוב כאן מתייחס ל-Microsoft 365 Copilot ולא ל-Dynamics 365 Customer Service. סוכן Analyst דורש רישיון בתשלום וכפוף למכסה חודשית. נכון לאוגוסט 2026.
מה עושים עם המידע הזה השבוע
אם אתם מנהלי שירות: תייצאו את פניות החודש האחרון ותריצו את שלב 1 ואת שלב 3. עשרים דקות, ותדעו על מה הצוות שלכם באמת עובד.
אם אתם מנהלי מוצר: תבקשו לראות את הפלט של שלב 3. זו רשימת הבאגים הכי מבוססת שתקבלו, והיא מגיעה מהלקוחות ולא מהערכות.
אם אתם רוצים שזה יהיה קבוע: תזמנו את זה חודשי ותציגו בישיבת ההנהלה. את התמונה הרחבה של המחלקה תמצאו במדריך על קופיילוט לשירות לקוחות, ואת התמונה הכללית במדריך Copilot המלא. מי שרוצה ללמוד את זה בידיים, סדנת קופיילוט ממוקדת נתונים מגיעה לזה מהר.
שאלות נפוצות
מה צריך כדי לנתח פניות עם קופיילוט?
קובץ ייצוא של הפניות ב-CSV או Excel שכולל עמודת טקסט חופשי. הטקסט החופשי חשוב יותר מעמודת הסיווג.
למה להתעלם מהסיווג הקיים?
כי נציגים בוחרים סיווג מרשימה בלחץ, ולכן הוא לא מדויק. סיווג מחדש לפי הטקסט מגלה לרוב פער משמעותי מול הסיווג המקורי.
מה השאלה החשובה ביותר לשאול?
איזו בעיה, אם הייתה נפתרת, הייתה מבטלת את מירב הפניות, כמה פניות היא מייצרת, ועל מה זה מבוסס.
איך מוודאים שהספירות נכונות?
בודקים ידנית שניים מהמספרים, ומבקשים ממנו לפרט אילו הנחות הניח ומה עשה עם פניות ריקות, כפולות או בשפה אחרת.
מה עושים עם מידע מזהה בקבצים?
מוודאים שהקובץ והמסקנות יושבים במקום עם ההרשאות הנכונות, ולא מפיצים הלאה יותר ממה שנדרש. קבצי פניות מכילים שמות וטלפונים.
כל כמה זמן כדאי לנתח?
חודשי. ניתוח חד פעמי מייצר מצגת, ניתוח קבוע מייצר מגמה. אפשר לתזמן את זה שירוץ אוטומטית בתחילת כל חודש.
מה הניתוח הזה לא יגלה?
את מי שלא פנה בכלל, שזו לרוב הקבוצה החשובה ביותר, ואת המשקל העסקי של הלקוח אלא אם הגדרתם אותו מראש.
איך הופכים את הממצאים לפעולה?
מבקשים שלוש פעולות מוצעות, ולכל אחת מי אחראי, כמה פניות היא צפויה לחסוך, ואיזו מהן הזולה ביותר לביצוע.
על הכותב
אייל מרקוס הוא מומחה בינה מלאכותית, יועץ בינה מלאכותית, מרצה ומנחה סדנאות על בינה מלאכותית. עוסק ב-AI מתחילת 2022, כמעט שנה לפני שיצא ChatGPT. מפעיל את הניוזלטר "Don't Panic" יותר מ-3 שנים ואת הפודקאסט "Hands On AI", ומייעץ להטמעת AI ביותר מ-120 ארגונים בינוניים עד ענקיים (נכון לאמצע 2026), כולל כללית, סלברייט, אמדוקס, כתר פלסטיק, סאפיינס והג'וינט. מי שמחפש מישהו שלא עושה פאדיחות, יודע לעבוד עם צוותים שונים לרוחב הארגון, ובעיקר אוהב לעבוד עם מנהלים שמחפשים תוצאות אמיתיות, מוזמן לפנות אליו.
