Ticket-Routing



Voraussetzungen

• Ein Claude API-Key und das installierte Python SDK
• Zugang zu und Vertrautheit mit deinem bestehenden Support-Ticketsystem
• Ein Beispielsatz historischer Support-Tickets zum Testen



Entscheide, ob du Claude für das Ticket-Routing verwenden solltest

Hier sind einige wichtige Indikatoren dafür, dass du ein LLM wie Claude anstelle traditioneller ML-Ansätze für deine Klassifizierungsaufgabe verwenden solltest:



Erstelle und implementiere deinen LLM-Support-Workflow



Verstehe deinen aktuellen Support-Ansatz

Bevor du automatisierst, ist es entscheidend, dein bestehendes Ticketsystem zu verstehen. Beginne damit zu untersuchen, wie dein Support-Team derzeit das Ticket-Routing handhabt.

Berücksichtige Fragen wie:

• Welche Kriterien werden verwendet, um zu bestimmen, welches SLA/Serviceangebot angewendet wird?
• Wird das Ticket-Routing verwendet, um zu bestimmen, an welche Support-Ebene oder welchen Produktspezialisten ein Ticket geht?
• Gibt es bereits automatisierte Regeln oder Workflows? In welchen Fällen versagen sie?
• Wie werden Randfälle oder mehrdeutige Tickets behandelt?
• Wie priorisiert das Team Tickets?

Je mehr du darüber weißt, wie Menschen bestimmte Fälle behandeln, desto besser kannst du mit Claude zusammenarbeiten, um die Aufgabe zu erledigen.



Definiere Kategorien für Nutzerabsichten

Eine gut definierte Liste von Kategorien für Nutzerabsichten ist entscheidend für eine genaue Klassifizierung von Support-Tickets mit Claude. Claudes Fähigkeit, Tickets innerhalb deines Systems effektiv weiterzuleiten, ist direkt proportional dazu, wie gut die Kategorien deines Systems definiert sind.

Hier sind einige Beispiele für Kategorien und Unterkategorien von Nutzerabsichten.

Zusätzlich zur Absicht können Ticket-Routing und Priorisierung auch von anderen Faktoren wie Dringlichkeit, Kundentyp, SLAs oder Sprache beeinflusst werden. Achte darauf, weitere Routing-Kriterien zu berücksichtigen, wenn du dein automatisiertes Routing-System aufbaust.



Lege Erfolgskriterien fest

Arbeite mit deinem Support-Team zusammen, um klare Erfolgskriterien zu definieren mit messbaren Benchmarks, Schwellenwerten und Zielen.

Hier sind einige Standardkriterien und Benchmarks bei der Verwendung von LLMs für das Routing von Support-Tickets:

Hier sind einige gängige Erfolgskriterien, die unabhängig davon nützlich sein können, ob ein LLM verwendet wird:



Wähle das richtige Claude-Modell

Die Wahl des Modells hängt von den Abwägungen zwischen Kosten, Genauigkeit und Antwortzeit ab.

Viele Kunden haben claude-haiku-4-5-20251001 als ideales Modell für das Ticket-Routing befunden, da es das schnellste und kostengünstigste Modell der Claude-4-Familie ist und dennoch hervorragende Ergebnisse liefert. Wenn dein Klassifizierungsproblem tiefgreifendes Fachwissen, eine große Anzahl von Absichtskategorien oder komplexes Schlussfolgern erfordert, kannst du dich für das größere Sonnet-Modell entscheiden.



Erstelle einen starken Prompt

Ticket-Routing ist eine Art von Klassifizierungsaufgabe. Claude analysiert den Inhalt eines Support-Tickets und klassifiziert es in vordefinierte Kategorien basierend auf dem Problemtyp, der Dringlichkeit, der erforderlichen Expertise oder anderen relevanten Faktoren.

Schreibe einen Prompt zur Ticketklassifizierung. Der initiale Prompt sollte den Inhalt der Nutzeranfrage enthalten und sowohl die Begründung als auch die Absicht zurückgeben.

