Bahasa Indonesia

Multi-Tier AI Routing dalam SaaS Help Desk

Multi-Tier AI Routing dalam SaaS Help Desk

Model penugasan help desk klasik adalah round-robin atau siapa yang pertama tersedia. Siapa pun yang bebas mengambil tiket berikutnya dalam antrean.

Hasilnya dapat diprediksi. Sengketa penagihan pergi ke karyawan baru yang tidak memiliki visibilitas akun. Pertanyaan integrasi API yang kompleks pergi ke pengembang senior yang seharusnya tidak menghabiskan waktu di antrean dukungan umum. Kekhawatiran pembaruan kontrak pelanggan enterprise jatuh ke agen junior yang tidak mengetahui riwayat akun. Dan bot AI yang seharusnya bisa menangani pertanyaan cara sederhana malah merutekannya ke manusia karena logika routing tidak tahu perbedaannya.

Multi-tier AI routing memecahkan masalah ini. AI mengklasifikasikan setiap tiket sebelum manusia mana pun melihatnya, menilai kompleksitasnya, memeriksa tier akun pelanggan, dan menugaskannya ke handler yang tepat di tier yang benar. Keuntungan efisiensinya nyata tetapi hanya bertahan jika model operasi di balik routing dirancang dengan benar.

Apa Arti Multi-Tier Routing

Model tiga tier adalah struktur standar untuk operasi dukungan SaaS yang menjalankan routing AI.

Tier 1 (L1): AI self-service. RAG Assistant mencoba menyelesaikan tiket sepenuhnya. Jika berhasil, tiket ditutup tanpa keterlibatan manusia. Ini adalah pertanyaan cara kerja, pencarian dokumentasi, resolusi kode error yang diketahui, pertanyaan perbandingan paket, dan panduan penyiapan integrasi. Defleksi L1 adalah tingkat defleksi yang Anda laporkan.

Tier 2 (L2): Agen manusia yang ditingkatkan AI. Manusia mengambil tiket dengan bantuan AI: respons yang disarankan dari knowledge base, ringkasan riwayat akun pelanggan, dan tautan dokumentasi yang relevan sudah ditampilkan. Agen meninjau, mengedit jika perlu, dan merespons. Ini adalah masalah yang cukup kompleks yang memerlukan penilaian manusia tetapi mendapat manfaat dari persiapan AI. Sebagian besar pertanyaan dukungan teknis standar masuk di sini.

Tier 3 (L3): Penanganan manusia ahli. Agen senior, pengembang, atau manajer akun yang menangani tiket yang kompleks, sensitif, atau bernilai tinggi. Masalah akun yang dieskalasi, bug yang memerlukan investigasi teknik, permintaan privasi data, sengketa penagihan, percakapan potensi churn. Tidak ada percobaan AI self-service; routing langsung ke spesialis dengan konteks lengkap.

Tugas sistem routing adalah menentukan tier mana yang menangani tiket mana, dan melakukannya dengan akurat sehingga handler yang tepat mendapatkan setiap tiket tanpa menciptakan kemacetan di tier mana pun.

Key Facts: Akurasi dan Efisiensi AI Routing

  • AI support agent bertenaga generatif mencapai akurasi 92% dalam memahami niat pelanggan, dibandingkan 65-70% untuk bot berbasis kata kunci lama (AI Business Weekly, 2026)
  • AI routing berbasis AI mengurangi rata-rata waktu penanganan sebesar 40% dengan memastikan tiket mencapai agen atau sistem yang tepat pada percobaan pertama (Unthread, 2026)
  • Akurasi klasifikasi dalam lingkungan tiket AI yang matang mengurangi kesalahan misrouting sebesar 50-60% dibandingkan penugasan round-robin atau first-available (Fini Labs, 2026)

The Intent-Tier-Context Triage Model

The Intent-Tier-Context Triage Model adalah kerangka keputusan routing tiga faktor untuk SaaS help desk. Intent menentukan penugasan tier dasar: pertanyaan cara kerja dirutekan ke L1 AI, laporan bug ke L2, kekhawatiran keamanan ke L3 segera. Tier menerapkan penggantian tingkat akun: pertanyaan cara kerja pelanggan enterprise dirutekan ke L2 minimum terlepas dari klasifikasi intent. Context menerapkan penyesuaian dinamis: tiket dari pelanggan dalam jendela pembaruan 60 hari dengan health score yang menurun dirutekan ke antrean manajer akun terlepas dari tipe masalah yang dinyatakan. Ketiga faktor berjalan secara berurutan, dengan setiap lapisan mampu mengganti penugasan sebelumnya.

