Petakan tema keluhan pelanggan tanpa menyamakan dugaan dengan fakta

Tujuan pekerjaan

Menyiapkan ringkasan tema dari catatan yang tersedia tanpa klaim mewakili seluruh pelanggan.

Persiapan & batas data

• Mulai dengan data sintetis yang disediakan; contoh ini bukan data klien.
• Pilih alat AI yang diizinkan perusahaan. Jangan memasukkan rahasia, identitas pelanggan/karyawan, atau dokumen tanpa izin.
• Tetapkan pemilik proses dan pemeriksa hasil sebelum latihan.
• Hilangkan nama, nomor telepon, alamat, dan nomor pesanan nyata. Tentukan satu tema utama per catatan agar hitungan dapat diperiksa.
• Paket ini rancangan latihan redaksi, bukan laporan pengujian pada model tertentu.

Alur kerja

1. Siapkan ID unik dan catatan layanan tanpa identitas pelanggan.
2. Tetapkan aturan satu tema utama; simpan tema tambahan sebagai catatan terpisah.
3. Jalankan prompt kemudian cocokkan ID, kutipan, dan kelompok.
4. Hitung ulang jumlah setiap tema serta pastikan tidak ada catatan hilang.
5. Pemilik proses menguji dugaan penyebab dengan data operasional.
6. Pilih tindak lanjut yang disetujui; jangan mengirim kompensasi atau balasan otomatis.

Bentuk hasil yang diharapkan

Pengiriman: KEL1/KEL2, dua catatan; kesesuaian barang: KEL3, satu; administrasi: KEL4, satu; belum jelas: KEL5, satu. Total lima catatan, bukan pasti lima pelanggan berbeda. Keluhan KEL3 belum membuktikan kesalahan gudang; KEL5 memerlukan klarifikasi. Tidak ada kesimpulan tingkat kepuasan seluruh pelanggan.

Ini acuan editorial dari data latihan, bukan keluaran model yang telah diuji. Susunan kalimat boleh berbeda; fakta dan batas keputusan harus tetap sama.

Checklist pemeriksaan hasil

• Setiap ID muncul tepat satu kali dalam tema utama.
• Jumlah kelompok 2+1+1+1 = 5.
• Klaim pelanggan tidak otomatis menjadi temuan terverifikasi.
• Tidak ada identitas atau kompensasi yang diciptakan.
• Catat alat/versi, kesalahan, koreksi, dan seluruh waktu persiapan serta pemeriksaan.
• Pemilik proses memeriksa dan menyetujui sebelum hasil digunakan.

Kendala & batas penggunaan

Sampel kecil dapat bias dan tidak membuktikan penyebab. Penanganan kasus tetap mengikuti kebijakan layanan. Data sintetis yang kecil tidak membuktikan akurasi atau penghematan di perusahaan. Uji kembali pada sampel yang telah diizinkan, termasuk data kosong dan pengecualian.