Hier ist ein Beispiel für einen Klassifizierungs-Prompt für das Ticket-Routing:

def classify_support_request(ticket_contents):
    # Definiere den Prompt für die Klassifizierungsaufgabe
    classification_prompt = f"""You will be acting as a customer support ticket classification system. Your task is to analyze customer support requests and output the appropriate classification intent for each request, along with your reasoning.

        Here is the customer support request you need to classify:

        <request>{ticket_contents}</request>

        Please carefully analyze the above request to determine the customer's core intent and needs. Consider what the customer is asking for has concerns about.

        First, write out your reasoning and analysis of how to classify this request inside <reasoning> tags.

        Then, output the appropriate classification label for the request inside a <intent> tag. The valid intents are:
        <intents>
        <intent>Support, Feedback, Complaint</intent>
        <intent>Order Tracking</intent>
        <intent>Refund/Exchange</intent>
        </intents>

        A request may have ONLY ONE applicable intent. Only include the intent that is most applicable to the request.

        As an example, consider the following request:
        <request>Hello! I had high-speed fiber internet installed on Saturday and my installer, Kevin, was absolutely fantastic! Where can I send my positive review? Thanks for your help!</request>

        Here is an example of how your output should be formatted (for the above example request):
        <reasoning>The user seeks information in order to leave positive feedback.</reasoning>
        <intent>Support, Feedback, Complaint</intent>

        Here are a few more examples:
        <examples>
        <example 2>
        Example 2 Input:
        <request>I wanted to write and personally thank you for the compassion you showed towards my family during my father's funeral this past weekend. Your staff was so considerate and helpful throughout this whole process; it really took a load off our shoulders. The visitation brochures were beautiful. We'll never forget the kindness you showed us and we are so appreciative of how smoothly the proceedings went. Thank you, again, Amarantha Hill on behalf of the Hill Family.</request>

        Example 2 Output:
        <reasoning>User leaves a positive review of their experience.</reasoning>
        <intent>Support, Feedback, Complaint</intent>
        </example 2>
        <example 3>

        ...

        </example 8>
        <example 9>
        Example 9 Input:
        <request>Your website keeps sending ad-popups that block the entire screen. It took me twenty minutes just to finally find the phone number to call and complain. How can I possibly access my account information with all of these popups? Can you access my account for me, since your website is broken? I need to know what the address is on file.</request>

        Example 9 Output:
        <reasoning>The user requests help accessing their web account information.</reasoning>
        <intent>Support, Feedback, Complaint</intent>
        </example 9>

        Remember to always include your classification reasoning before your actual intent output. The reasoning should be enclosed in <reasoning> tags and the intent in <intent> tags. Return only the reasoning and the intent.
        """

Hier sind die Schlüsselkomponenten dieses Prompts:

• Die Prompt-Vorlage ist ein Python-f-String, der es ermöglicht, die ticket_contents in die <request>-Tags einzufügen.
• Der Prompt gibt Claude eine klar definierte Rolle als Klassifizierungssystem, das den Ticketinhalt sorgfältig analysiert, um die Kernabsicht und die Bedürfnisse des Kunden zu ermitteln.
• Der Prompt weist Claude an, die Ausgabe korrekt zu formatieren, in diesem Fall seine Begründung und Analyse innerhalb von <reasoning>-Tags anzugeben, gefolgt vom entsprechenden Klassifizierungslabel innerhalb von <intent>-Tags.
• Der Prompt spezifiziert die gültigen Absichtskategorien: "Support, Feedback, Complaint", "Order Tracking" und "Refund/Exchange".
• Der Prompt enthält einige Beispiele (auch bekannt als Few-Shot-Prompting), um zu veranschaulichen, wie die Ausgabe formatiert werden sollte, was die Genauigkeit und Konsistenz verbessert.