Penerapan Pola Scoring and Routing

Pola Scoring and Routing dari ACE Framework mendeskripsikan cara kerjanya: Ingest tiket masuk, Analyze fitur-fiturnya (intent, kompleksitas, data pelanggan), Predict tier yang tepat, dan Execute penugasan routing.

Klasifikasi intent adalah input utama. AI membaca teks tiket dan mengklasifikasikannya ke dalam salah satu kategori intent: permintaan cara kerja, laporan bug, pertanyaan penagihan, permintaan fitur, eskalasi atau keluhan, kekhawatiran keamanan, pertanyaan API atau pengembang, bantuan onboarding. Setiap kategori memiliki penugasan tier default, yang kemudian disesuaikan berdasarkan kompleksitas dan tier pelanggan.

Scoring kompleksitas menambahkan nuansa pada klasifikasi intent. Pertanyaan cara kerja dari pelanggan enterprise yang telah menunggu jawaban selama tiga hari pada workflow teknis multi-langkah bukanlah tiket yang sama dengan pertanyaan cara kerja dari pengguna trial SMB tentang pengaturan dasar. Intent mengatakan hal yang sama; scoring kompleksitas merutekannya secara berbeda.

Kombinasi intent ditambah kompleksitas ditambah tier pelanggan inilah yang membuat routing cerdas daripada hanya kategoris. Setelah sistem mengklasifikasikan, akurasi menjadi tantangan berikutnya.

Klasifikasi Intent dalam Praktik

Zendesk AI mengklasifikasikan tiket masuk ke dalam bucket intent menggunakan model yang dilatih pada data tiket historis. Anda menyediakan kategori, dan model belajar dari tiket yang sebelumnya dikategorikan oleh agen manusia. Data pelatihan adalah riwayat tiket Anda sendiri, yang membuat model semakin akurat dalam mencerminkan cara tim Anda secara historis merutekan tiket.

Freshdesk Freddy beroperasi serupa: klasifikasi intent berdasarkan kategorisasi historis, dengan properti tiket (baris subjek, teks isi, kehadiran lampiran) sebagai fitur. Kedua sistem memungkinkan Anda menentukan ambang kepercayaan: jika kepercayaan klasifikasi di bawah tingkat yang ditetapkan, tiket dirutekan ke antrean tinjauan manusia daripada ditugaskan secara otomatis.

Intercom Fin menggunakan logika routing percakapan yang berada di atas intent: ia mencoba resolusi AI terlebih dahulu untuk tipe tiket yang memenuhi syarat, dan menyerahkan ke agen manusia dengan konteks lengkap ketika AI tidak dapat menyelesaikan.

Proses pelatihan awal biasanya berjalan pada 90 hari tiket historis. Sebagian besar tim menemukan bahwa akurasi klasifikasi intent mencapai 80-85% pada penerapan pertama dengan enam hingga dua belas bulan data historis, dan meningkat menjadi 90%+ setelah tiga hingga empat bulan routing produksi di mana misklasifikasi dikoreksi dan dimasukkan kembali ke model. Gartner mengidentifikasi peningkatan akurasi triase dan identifikasi ahli sebagai pendorong nilai AI inti dalam layanan pelanggan, yang langsung sesuai dengan kualitas klasifikasi routing yang sedang Anda bangun.

Aturan Routing Tier Akun

Tier pelanggan adalah penggantian paling penting pada routing berbasis intent untuk bisnis SaaS dengan tier pelanggan yang berbeda.

Aturannya sederhana dan harus dikonfigurasi keras, bukan dipelajari: pelanggan enterprise tidak melalui AI self-service L1 sebagai titik sentuh pertama mereka kecuali mereka secara proaktif memilih untuk itu. Mereka dirutekan ke L2 minimum, dengan ketersediaan L3 berdasarkan tipe tiket.

Alasannya bersifat komersial, bukan teknis. Pelanggan enterprise membayar annual recurring revenue (ARR) yang signifikan untuk tingkat layanan yang lebih tinggi. Pelanggan enterprise yang mengirimkan tiket dukungan dan menerima respons chatbot AI sebelum pengakuan manusia mana pun memiliki harapan layanan yang berbeda dari pengguna trial SMB. Memenuhi harapan tersebut adalah bagian dari produk untuk akun tier tinggi.

