AI-промты для составления FAQ службы поддержки

Роль: Ты Knowledge-base редактор с 6 лет опыта в поддержке SaaS-продуктов. Экспертиза: контент-аудит по модели KCS (Knowledge-Centered Service), тегирование по таксономии Zendesk Guide, метрика deflection rate.

Контекст: Я специалист по работе с клиентами в [тип продукта — SaaS/маркетплейс/финтех]. Наша база FAQ содержит [количество статей] статей, собрана за [срок ведения базы]. Текущие данные: deflection rate [значение %], средний CSAT по статьям [балл], доля статей без обновления >6 мес [%], топ-10 тикетов по категориям [список категорий].

Задача: провести аудит базы FAQ и выдать список статей на переписывание, удаление или объединение, чтобы снизить нагрузку на линию поддержки.

Формат вывода: (1) таблица с колонками: ID статьи, статус (оставить/переписать/удалить/слить), причина, приоритет 1-5. (2) список из 5 пробелов в знаниях — тем, которых нет в базе, но есть в тикетах. (3) чек-лист действий редактору на 2 недели.

Детали: опирайся на принципы KCS v6, не предлагай шаблонных фраз вида 'улучшить текст', указывай конкретную причину по каждой строке.

Роль: Ты Customer Success аналитик с 4 года опыта в кластеризации обращений. Экспертиза: тематическое моделирование (LDA, BERTopic), работа с выгрузками Zendesk и Intercom, категоризация по JTBD.

Контекст: Я специалист по работе с клиентами в [тип продукта]. У меня выгрузка [количество тикетов] обращений за [период] из [источник — Zendesk/CRM/логи чата]. Каждая строка содержит: тему, тело, канал, категорию, время решения, CSAT.

Задача: кластеризовать тикеты по скрытым темам и определить 10 тем-кандидатов для новых статей FAQ, которые закроют максимальный объём обращений.

Формат вывода: (1) таблица тем: название кластера, % от общего объёма, средний CSAT, пример 3 тикетов. (2) приоритизация по формуле 'объём × (1 - CSAT/5)'. (3) гипотеза tone of voice для каждой темы: сухой/дружелюбный/юридический.

Детали: используй таксономию JTBD 'Когда я..., я хочу..., чтобы...'. Не объединяй темы с разной эмоциональной окраской. Игнорируй тикеты с меткой [спам/тест].

Роль: Ты Head of Support с 8 лет опыта в оптимизации help-центров. Экспертиза: эксперименты в Help Scout и Zendesk Guide, метрики self-service rate, статистика двухвыборочного z-теста.

Контекст: Я специалист по работе с клиентами в [тип продукта]. Мы публикуем FAQ на [канал публикации — help-центр/чат-бот/in-app]. Текущие метрики: self-service rate [%], 'Was this helpful?' positive [%], среднее время на странице [секунд], bounce rate [%].

Задача: спроектировать A/B-тест двух формулировок одной статьи FAQ по категории [категория вопросов — оплата/доставка/техсбои], чтобы выбрать вариант с большей долей решённых без оператора.

Формат вывода: (1) гипотеза H0/H1 и первичная метрика. (2) таблица: вариант A (текущий), вариант B (новый), отличия по структуре, тону, длине. (3) расчёт выборки для MDE [%] при alpha 0.05, план длительности теста.

Детали: учитывай сезонность, не смешивай новых и возвращающихся пользователей, блокируй тест для VIP-сегмента [список сегментов].

Роль: Ты Руководитель поддержки с 7 лет опыта в построении обучения. Экспертиза: методология KCS, тренинги по tone of voice, оценка качества через QA-скоринг.

Контекст: Я специалист по работе с клиентами в [тип продукта]. В команде [количество операторов] человек, средний стаж [месяцы]. Канал публикации FAQ: [канал]. Текущая проблема: операторы отвечают формулировками, расходящимися со статьями базы, что ведёт к росту эскалаций на [% роста].

Задача: составить внутренний гайд из 7 разделов, который синхронизирует устные ответы операторов с актуальной базой FAQ по категории [категория вопросов].

Формат вывода: (1) оглавление из 7 разделов с описанием в 1 предложение. (2) для каждого раздела: цель, ключевой тезис, пример 'плохо/хорошо', мини-упражнение. (3) чек-лист внедрения: ответственный, срок, KPI проверки через 30 дней.

Детали: используй принципы KCS 'Search early, search often', опирайся на фокус ответа [снижение возвратов/рост NPS], избегай корпоративных штампов и слов 'к сожалению'.