TryJev
← Zurück zum Blog
Ticket-RoutingSupport-AutomatisierungKlassifizierungProduktionOps

Support-Tickets mit Jev routen (statt brüchiger Keyword-Regeln)

·2 Min. Lesezeit

Support-Tickets mit Jev routen (statt brüchiger Keyword-Regeln)

Die meisten Systeme für Support-Ticket-Routing scheitern auf dieselbe Weise. „Doppelt abgebucht“ geht ans Billing. „Funktioniert nicht“ geht an die Technik. Ein Ticket, das beides sagt, entscheidet per Münzwurf. Jedes Fehlrouting zahlen Agents mit Bearbeitungszeit und Kundengeduld.

Jev Ticket-Routing liest das gesamte Ticket und liefert eine Wahrscheinlichkeit pro Queue. Gemischte Tickets erscheinen als gemischte Verteilungen — sichtbar, justierbar und bei Unsicherheit gefahrlos an Menschen übergebbar.

TL;DR: Eine Choice-Frage mit Ihren echten Queue-Namen (billing, tech_support, sales). Wenn confidence < 0.7, in die Queue für die manuelle Triage einreihen. Vollständige Verteilungen loggen, um Drift früh zu erkennen.

Warum Keyword-Routing an seine Grenzen stößt

Fehlermodus Was passiert Kosten
Überlappende Keywords Ticket trifft auf 2+ Queues Falsche Queue-SLA
Neuer Produktwortschatz Unbekannte Wörter werden ignoriert Dauerhafte Fehlroutings
Tickets mit mehreren Anliegen Ein dominantes Keyword gewinnt Unvollständige Lösung
Nicht-englischer Slang Muster greifen nicht Stille Fehler

Probabilistische Ticket-Klassifizierung behandelt Überlappungen von vornherein: Die Verteilung ist die Unsicherheit.

Queue-Design, das sich direkt in Code abbilden lässt

Verwenden Sie Labels, die exakt Ihren nachgelagerten Queue-Keys entsprechen:

["billing", "tech_support", "sales"]

Vermeiden Sie UI-Labels, die eine Mapping-Tabelle erfordern („Rechnungen & Zahlungen“ → billing). Wenn es nicht anders geht, kapseln Sie die Zuordnung in einer einzigen Mapping-Schicht — nicht in jedem Worker.

Wie viele Queues?

  • 3–5 ist der Sweet Spot für Choice-Fragen.
  • Mehr als ~7 verwischen die Wahrscheinlichkeiten.
  • Fügen Sie ein einziges human_only-Bucket hinzu, statt „Sonstiges“ in bestehende Queues zu pressen.

Was in den State gehört

Betreff: Doppelt abgebucht für Bestellung #4821

Mir wurde für dieselbe Bestellung #4821 doppelt abgebucht. Bitte beheben Sie das so schnell wie möglich.
Ich habe den Support bereits einmal angerufen, und niemand konnte mir helfen.

Aufnehmen: Betreff, Nachrichtentext, Produktname, Tarifstufe, Fehlercodes, Bestell-IDs.
Nicht aufnehmen: vollständige Zahlungsinstrumente, unnötige personenbezogene Daten, interne Notizen, die das Modell nicht sehen soll.

Die Routing-Anfrage

curl https://openrouter.ai/api/v1/chat/completions \
  -H "Authorization: Bearer $OPENROUTER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "typesafe/jev-1.13",
    "messages": [{
      "role": "user",
      "content": {
        "state": "<Tickettext>",
        "questions": [{
          "type": "choice",
          "text": "Welches Team soll sich dieses Ticket ansehen?",
          "options": ["billing", "tech_support", "sales"]
        }]
      }
    }]
  }'

Beispielantwort:

{
  "selected": "billing",
  "confidence": 0.94,
  "distribution": {
    "billing": 0.94,
    "tech_support": 0.04,
    "sales": 0.02
  }
}

Konfidenz-Schwellenwerte und menschlicher Fallback

Konfidenz Aktion
≥ 0,9 Automatische Zuweisung
0,7 – 0,9 Automatische Zuweisung + Lead benachrichtigen, wenn SLA-kritisch
< 0,7 Queue für manuelle Triage

In Benchmarks auf supportähnlichen Korpora senkt eine 0,7-Schwelle die automatischen Routings nur um 8–12 %, während Vorfälle mit der falschen Queue fast vollständig verschwinden. Fallthrough bei niedriger Konfidenz ist ein Feature, keine Lücke im Modell.

if (answer.confidence < 0.7) return enqueue('human_triage');
return enqueue(answer.selected);

Produktives Monitoring für Ticket-Routing

  1. Loggen Sie selected, confidence, die vollständige Verteilung, die Latenz und die Ticket-ID.
  2. Entropie-Alerts — steigende durchschnittliche Entropie zeigt sich oft Wochen, bevor die Genauigkeit nachlässt.
  3. Dashboards zur Queue-Verteilung — ein plötzlicher Anstieg von other/human_triage nach einem Produktlaunch ist zu erwarten; ein schleichender Schwund nicht.
  4. Regressionssatz — 50 historische Tickets, die für Agents schwierig waren und bei jedem Deployment neu bewertet werden.

Multi-Label- und Multi-Issue-Tickets

Ein Ticket mit Billing-und Technik-Anliegen: Bevorzugen Sie zwei Fragen (primäre Queue, sekundäre Queue) oder eine separate „Multi-Issue“-Flag-Frage (Noul). Zwingen Sie eine einzelne Choice-Frage nicht dazu, zwei Urteile zu mitteln.

Kosten und Latenz im Vergleich zu LLM-Routern

Ansatz Latenz Ausgabe Typisches Kostenmuster
Chat-LLM-Router 1–5 s Fließtext / JSON zum Parsen Prompt- + Completion-Tokens
Jev-Router 70–500 ms Typed + Verteilung Nur Input (~$0.042 / 1 Mio. Tokens)

Bei 100.000 Tickets pro Tag ist der Unterschied kein Rundungsfehler mehr — und die Agents spüren die Latenz direkt in der Tool-UI.

FAQ

Was ist mit Anhängen und Screenshots?
Jev nimmt Text als State. Extrahieren Sie den Text vorgelagert (OCR, Ticket-Formularfelder) und übergeben Sie ihn im State.

Lässt sich das auch für E-Mail und Chat verwenden?
Ja — dasselbe Muster. Siehe Intent-Erkennung bei Nachrichten.

Was, wenn die Queues hochspezialisiert sind (20+)?
Clustern Sie zuerst in 4–6 Makro-Queues und folgen Sie mit einem zweiten Jev-Aufruf (oder Regeln) für die Sub-Queues.

Weiterführende Lektüre