Pengguna trial SMB dan pelanggan bulanan ARR rendah adalah target AI self-service L1 yang tepat. Mereka mendapat manfaat dari respons AI yang cepat dan 24/7, dan ekonomi penanganan tiket mereka melalui AI daripada agen manusia menguntungkan. Tapi terapkan AI self-service ke pelanggan enterprise senilai $200.000 Anda dan Anda telah membuat kesalahan positioning terlepas dari apakah AI menjawab dengan benar.

Konfigurasikan aturan ini secara eksplisit dalam logika routing Anda. Zendesk AI mengizinkan aturan routing berbasis tier pelanggan. Intercom mendukung ini melalui kondisi routing percakapan berdasarkan atribut pelanggan. Freshdesk menggunakan aturan penugasan berbasis segmen. Perkakas routing adalah detail. Aturan itu sendiri harus merupakan keputusan kebijakan yang dibuat oleh pemimpin dukungan, bukan diserahkan pada inferensi algoritma.

Sinyal Routing Spesifik SaaS

Di luar intent dan tier pelanggan, karakteristik tiket tertentu harus memicu keputusan routing segera terlepas dari faktor lain.

Error autentikasi API dirutekan ke dukungan pengembang atau agen manusia berkualifikasi pengembang. Ini bukan pertanyaan dukungan umum. Mereka memerlukan seseorang yang dapat menyelidiki masalah token OAuth, konfigurasi API key, dan debugging spesifik integrasi. Merutekan error auth API ke agen dukungan umum membuang waktu semua orang dan secara signifikan meningkatkan waktu-ke-resolusi.

Pertanyaan penagihan selama jendela pembaruan. Ketika sebuah akun dalam jendela pembaruan 60 hari, pertanyaan penagihan dirutekan ke manajemen akun, bukan ke dukungan penagihan umum. Manajer akun memerlukan visibilitas, dan percakapan tersebut sama-sama merupakan percakapan retensi seperti halnya pertanyaan penagihan. Prediksi churn AI dalam model berlangganan membahas bagaimana data health score mengisi logika routing jendela pembaruan ini.

Kata kunci terkait keamanan. Tiket yang mengandung istilah terkait akses tidak sah, kecurigaan pelanggaran data, kompromi akun, atau aktivitas login yang tidak biasa langsung dirutekan ke L3 dan menghasilkan peringatan segera. Tidak ada percobaan AI self-service, tidak ada penahanan L2. Kekhawatiran keamanan langsung ke manusia senior.

Sinyal "batal" atau "churn" yang eksplisit. Tiket yang mengandung bahasa tentang pembatalan, perbandingan dengan kompetitor, atau ekspresi ketidakpuasan yang signifikan dirutekan ke manusia dengan konteks CS yang ditampilkan, bukan ke dukungan umum. Percakapan telah bergerak dari dukungan ke retensi.

Penggantian berbasis sinyal ini dikonfigurasi sebagai aturan routing, bukan sebagai perilaku yang dipelajari. Mereka harus bersifat deterministik: jika sebuah tiket mengandung kata kunci terkait keamanan, itu dirutekan ke L3. Selalu.

Kualitas Eskalasi: Context Hand-off

Routing menentukan ke mana tiket pergi. Tapi routing tanpa konteks menciptakan pengalaman yang lebih buruk daripada routing dengan konteks.

Ketika AI menyerahkan ke agen manusia, agen harus menerima: riwayat percakapan penuh pelanggan, apa yang dicoba AI (jika mencoba respons), mengapa AI tidak dapat menyelesaikan (kepercayaan rendah, kata kunci yang ditandai, tier pelanggan), data akun pelanggan (masa jabatan, ARR, health score, riwayat dukungan terbaru), dan tautan dokumentasi yang relevan yang disarankan oleh retrieval RAG.

Cold hand-off adalah ketika pelanggan mengulangi seluruh pertanyaan mereka ke agen manusia karena agen tidak memiliki konteks dari interaksi AI. Cold hand-off secara signifikan merusak customer satisfaction (CSAT). Pengalaman pelanggan adalah: saya sudah menjelaskan ini ke bot, sekarang saya harus menjelaskannya lagi ke seseorang. Itu bukan pengalaman yang mulus. Itu adalah dua percakapan terpisah yang terputus.

