إشارات العملاء
Customerangry_customer، escalation_request، churn_risk، payment_dispute، scope_change
النتيجة: إنقاذ 2 عميل من الإلغاء في 60 يوم.
خدمة 5.8 · Agentic AI
رادار أعمال ذكي يراقب مجموعات WhatsApp التشغيلية ويرصد الإشارات الحرجة. القاعدة الذهبية: صفر إشارات أفضل من مزيّفة.
TL;DR — نظام يراقب محادثات WhatsApp التشغيلية ويكتشف إشارات الأعمال الحرجة قبل تحوّلها لأزمات — بدقة تقارب المحلل البشري الخبير. 8 فئات إشارات، Confidence Threshold 0.70، مقارنة تاريخية مع آخر 20 إشارة، وقاعدة ذهبية: صفر إشارات أفضل من إشارة مزيفة.
| الجانب | تفاعلي | استباقي |
|---|---|---|
| الاكتشاف | بعد الشكوى/الإلغاء | قبل 3 أسابيع بـ AI |
| المصادر | شكاوى رسمية فقط | مجموعات WhatsApp التشغيلية |
| الدقة | تحديد الخطر بعد وقوعه | Confidence Threshold 0.70+ |
| الإشارات الزائفة | لا تحدث (متأخّر جداً) | صفر إشارات > إشارة مزيفة |
| السياق | لا يوجد | 20 إشارة سابقة + is_repeated |
| التنبيهات | بلاغ واحد في الأزمة | critical/high/info منظّمة |
15 نوع إشارة موزّعة على 4 فئات رئيسية — كلها في الإنتاج.
angry_customer، escalation_request، churn_risk، payment_dispute، scope_change
النتيجة: إنقاذ 2 عميل من الإلغاء في 60 يوم.
late_response، unanswered_question، wrong_information، unprofessional_language
النتيجة: تحسين وقت الرد 83% (18h → 3h).
repeated_complaint، delivery_delay، requirement_misunderstanding
النتيجة: 11 سوء فهم كُشفت قبل التسليم.
communication_gap، group_health_critical، after_hours_contact
النتيجة: صحّة قنوات التواصل مُراقَبة.
النظام مُدرَّب على رفض الإشارة إذا الثقة منخفضة. نُفضّل يوماً بلا إشارات على يوم بإشارة واحدة مزيّفة تفقد الإدارة الثقة.
كل إشارة لها confidence score (0-1). نستبعد تلقائياً ما تحت 0.70. قابل للتعديل حسب الصناعة والأولوية.
قبل إطلاق إشارة، النظام يقرأ آخر 20 إشارة من نفس المجموعة. يُحدّد is_repeated بدقة — لا نكرّر إنذاراً معروفاً.
حساب متعدد الأبعاد: severity × frequency × recency × stakeholder_importance. الإشارة بـ score > 80 = critical.
من اسم المجموعة + محتوى النقاش، النظام يعرف: Discovery، Execution، Delivery، Support. التنبيهات تتكيّف مع المرحلة.
نفس النوع من نفس الشخص في 24 ساعة = إشارة واحدة بأعلى confidence. لا ضجيج.
استلام المحادثات عبر منصّة استخبارات WhatsApp (5.7). كل رسالة في Postgres مع context.
كل ساعة، GPT-4o يحلّل آخر ساعة من الرسائل لكل مجموعة مراقَبة.
تصنيف: هل هناك إشارة؟ أي فئة؟ أي confidence؟ مَن الشخص؟ متى حدث؟
استبعاد إشارات < 0.70 confidence. إلزام النظام بالصدق بدل كثرة التنبيهات.
استعلام آخر 20 إشارة من نفس المجموعة. حساب is_repeated، صياغة السياق.
حساب Risk Score (0-100) بمعادلة مُركّبة. تصنيف إلى critical/high/medium/info.
فحص إن كانت نفس الإشارة من نفس الشخص موجودة في 24 ساعة. دمج أو تخطّي.
critical: فوري. high: خلاصة يومية. medium/info: أسبوعي أو شهري.
| المقياس | قبل | بعد |
|---|---|---|
| اكتشاف خطر فقدان عميل | بعد الإلغاء | قبل 3 أسابيع |
| متوسط وقت الرد على عميل | 18 ساعة | 3 ساعات |
| حالات سوء فهم متطلبات | تُكتشَف بعد التسليم | 11 قبل التسليم |
| المفاجآت الإدارية | متكررة | انخفاض ملحوظ |
لا. النظام يُركَّب فقط على المجموعات التي تقرّر الإدارة مراقبتها (عادة: عملاء، دعم، أزمات)، بموافقة موثّقة. المحادثات الخاصة بين الموظفين لا تُمسّ. الهدف كشف مخاطر، لا مراقبة أداء — وهذا في العقد صراحة.
لمؤسسة متوسطة: 0-3 إشارات critical يومياً، 5-10 high، الباقي medium/info. الرقم يعتمد على حجم النشاط. القاعدة: لا ضجيج — فقط ما يستحق النظر.
الـ recall (استدعاء) ليس 100% — لا نعد بذلك. لكن نقيس: بعد 3 أشهر، نراجع يدوياً 100 محادثة ونقارن بما رصده النظام. النتيجة النمطية: 85-90% recall على الإشارات critical، أقل على الأقل أهمية.
نعم، تحديداً. GPT-4o مُدرَّب على عربية متنوّعة. نضيف طبقة post-training للمصطلحات الخاصة بصناعتك. أمثلة من التدريب: «المشروع ماش»، «العميل زعلان»، «الدفعة متأخرة».
في جلسة Discovery: نُصنّف كل مجموعة بصفة (عملاء، داخلي، عام، خاص). نقترح المراقبة للمجموعات التجارية فقط. الموافقة النهائية للإدارة، ويتم إعلام المشاركين بسياسة الخصوصية.
6-10 أسابيع. أول 2 أسبوعان: تركيب منصّة استخبارات WhatsApp (لو لم تكن موجودة). 3-4 أسابيع: تدريب النظام على بيانات مؤسستك، معايرة العتبات. 2-3 أسابيع: soft launch + تعديلات دقيقة حسب الـ feedback.
احجز جلسة مجانية (45 دقيقة). نخرج منها بتقدير واضح: هل الأتمتة تستحق الاستثمار، وكم ستوفر، وفي كم أسبوع.