Такая ситуация, есть большая куча кейсов. Каждый кейс по разному связан с аккаунтом, контактом и другими кастомными объектами. Кейсы приходят как минимум из 3 разных источников, то есть особой чистотой данные не отличаются. Пробовал ли кто нибудь привязать Einstein или сделать какое то кастомное решение для того, чтоб система могла определять кому нужно есайнить этот кейс? И подойдет ли вообще Einstein для этого? Звучит как хорошое применение для machine learning когда есть данные на которых можно учить систему и делать выводы. Есть ли какие нибудь еще идеи по этому поводу?
Какая-то слишком общая постановка задачи. Учитывая существование omni-channel, думаю что основной упор делается не на то чтобы сразу назначить пользователя на Case, а скорее раскидать Case'ы по пулам, из которых они уже будут назначаться на пользователей либо в автоматическом, либо в полу-автоматическом (как сам omni-channel делает), либо вообще в ручном режиме. Это позволяет сделать load-balancing и не перегружать кого-то из пользователей работой.
А похожую систему реализовывать доводилось, но опять же это всё сугубо-специфические вещи - какие Case какой из пользователь может брать на себя, как эти Case'ы упорядочиваются по приоритету, и т.д.
Ну тут скорее ситуация в том, что уже есть логика по которой агенты получают Case и она работает вполне нормально. Но потом каждому агенту нужно найти специалиста по этому вопросу из всего списка контактов, основываясь на то как case связан с кастомными объектами или решал ли контакт до этого похожий кейс. По этому и думаю, будет ли тут более подходящая какая то логика которая будет находить нужных людей, или хороший ли это use case для machine learning.
А вы за Einstein почему вообще подумали? Потому что задачу невозможно решить стандартными методами, или просто потому что типа модно? При беглом просмотре того чему Einstein можно научить складывается впечатление, что пока что он может быть использован для решения полутора задач и вам не подходит.