Intercom Fin secara eksplisit mempertahankan konteks percakapan melalui hand-off. Agen manusia melihat seluruh thread, apa yang dicoba Fin, dan mengapa percakapan mencapai mereka. Zendesk AI meneruskan konteks percakapan bersama tiket. Ini adalah persyaratan minimum untuk sistem routing yang diimplementasikan dengan baik: hand-off harus tidak terlihat oleh pelanggan saat konteks ditransfer.

Mencegah Kemacetan Eskalasi

Mode kegagalan routing yang kurang disetel dengan baik adalah kemacetan eskalasi. Jika model routing terlalu konservatif, terlalu banyak tiket yang ditugaskan ke L2 atau L3 yang seharusnya ditangani oleh AI atau agen L2 junior. Insinyur senior menghabiskan waktu mereka pada tiket yang tidak memerlukan keahlian mereka. Waktu resolusi meningkat di seluruh papan.

Inilah mengapa optimasi routing adalah tugas operasional yang berkelanjutan, bukan konfigurasi satu kali.

Jalankan audit routing bulanan. Tarik tiket L3 dari bulan lalu. Berapa persentase yang dikategorikan L3 dengan benar? Dari yang bisa ditangani di L2, mengapa dieskalasi? Apakah intent yang salah diklasifikasikan? Ambang kompleksitas yang terlalu konservatif? Aturan tier akun yang terlalu luas?

Demikian pula, audit percobaan defleksi L1 AI yang dieskalasi. Dari tersebut, berapa persentase yang dieskalasi karena pelanggan menunjukkan jawaban AI salah versus karena pelanggan ingin manusia terlepas dari kualitas AI? Kategori pertama adalah kesenjangan dokumentasi. Kategori kedua adalah perilaku eskalasi yang dapat diterima.

Bangun kapasitas L2 secara proaktif. Kemacetan eskalasi yang paling umum adalah kapasitas L2 yang tidak mencukupi. Ketika defleksi AI bekerja (misalnya, 40% tiket didefleksi di L1), tiket yang tersisa condong ke kompleksitas. Rata-rata tiket L2 lebih sulit dari rata-rata tiket sebelum routing AI, karena yang mudah sekarang didefleksi. Jika Anda menempatkan staf L2 sama seperti sebelum penerapan AI, agen menangani tiket yang lebih sulit dengan volume yang sama dan kelelahan lebih cepat.

Rencanakan ini. Routing AI meningkatkan efisiensi di L1. Ini mengkonsentrasikan kompleksitas di L2 dan L3. Perencanaan headcount dan spesialisasi perlu disesuaikan. Gartner melaporkan bahwa 91% pemimpin layanan pelanggan berada di bawah tekanan eksekutif untuk mengimplementasikan AI tidak hanya untuk efisiensi tetapi untuk meningkatkan kepuasan, yang berarti keputusan perencanaan kapasitas langsung mempengaruhi apakah routing AI dilihat sebagai keberhasilan atau liabilitas oleh kepemimpinan. Bagaimana AI membentuk ulang model operasi SaaS membahas apa arti konsentrasi peran ini bagi struktur tim dalam skala besar.

"Sistem routing AI yang dilatih pada 6-12 bulan data tiket historis mencapai akurasi klasifikasi intent 80-85% pada penerapan pertama. Dengan 3-4 bulan koreksi produksi yang dimasukkan kembali ke model, akurasi meningkat menjadi 90%+. Peningkatan ini tidak otomatis. Ini memerlukan audit routing bulanan di mana tiket yang salah diklasifikasikan diberi label dan disubmit ulang ke pelatihan." (Zendesk AI Classification Documentation, 2025)

"Routing AI mengkonsentrasikan kompleksitas di L2 dan L3 setelah defleksi. Jika defleksi L1 bekerja pada 40%, rata-rata tiket L2 lebih sulit dari rata-rata tiket sebelum routing AI diterapkan, karena yang mudah sekarang didefleksi. Menempatkan staf L2 pada level pra-AI sambil mengharapkan tingkat defleksi pasca-AI adalah jalur tercepat menuju burnout L2 dan keruntuhan CSAT." (Rework Analysis, berdasarkan penelitian AI layanan pelanggan Gartner, 2025)

