Unternehmenshintergrund

Favor ist eine Lieferung am selben Tag und eine Plattform zum Bestellen von Lebensmitteln mit Sitz in Austin, Texas. Sie liefern Lebensmittel, Lebensmittel und alltägliche Notwendigkeiten in ganz Texas über ein Netzwerk von Runners (Lieferfahrern). 2018 von H-E-B übernommen, kombiniert Favor lokale Geschäftspartnerschaften mit schneller, kontaktloser Lieferung. Erfahre mehr unter favordelivery.com.

‍

„Wir sind über den ganzen großen Staat Texas verteilt. Wir erledigen die Lebensmittel-Lieferungen der H-E-B-Familie und haben auch unsere eigene Lieferplattform.“ – Evan McMillan, Teamleiter Fleet Support

‍

Die Herausforderung

Das Fleet Team von Favor ist eine Nischen-Gruppe mit Prozessen, die sich von denen des breiteren Support-Teams unterscheiden. Infolgedessen waren die von Guru generierten KI-Suchergebnisse mit irrelevanten Informationen von anderen Teams überladen, was es den Fleet-Agenten erschwerte, die richtigen Antworten schnell zu finden. Die zeitaufwendige Suche entmutigte die Teammitglieder, überhaupt Ressourcen zu überprüfen.

‍

„Die Leute sagten manchmal: ‚Gurus KI funktioniert nicht für uns’, aber es liegt wirklich daran, dass sie es nicht richtig genutzt haben. Sobald wir es verfeinert und den Prompt angepasst hatten, änderte sich die Qualität der Antworten komplett.“ – Evan McMillan

‍

Die Lösung

Favor nutzte Gurus Knowledge Agents, um einen speziellen KI-Agenten zu erstellen, der sich ausschließlich auf die Unterstützung des Fleet-Teams konzentrierte.

1. Evan McMillan, Teamleiter Support, passte die Eingabeaufforderung des Agenten an, um sich nur auf flottenbezogene Inhalte zu konzentrieren.
2. Er passte den Ton des Agenten an die freundliche, zugängliche Kultur von Favor an.
3. Der Agent wurde in Slack integriert, was es dem Team erleichtert, Fragen zu stellen und in Echtzeit Antworten zu erhalten.

‍

„Als wir die Möglichkeit hatten, einzelne Agenten zu erstellen, war es wirklich aufregend, mich auf die spezifische Art von Arbeit zu konzentrieren, die wir machen. Der Agent begann wirklich, unser Geschäft besser zu verstehen und gab gezieltere Antworten.“ – Evan McMillan

‍

„Das Einbinden in Slack war der Wendepunkt. Ich war zuerst zögerlich, etwas zu haben, das Fragen automatisch beantwortet, aber als wir es versucht haben, hat es das Potenzial vollständig freigeschaltet. Gute Antworten in Slack zu sehen, hat wirklich Vertrauen aufgebaut.” – Evan McMillan

Der Ansatz

1. Definierte den Geschäftskontext – Evan lieferte detaillierte Informationen über das Geschäftsmodell von Favor und die Prozesse zur Unterstützung der Flotte, damit der KI-Agent besser verstehen konnte, wie die Kundensegmente von Favor (Fahrer, Kunden und Händler) zusammenarbeiten. Dies half, die Relevanz und Genauigkeit der Antworten des Agenten zu verbessern.

‍

„Zu erklären, wie das Geschäft funktioniert, damit der KI-Agent verstehen kann, was Favor ist, was wir zu tun versuchen, und wie unsere Kundensegmente zusammenarbeiten, hat wirklich geholfen, die Qualität der Antworten zu verbessern.” – Evan McMillan

‍

2. Den Fokus des KI-Agenten anpassen – Da das Fleet-Support-Team anders arbeitet als das breitere Support-Team, schränkte Evan die Quellen des Agenten auf nur flottenbezogene Inhalte ein. Dadurch wurden irrelevante Antworten von anderen Teams eliminiert und der Agent konnte präzisere Antworten liefern.

‍

„Mein Team ist spezialisiert, sodass der Standard-KI-Agent Wissen aus dem umfassenderen Unternehmenswissen abrufen würde, was nicht immer relevant war. Die Beschränkung auf nur flottenbezogene Quellen machte einen großen Unterschied.” – Evan McMillan

‍

3. Den Ton des Agenten verfeinern – Evan stellte den Agenten so ein, dass er mit einem gesprächigen und unterstützenden Ton antwortet, der mit der Unternehmenskultur von Favor übereinstimmt. Er positionierte den Agenten als „Trainingscoach“, um den Agenten nicht nur mit Antworten zu unterstützen, sondern auch dabei zu helfen, wie man die Situationen handhabt.
   
   
4. In Slack integriert – Der Agent wurde in Slack eingebettet, was es den Teammitgliedern erleichtert, Fragen zu stellen und in Echtzeit Antworten zu erhalten. Die Integration des Agenten in einen vertrauten Kommunikationskanal erhöhte die Akzeptanz und Beteiligung.
   
   
5. Iterierte und verbesserte – Evan verfolgte verschiedene Versionen der Eingabeaufforderung des Agenten in einer Tabelle, die es ihm ermöglichte, leicht zu früheren Versionen zurückzukehren und Antworten im Lauf der Zeit zu verfeinern. Er experimentierte auch mit Formatierungsanweisungen, wie z. B. die Schritte klar aufzulisten, wenn dies relevant war, um die Antworten umsetzbarer zu machen.

‍

‍

‍

Das Ergebnis

✅ Das Vertrauen in die Verwendung von Guru erhöht—mehr Teammitglieder sagen jetzt: „Hey, ich frage mich, ob das in Guru ist. Ich frage den KI-Agenten schnell.”

✅ Verbesserte Effizienz im Umgang mit flotspezifischen Problemen, die nicht den Standardverfahren folgen.

‍

„Es war eine große Hilfe für diese seltsamen Fragen, die nicht in einen Standardprozess passen—es spart uns viel Zeit.” – Evan McMillan

‍

✅ Schnellere, genauere Antworten—insbesondere bei nischenflotspezifischen Fragen.

✅ Höhere Akzeptanz von Slack-basiertem KI-Support, was zu besserer Akzeptanz und Vertrauen führte.

‍

„Zu sehen, dass gute Antworten in Slack aufpoppen, hat wirklich Vertrauen aufgebaut. Jetzt stellen die Leute mehr Fragen und vertrauen den Antworten des Agenten.” – Evan McMillan