Wenn Claude seine Antwort in separate XML-Tag-Abschnitte aufteilt, kannst du reguläre Ausdrücke verwenden, um die Begründung und die Absicht unabhängig voneinander aus der Ausgabe zu extrahieren. Dies ermöglicht es dir, gezielte nächste Schritte im Ticket-Routing-Workflow zu erstellen, wie zum Beispiel nur die Absicht zu verwenden, um zu entscheiden, an welche Person das Ticket weitergeleitet wird.



Implementiere deinen Prompt

Es ist schwer zu wissen, wie gut dein Prompt funktioniert, ohne ihn in einer Test-Produktionsumgebung zu implementieren und Evaluierungen durchzuführen.

Erstelle die Deployment-Struktur. Beginne damit, die Methodensignatur für das Wrapping des Aufrufs an Claude zu definieren. Erweitere die Methode, die du zuvor begonnen hast zu schreiben und die ticket_contents als Eingabe nimmt, sodass sie nun ein Tupel aus reasoning und intent als Ausgabe zurückgibt. Wenn du bereits eine bestehende Automatisierung mit traditionellem ML hast, solltest du stattdessen dieser Methodensignatur folgen.

import re

# Erstelle eine Instanz des Claude API-Clients
client = anthropic.Anthropic()

# Setze das Standardmodell
DEFAULT_MODEL = "claude-haiku-4-5-20251001"


def classify_support_request(ticket_contents):
    # Definiere den Prompt für die Klassifizierungsaufgabe
    classification_prompt = f"""You will be acting as a customer support ticket classification system.
        ...
        ... The reasoning should be enclosed in <reasoning> tags and the intent in <intent> tags. Return only the reasoning and the intent.
        """
    # Sende den Prompt an die API, um die Support-Anfrage zu klassifizieren.
    message = client.messages.create(
        model=DEFAULT_MODEL,
        max_tokens=500,
        temperature=0,
        messages=[{"role": "user", "content": classification_prompt}],
        stream=False,
    )
    reasoning_and_intent = message.content[0].text

    # Verwende Pythons Bibliothek für reguläre Ausdrücke, um `reasoning` zu extrahieren.
    reasoning_match = re.search(
        r"<reasoning>(.*?)</reasoning>", reasoning_and_intent, re.DOTALL
    )
    reasoning = reasoning_match.group(1).strip() if reasoning_match else ""

    # Extrahiere auf die gleiche Weise auch den `intent`.
    intent_match = re.search(r"<intent>(.*?)</intent>", reasoning_and_intent, re.DOTALL)
    intent = intent_match.group(1).strip() if intent_match else ""

    return reasoning, intent

Dieser Code:

• Erstellt eine Client-Instanz mit deinem API-Key.
• Definiert eine Funktion classify_support_request, die einen ticket_contents-String entgegennimmt.
• Sendet die ticket_contents zur Klassifizierung mit dem classification_prompt an Claude.
• Gibt das reasoning und den intent des Modells zurück, die aus der Antwort extrahiert wurden.

Da der gesamte Begründungs- und Absichtstext vor dem Parsen generiert werden muss, setzt das Beispiel stream=False (die Standardeinstellung).



Evaluiere deinen Prompt

Prompting erfordert oft Tests und Optimierung, damit es produktionsreif ist. Um die Reife deiner Lösung zu bestimmen, evaluiere die Leistung anhand der Erfolgskriterien und Schwellenwerte, die du zuvor festgelegt hast.

Um deine Evaluierung durchzuführen, benötigst du Testfälle, auf denen du sie ausführen kannst. Der Rest dieses Leitfadens geht davon aus, dass du bereits deine Testfälle entwickelt hast.



Erstelle eine Evaluierungsfunktion

Die Beispiel-Evaluierung für diesen Leitfaden misst Claudes Leistung anhand von drei Schlüsselmetriken:

• Genauigkeit
• Kosten pro Klassifizierung

Je nachdem, welche Faktoren für dich wichtig sind, musst du Claude möglicherweise auf anderen Achsen bewerten.

Um dies zu bewerten, ändere zunächst das Skript, um eine Funktion hinzuzufügen, die die vorhergesagte Absicht mit der tatsächlichen Absicht vergleicht und den Prozentsatz korrekter Vorhersagen berechnet. Füge dann Funktionen zur Kostenberechnung und Zeitmessung hinzu.

import re

# Erstelle eine Instanz des Claude API-Clients
client = anthropic.Anthropic()

# Setze das Standardmodell
DEFAULT_MODEL = "claude-haiku-4-5-20251001"


def classify_support_request(request, actual_intent):
    # Definiere den Prompt für die Klassifizierungsaufgabe
    classification_prompt = f"""You will be acting as a customer support ticket classification system.
        ...
        ...The reasoning should be enclosed in <reasoning> tags and the intent in <intent> tags. Return only the reasoning and the intent.
        """

    message = client.messages.create(
        model=DEFAULT_MODEL,
        max_tokens=500,
        temperature=0,
        messages=[{"role": "user", "content": classification_prompt}],
    )
    usage = message.usage  # Get the usage statistics for the API call for how many input and output tokens were used.
    reasoning_and_intent = message.content[0].text

    # Verwende Pythons Bibliothek für reguläre Ausdrücke, um `reasoning` zu extrahieren.
    reasoning_match = re.search(
        r"<reasoning>(.*?)</reasoning>", reasoning_and_intent, re.DOTALL
    )
    reasoning = reasoning_match.group(1).strip() if reasoning_match else ""

    # Extrahiere auf die gleiche Weise auch den `intent`.
    intent_match = re.search(r"<intent>(.*?)</intent>", reasoning_and_intent, re.DOTALL)
    intent = intent_match.group(1).strip() if intent_match else ""

    # Prüfe, ob die Vorhersage des Modells korrekt ist.
    correct = actual_intent.strip() == intent.strip()

    # Gib reasoning, intent, correct und usage zurück.
    return reasoning, intent, correct, usage

Hier ist eine Aufschlüsselung der Änderungen:

• Die Methode classify_support_request nimmt nun den actual_intent aus den Testfällen entgegen und vergleicht ihn mit Claudes Absichtsklassifizierung, um zu bewerten, ob sie übereinstimmen.
• Die Methode extrahiert Nutzungsstatistiken für den API-Aufruf, um die Kosten basierend auf den verwendeten Eingabe- und Ausgabe-Tokens zu berechnen.



Führe deine Evaluierung durch

Eine ordnungsgemäße Evaluierung erfordert klare Schwellenwerte und Benchmarks, um zu bestimmen, was ein gutes Ergebnis ist. Das vorangehende Skript gibt die Laufzeitwerte für Genauigkeit, Antwortzeit und Kosten pro Klassifizierung zurück, aber du benötigst dennoch klar festgelegte Schwellenwerte. Zum Beispiel:

• Genauigkeit: 95 % (von 100 Tests)
• Kosten pro Klassifizierung: 50 % Reduzierung im Durchschnitt (über 100 Tests) gegenüber der aktuellen Routing-Methode

Mit diesen Schwellenwerten kannst du schnell und einfach in großem Umfang und mit unparteiischer Empirie feststellen, welche Methode für dich am besten ist und welche Änderungen möglicherweise vorgenommen werden müssen, um deine Anforderungen besser zu erfüllen.



Verbessere die Leistung

In komplexen Szenarien kann es hilfreich sein, zusätzliche Strategien zur Leistungsverbesserung in Betracht zu ziehen, die über die standardmäßigen Prompt-Engineering-Techniken und Strategien zur Implementierung von Guardrails hinausgehen. Hier sind einige häufige Szenarien:



Verwende eine taxonomische Hierarchie für Fälle mit mehr als 20 Absichtskategorien

Mit zunehmender Anzahl von Klassen steigt auch die Anzahl der erforderlichen Beispiele, was den Prompt potenziell unhandlich macht. Als Alternative kannst du die Implementierung eines hierarchischen Klassifizierungssystems mit einer Mischung aus Klassifizierern in Betracht ziehen.

1. Organisiere deine Absichten in einer taxonomischen Baumstruktur.
2. Erstelle eine Reihe von Klassifizierern auf jeder Ebene des Baums, um einen kaskadierenden Routing-Ansatz zu ermöglichen.

Zum Beispiel könntest du einen Klassifizierer auf oberster Ebene haben, der Tickets grob in "Technische Probleme", "Abrechnungsfragen" und "Allgemeine Anfragen" kategorisiert. Jede dieser Kategorien kann dann ihren eigenen Unterklassifizierer haben, um die Klassifizierung weiter zu verfeinern.

• Vorteile – größere Nuancierung und Genauigkeit: Du kannst für jeden übergeordneten Pfad unterschiedliche Prompts erstellen, was eine gezieltere und kontextspezifischere Klassifizierung ermöglicht. Dies kann zu einer verbesserten Genauigkeit und einer nuancierteren Behandlung von Kundenanfragen führen.

• Nachteile – erhöhte Latenz: Beachte, dass mehrere Klassifizierer zu erhöhter Latenz führen können, und Anthropic empfiehlt, diesen Ansatz mit dem schnellsten Modell, Haiku, zu implementieren.



Verwende Vektordatenbanken und Ähnlichkeitssuche, um stark variierende Tickets zu verarbeiten

Obwohl das Bereitstellen von Beispielen der effektivste Weg ist, die Leistung zu verbessern, kann es schwierig sein, genügend Beispiele in einem einzigen Prompt unterzubringen, wenn Support-Anfragen stark variieren.

In diesem Szenario könntest du eine Vektordatenbank einsetzen, um Ähnlichkeitssuchen in einem Datensatz von Beispielen durchzuführen und die relevantesten Beispiele für eine bestimmte Anfrage abzurufen.

Dieser Ansatz, der im Klassifizierungsrezept ausführlich beschrieben wird, hat nachweislich die Leistung von 71 % Genauigkeit auf 93 % Genauigkeit verbessert.



Berücksichtige erwartete Randfälle gezielt

Hier sind einige Szenarien, in denen Claude Tickets möglicherweise falsch klassifiziert (es kann weitere geben, die für deine Situation spezifisch sind). Erwäge in diesen Szenarien, explizite Anweisungen oder Beispiele im Prompt bereitzustellen, wie Claude den Randfall behandeln soll:



Integriere Claude in deinen übergeordneten Support-Workflow

Eine ordnungsgemäße Integration erfordert, dass du einige Entscheidungen darüber triffst, wie dein Claude-basiertes Ticket-Routing-Skript in die Architektur deines übergeordneten Ticket-Routing-Systems passt. Es gibt zwei Möglichkeiten, dies zu tun:

• Push-basiert: Das von dir verwendete Support-Ticketsystem (zum Beispiel Zendesk) löst deinen Code aus, indem es ein Webhook-Ereignis an deinen Routing-Service sendet, der dann die Absicht klassifiziert und das Ticket weiterleitet.
  • Dieser Ansatz ist besser web-skalierbar, erfordert aber, dass du einen öffentlichen Endpunkt bereitstellst.
• Pull-basiert: Dein Code ruft die neuesten Tickets nach einem bestimmten Zeitplan ab und leitet sie zum Zeitpunkt des Abrufs weiter.
  • Dieser Ansatz ist einfacher zu implementieren, könnte aber unnötige Aufrufe an das Support-Ticketsystem verursachen, wenn die Abruffrequenz zu hoch ist, oder übermäßig langsam sein, wenn die Abruffrequenz zu niedrig ist.

Für beide Ansätze musst du dein Skript in einen Service einbetten. Die Wahl des Ansatzes hängt davon ab, welche APIs dein Support-Ticketsystem bereitstellt.