Benchmark Kinerja Routing

Metrik Routing Target Ambang Peringatan Tindakan
Akurasi klasifikasi intent 85-92% Di bawah 80% Latih ulang dengan misklasifikasi yang dikoreksi
Tingkat misdirect L1 (re-eskalasi segera) Di bawah 12% Di atas 15% Perketat kriteria kelayakan L1
Waktu respons pertama di L2 vs. baseline pra-AI Lebih cepat Lebih lambat Periksa penempatan staf L2 dan adopsi bantuan AI
Tiket L3 yang diklasifikasikan dengan benar Di atas 90% Di bawah 85% Audit aturan pemicu eskalasi L2-L3

Sumber: Zendesk AI Ticket Classification Documentation 2025, Gartner Customer Service AI Benchmark 2025, Fini Labs Routing Analysis 2026

Rework Analysis: Angka akurasi model routing (85-92%) sering diperlakukan sebagai metrik hasil. Itu bukan. Routing benar ketika spesialis yang tepat mendapatkan tiket pada penugasan pertama, bukan hanya ketika sistem mengkategorikannya dengan benar. Sengketa penagihan yang diklasifikasikan dengan benar sebagai "penagihan" tetapi dirutekan ke agen penagihan junior tanpa konteks akun secara teknis terklasifikasi tetapi secara operasional salah. Pengukuran nyata adalah tingkat resolusi penugasan pertama: berapa persentase tiket yang diselesaikan oleh manusia pertama yang menerimanya, tanpa re-eskalasi? Angka tersebut, dilacak berdasarkan tier dan tipe tiket, memberi tahu Anda apakah routing bekerja secara operasional atau hanya secara kategoris.

Metrik untuk Kualitas Routing

Empat metrik memberi tahu Anda apakah model routing Anda bekerja.

Waktu respons pertama berdasarkan tier. Respons AI L1 harus hampir instan (detik). L2 yang dibantu manusia harus lebih cepat dari baseline tanpa bantuan karena agen tidak memulai dari awal. L3 harus mencerminkan waktu-ke-ahli, bukan waktu-ke-antrean. Jika waktu respons L2 lebih buruk dari baseline pra-AI, routing menciptakan hambatan, bukan efisiensi.

Tingkat resolusi berdasarkan tier. Berapa persentase tiket L1 yang ditutup tanpa eskalasi? Berapa persentase tiket L2 yang ditutup tanpa eskalasi L3? Tingkat resolusi yang menurun di suatu tier mengindikasikan routing mengirimkan tiket ke tier tersebut yang tidak seharusnya ditanganinya.

Tingkat misdirect. Tiket yang ditugaskan ke L1 dan kemudian dieskalasi segera ke L2 atau L3, atau tiket yang ditugaskan ke L2 yang segera dieskalasi agen junior tanpa mencoba resolusi. Ini adalah kesalahan routing. Tingkat misdirect di atas 15% di L1 atau L2 menandakan model routing perlu dilatih ulang.

Rasio tingkat eskalasi vs. tingkat defleksi. Seiring tingkat defleksi Anda meningkat, tingkat eskalasi untuk kumpulan tiket yang tersisa juga akan meningkat secara alami (karena tiket yang tersisa lebih sulit). Jika eskalasi tumbuh lebih cepat dari tingkat defleksi, model routing gagal mengandung kompleksitas di tier yang tepat.

Menghubungkan ke Stack AI Dukungan

Multi-tier routing adalah model operasi yang memungkinkan defleksi AI untuk diskalakan. Tanpanya, menambahkan AI self-service ke help desk yang kurang dirutekan dengan baik menciptakan penumpukan eskalasi daripada efisiensi. Tiket yang tidak dapat ditangani AI menumpuk di agen manusia tanpa konteks, tanpa prioritas, dan tanpa spesialis yang tepat menerima tiket yang tepat.

AI Support Agent untuk Self-Service SaaS membahas lapisan L1 AI secara mendalam, termasuk tipe tiket apa yang ditangani RAG dengan baik dan di mana eskalasi harus segera terjadi.

Ticket Deflection dengan RAG dalam Dukungan SaaS membahas sisi kualitas defleksi: cara mengukur apakah tiket yang didefleksi benar-benar terselesaikan dengan memuaskan, bukan hanya apakah mereka didefleksi.

