Skip to main content
Agent AI dilengkapi sistem pemantauan transparan yang mencatat setiap pesan yang masuk dari pelanggan WhatsApp. Melalui fitur Trace dan Analitik, Anda dapat mengetahui secara persis pesan mana yang berhasil dijawab, pesan mana yang sengaja dilewati, alasan terjadinya pesan cadangan (fallback), hingga rincian saldo token yang dipotong untuk setiap respon.

​
Prasyarat

Agent AI dalam keadaan aktif atau sudah pernah menerima pesan masuk dari pelanggan.
Akun Anda memiliki akses ke instance WhatsApp di portal DripSender.

​
1. Menuju ke Halaman Menu Trace

  1. Buka portal DripSender di portal.dripsender.id dan masuk ke instance WhatsApp Anda.
  2. Di bilah navigasi utama Agent AI bagian atas, klik tab Trace.
Navigasi Menuju Menu Trace pada Agent AI
  1. Sistem akan membuka halaman log aktivitas pesan dengan indikator status hijau Live yang menandakan pemantauan pesan berjalan secara langsung (real-time).

​
2. Memfilter Riwayat Pesan Berdasarkan Status

Di bagian atas halaman Trace, gunakan panel filter untuk menyaring riwayat interaksi pelanggan: Bilah Filter Riwayat Pesan pada Menu Trace
  1. Status: Pilih kondisi balasan yang ingin Anda audit:
    • Semua: Menampilkan seluruh pesan masuk tanpa pengecualian.
    • Dibalas: Pesan yang berhasil dijawab secara normal oleh model AI.
    • Balasan cadangan: Pesan yang dialihkan ke pesan cadangan karena AI tidak menemukan jawaban atau terjadi kendala.
    • Dilewati: Pesan yang sengaja diabaikan oleh agen (misalnya karena aturan jam kerja, daftar kontak pengecualian, atau kata kunci jeda).
    • Gagal: Pesan yang mengalami kendala teknis saat proses pengiriman.
    • Dihentikan: Percakapan yang dihentikan sementara oleh kata kunci kontrol atau intervensi admin manusia.
    • Diproses: Pesan yang sedang dalam antrean pemrosesan oleh model AI.
  2. Kontak: Masukkan nomor WhatsApp pelanggan tertentu (contoh: 08123456789) untuk melihat riwayat khusus nomor tersebut.
  3. Dari tanggal & Sampai tanggal: Tentukan rentang waktu pemeriksaan riwayat pesan.
  4. Klik tombol biru Terapkan untuk menerapkan filter, atau klik Hapus filter untuk mereset pencarian.

​
3. Memeriksa Rincian Log dan Token Terpakai

Di bawah panel filter, tabel log Trace menyajikan detail interaksi pesan secara transparan per kolom: Rincian Tabel Log Pesan Masuk dan Konsumsi Token Setiap baris riwayat menampilkan rincian:
  • Waktu: Jam dan detik tepat saat pesan diterima oleh server DripSender.
  • Kontak: Nomor WhatsApp pelanggan pengirim pesan.
  • Status: Label status pemrosesan (Dibalas, Balasan cadangan, atau Dilewati).
  • Alasan / Pesan Masuk: Kalimat asli yang diketikkan pelanggan atau alasan bot melewatkan pesan.
  • Waktu Balas: Durasi kecepatan respon (latency) bot dalam detik (misal 1.8s).
  • Token: Nominal saldo token AI yang dipotong untuk menghasilkan balasan tersebut.
Klik pada salah satu baris obrolan di tabel Trace untuk membuka panel samping (drawer) detail. Di sana Anda dapat membaca konteks penalaran (reasoning), prompt sistem, dan riwayat memori yang digunakan AI saat menyusun jawaban.

​
4. Menganalisis Kinerja pada Tab Analitik

Untuk melihat gambaran statistik performa bisnis secara menyeluruh dalam periode tertentu:
  1. Buka tab Analitik di bilah navigasi Agent AI.
  2. Tentukan rentang waktu analisis di sudut kanan atas: 24 jam, 7 hari, atau 30 hari.
Laporan Kinerja Chat dan Pemakaian Saldo Token pada Tab Analitik

​
Metrik Ringkasan Chat:

  • Total Ditangani: Jumlah kumulatif obrolan yang masuk ke nomor WhatsApp bisnis Anda.
  • Dibalas vs Dilewati vs Gagal: Rasio efektivitas bot dalam melayani pelanggan secara otomatis.
  • Rata-rata Waktu Balas: Rata-rata durasi yang dibutuhkan bot untuk merespons obrolan.
  • Pelanggan Unik & Pelanggan Baru: Jumlah individu kontak unik yang berinteraksi dengan asisten Anda.

​
Rincian Pemakaian Saldo Token:

  • Total Saldo Terpotong: Akumulasi token yang digunakan untuk seluruh balasan berbayar.
  • Rata-rata per Balasan: Rata-rata konsumsi token per satu pesan balasan (membantu memproyeksikan kebutuhan top up token berikutnya).
  • Cache Hit: Persentase prompt sistem dan basis pengetahuan yang berhasil dibaca dari memori cache server. Semakin tinggi angka cache hit, semakin hemat biaya token yang dikeluarkan.
  • Komponen Token: Rincian pemisahan kuota antara Input, Input dari cache, Output, dan Reasoning.