AI Knowledge Base Maintenance untuk SaaS Docs membahas menjaga knowledge base tetap terkini, yang menentukan apakah AI L1 benar-benar dapat menangani tiket yang dirutekan kepadanya.

Multi-tier AI routing adalah perbedaan antara AI self-service yang meningkatkan operasi dukungan Anda dan AI self-service yang menciptakan masalah baru. Logika routing itu sederhana. Desain organisasi di baliknya, perencanaan kapasitas, kebijakan eskalasi, dan penyetelan berkelanjutan adalah tempat pekerjaan nyata berada. Dapatkan model routing yang benar, dan defleksi AI akan diskalakan seiring produk Anda tumbuh.

Pertanyaan yang Sering Diajukan

Apa itu multi-tier AI routing dalam SaaS help desk?

Multi-tier AI routing adalah sistem yang mengklasifikasikan setiap tiket dukungan masuk berdasarkan intent, kompleksitas, dan tier akun pelanggan sebelum menugaskannya ke handler. AI self-service L1 menangani permintaan yang sederhana dan dapat didokumentasikan. Agen manusia yang ditingkatkan AI L2 menangani masalah yang cukup kompleks. Spesialis L3 menangani tiket yang kompleks, sensitif, atau bernilai tinggi. Keputusan routing terjadi dalam milidetik, menggantikan penugasan round-robin atau first-available dengan pencocokan yang cerdas.

Akurasi apa yang dapat Anda harapkan dari klasifikasi intent AI?

Akurasi klasifikasi intent mencapai 80-85% pada penerapan pertama dengan 6-12 bulan data tiket historis. Setelah 3-4 bulan siklus koreksi produksi, akurasi meningkat menjadi 90%+. Peningkatan tidak otomatis. Ini memerlukan audit routing bulanan di mana tiket yang salah diklasifikasikan diberi label dan disubmit ulang ke pelatihan.

Mengapa pelanggan enterprise tidak boleh melalui AI self-service L1?

Pelanggan enterprise memiliki ekspektasi tingkat layanan kontraktual. Pelanggan enterprise yang mengirimkan tiket dukungan dan menerima respons chatbot AI sebelum pengakuan manusia mengalami ketidaksesuaian tingkat layanan. Perbaikannya adalah aturan routing keras: akun enterprise (atau di atas ambang ARR yang ditentukan) dirutekan ke L2 minimum, terlepas dari klasifikasi intent. Aturan ini harus dikonfigurasi secara eksplisit, tidak diserahkan pada algoritma.

Apa itu cold hand-off dan mengapa merusak CSAT?

Cold hand-off adalah ketika pelanggan harus menjelaskan ulang masalahnya ke agen manusia karena AI tidak meneruskan konteks percakapan ke manusia. Pengalaman pelanggan adalah dua percakapan yang terputus: satu dengan bot, satu dengan seseorang yang tidak tahu apa pun yang dipelajari bot. Skor CSAT untuk cold hand-off secara konsisten 15-25% lebih rendah daripada untuk warm hand-off di mana konteks penuh ditransfer.

Bagaimana cara mencegah kemacetan eskalasi setelah menerapkan routing AI?

Routing AI meningkatkan defleksi L1, yang mengkonsentrasikan tiket yang lebih sulit di L2 dan L3. Jika Anda menempatkan staf L2 pada level pra-AI, agen menghadapi tiket yang lebih sulit dengan volume yang sama. Rencanakan kapasitas L2 secara proaktif. Tingkat defleksi L1 40% berarti kumpulan tiket Anda yang tersisa rata-rata lebih sulit. Bangun staf dan spesialisasi L2 untuk sesuai dengan pergeseran tersebut, bukan untuk sesuai dengan model headcount pra-AI.

Sinyal apa yang harus memicu routing L3 segera terlepas dari klasifikasi intent?

Empat tipe sinyal memerlukan routing L3 deterministik: kata kunci terkait keamanan (akses tidak sah, pelanggaran data, kompromi akun), bahasa pembatalan atau churn yang eksplisit, sengketa penagihan selama jendela pembaruan (60 hari sebelum pembaruan), dan akun mana pun dengan health score berisiko kritis. Ini adalah aturan kebijakan, bukan perilaku yang dipelajari. Mereka harus dikonfigurasi secara eksplisit dan harus mengganti semua logika routing lainnya.

Pelajari Lebih Lanjut: