Yapay zeka çağında müşteri hizmetleri ölçümleri nasıl değişiyor?

En iyi müşteri destek ekiplerinin ortak noktası nedir? Mükemmel bir müşteri deneyimi yaratma konusunda takıntılı bir bağlılık iyi bir ilk adımdır, ancak bu sizi yalnızca çok önemli bir bileşen olmadan bir yere kadar ulaştıracaktır: temel müşteri hizmetleri ölçümleri hakkında titiz raporlama.

Veri gürültüsündeki sinyali nasıl bulacağını bilmek, en iyi destek ekiplerinin kaliteli müşteri hizmeti, yüksek müşteri memnuniyeti ve yüksek performanslı bir ekip sunmaya devam etmesini sağlayan şeydir. Ancak yapay zekanın bildiğimiz müşteri hizmetlerini dönüştürmesiyle birlikte, destek liderleri bu yeni çağda başarının gerçek ölçüsünü elde etmek için temel ölçümlerini nasıl uyarlamalı?

"Yapay zekanın sunduğu muazzam fırsattan yararlanmak isteyen liderlerin ölçümler ve KPI'lar hakkında farklı düşünmesi gerekecek"

Yapay zeka daha gelişmiş hale geldikçe müşteri hizmetleri ortamı muazzam bir değişim yaşıyor. Teknolojinin artık daha ilgi çekici müşteri etkileşimlerine ve birçok müşteri sorusunun neredeyse anında çözülmesine olanak sağlamasıyla birlikte, destek ekipleri müşterileri için ek değer yaratan faaliyetlere odaklanabiliyor. Intercom'un Müşteri Hizmetlerinde Yapay Zekanın Durumu: 2023 Raporundan yapılan son araştırmalar, müşteri hizmetleri için yapay zekaya yapılan yatırımın hızla arttığını ve destek liderlerinin %69'unun önümüzdeki yıl yapay zekaya daha fazla yatırım yapmayı planladığını gösteriyor.

Yapay zekanın sunduğu muazzam fırsattan yararlanmak isteyen liderlerin, yapay zekanın öncelikli olduğu bir dünyada müşteri hizmetlerinin gerçek etkisinin doğru şekilde ölçülmesini sağlamak için ölçümler ve KPI'lar hakkında farklı düşünmeleri gerekecek.

Geleneksel destek metriklerinin gelişimi

Bildiğimiz destek metrikleri gelişirken, ekibinizin başarısı için vazgeçilmez olmaya devam edecekler. Yapay zeka, destek ekiplerinin çalışma şeklini temelden değiştirecek ve son nesil destek teklifinde önemli olan bazı ölçümler, insanların ve yapay zekanın sorunsuz bir şekilde birlikte çalıştığı bir dünyada daha az alakalı hale gelebilir.

“Raporlamaya yönelik mevcut yaklaşımınızı değerlendirirken hem müşteri hem de ekip arkadaşı deneyimini düşünmek çok önemli olacak”

Yapay zekanın ışık hızında yanıtlar ve çözümler sunması sonucunda müşterilerin destek beklentileri de hızla gelişiyor; bu da destek ekibi hizmet düzeyi anlaşmalarının (SLA'lar) ve kriterlerin sıfırlanması gerektiği anlamına geliyor. Yapay zeka sohbet robotumuz Fin, müşterilerimizin giderek daha fazla sorusunu çözerken, kendi Müşteri Desteği ekibimiz, başarıyı ölçmek için kullandığımız ölçümleri ve kıyaslamaları zaten ayarlıyor.

Ekibinizi bu yeni müşteri hizmetleri çağında başarıya hazırlamak için, mevcut raporlama yaklaşımınızı değerlendirirken hem müşteri hem de ekip arkadaşı deneyimini düşünmek çok önemli olacaktır; böylece önemli rakamların nabzını tuttuğunuzdan emin olabilirsiniz. en.

Bu değişikliklerden etkilenecek bazı önemli alanlar ve metriklerin yanı sıra raporlama yaklaşımınızı önünüzdeki fırsattan yararlanacak şekilde uyarlamaya yönelik ipuçlarımızı burada bulabilirsiniz.

Müşterilerle nasıl etkileşimde bulunursunuz?

Pek çok müşteri hizmetleri ekibi için yapay zeka destekli sohbet robotları gibi üretken yapay zeka teknolojisi, destek arayan müşterilerin ilk temas noktası olacak. Bu botlar hızlı ve yararlı yanıtlar sunma yeteneğine sahiptir ve aynı zamanda soruları netleştirip, yanıtı bilmiyorlarsa daha fazla yardım sağlamak üzere bunları bir insan destek temsilcisine iletebilir.

Ön saflarda yapay zekanın gelen destek hacminizle mücadele etmesi nedeniyle, destek sunumunuzun hızını ve etkinliğini ölçmek için kullanılan bazı temel ölçümlerin uyarlanması gerekecektir.

İlk yanıt süresi (FRT)

"İlk yanıt süresi" (FRT), ekibinizin bir müşterinin sorgusuna ilk yanıtı göndermesi için gereken süredir.

Önde gelen yapay zeka botlarının müşterilere neredeyse anında yanıtlar sunabildiği göz önüne alındığında, yavaş yanıt süreleri ve müşteriler için uzun bekleme süreleri artık geçmişte kalıyor. Bu, müşteri beklentilerini önemli ölçüde değiştirecek; Müdahale ve nihai çözümün beklemeyi gerektireceği varsayımının yerini, anında müdahale ve hızlı çözüm beklentisi alacak.

Uç

Hem ekibinizin hem de yapay zeka botunuzun performansını doğru bir şekilde okumak için müşterilerinizin genel olarak ne kadar hızlı yanıt aldığına dair bütünsel bir görünüm amacıyla "botun ilk yanıt süresi" ve "insanın ilk yanıt süresi" için ayrı raporlar oluşturmayı düşünün.

Yapay zeka-insan desteği deneyimini değerlendirirken, müşterilerin sorunlarının ilk temas noktasının ötesinde ne kadar hızlı çözüldüğünü anlamak için ilk yanıt süresinin yanı sıra ortalama işlem süresi gibi daha geniş bir ölçüm kümesine bakmak da önemli olacaktır.

Ortalama işleme süresi (AHT)

"Ortalama işlem süresi" (AHT), ekibinizin müşteri görüşmeleri üzerinde çalışırken harcadığı ortalama süreyi ölçer ve genellikle destek liderleri tarafından ekip kapasitesini ve personel ihtiyaçlarını anlamak için kullanılır.

Yapay zeka botlarının basit sorguların çoğunu çözmesi sayesinde ekibiniz daha karmaşık ve zaman alıcı sorunlarla uğraşacak; bu nedenle, bu ayarlamaya yer açmak için müşteri görüşmelerinin ortalama işleme süresine ilişkin yeni kriterlerin tanımlanması gerekecek.

Uç

İlk yanıt süresine benzer şekilde, müşterilerinizin sorunlarına çözüm bulmalarının ne kadar sürdüğüne ilişkin tam bir resim için "ortalama bot işleme süresi" ve "ortalama insan müdahale süresi" için ayrı raporlar oluşturmayı deneyin.

Genel olarak ve bot işlem sürelerinin azaldığını görseniz de, destek temsilcilerinin daha zorlu sorunlarla uğraşmasının bir sonucu olarak insan işlem süresinin muhtemelen artacaktır. İnsan müdahale süresinin arttığını görürseniz, bunun diğer alanlarda zincirleme bir etkisi olup olmadığını görmek için CSAT gibi diğer ölçümlere bakmayı düşünün.

Verimliliği nasıl ölçersiniz?

Bu yeni müşteri hizmetleri çağında büyük bir etki yaratmak için insanların ve yapay zekanın birlikte çalışması gerektiğini biliyoruz. Yapay zeka, ekibinizin yeni bir destek temsilcisi olarak düşünülmeli ve bu nedenle performansının nasıl ölçüleceğini ve ekibinizin kapasitesi üzerinde yaratacağı domino etkisini bilmek çok önemli olacaktır.

Bir yapay zeka sohbet robotunu devreye almak, kaçınılmaz olarak ekibinizin danışma veya proaktif destek veya bilgi yönetimi gibi diğer faaliyetlere odaklanması için zaman kazandıracaktır. Ekibinizin çok çeşitli görevlere odaklanması nedeniyle üretkenliği ölçme ve ekibinizin kapasitesini ölçme yönteminizin uyarlanması gerekecektir.

Ele alınan vakalar

"İncelenen vakalar", destek temsilcileri tarafından ele alınan vakaların, destek taleplerinin veya konuşmaların sayısını ifade eder. Bu saatlik, günlük veya haftalık olarak ölçülebilir ve genellikle ekip performansının ve üretkenliğinin bir ölçüsü olarak kullanılır.

Geleneksel olarak, destek temsilcilerinin belirli bir süre boyunca belirli sayıda müşteri sorgusunu ele alması beklenir, bu nedenle ekip verimliliğini değerlendirmek için bir kıyaslama mevcut olacaktır. Yapay zeka çağında bu durum değişime uğradı. Destek temsilcileri artık çok daha karmaşık müşteri sorunlarıyla mücadele ediyor ve basit sorunlar yapay zeka botları tarafından çözülüyor. Karmaşık vakaların genellikle daha fazla araştırma ve zaman yatırımı gerektirdiği göz önüne alındığında, saat, gün veya hafta başına ele alınan vaka sayısı değişecek.

Temsilcilerin yardım merkezi içeriği oluşturma ve bilgi yönetimi gibi diğer alanlarla daha fazla ilgilenmesiyle "müşteri destek temsilcisinin" rolü de çok daha çeşitli hale geliyor. Ekibiniz zamanını farklı görevlere böldüğünde, ele alınan vakaların sayısı ekip üretkenliğini değerlendirme açısından daha az alakalı bir ölçüm haline gelir.

Uç

Ekibinizin katkıda bulunabileceği tüm diğer etki alanlarının haritasını çıkarmayı düşünün ve her bir alanın performansı ölçmek için genel bir sisteme nasıl dahil edilebileceğini anlayın. Ekibinizin yardım merkezi içeriği oluşturma veya topluluk moderasyonu gibi diğer odak alanlarını belirleyerek ekip üretkenliği hakkında daha doğru bilgiler elde edebileceksiniz.

Otomatik çözünürlük oranı

"Otomatik çözümleme oranı" veya "otomatik çözümleme oranı" (ROAR), botlar gibi otomasyon tarafından tamamen çözümlenen destek bildirimlerinin veya konuşmaların sayısını ölçer.

Yapay zeka destekli botların piyasaya sürülmesinden önce, otomatik çözümleme oranı, basit botlar tarafından çözülen sorgulardan veya Fin için Özel Yanıtlar (eski adıyla Çözünürlük Botu) gibi makine öğrenimi üzerine kurulu daha gelişmiş modellerden oluşuyordu.

Artık piyasadaki en güçlü yapay zeka botlarından bazıları, müşteri sorgularının %50'ye kadar şaşırtıcı bir kısmını otomatik olarak çözümleyebiliyor ve destek ekiplerine insan dokunuşu gerektiren daha karmaşık sorgulara odaklanabilmeleri için zaman kazandırıyor. Botun sık sorulan veya daha sık sorulan soruların yarısına kadar yanıt vermesi nedeniyle, destek liderlerinin raporlama kontrol panellerinde otomatik çözüm oranında önemli bir artış görmesi muhtemeldir.

Uç

Otomatik çözünürlük oranı hızla yükselirken, bu ölçümden başka nasıl bilgi elde edebileceğinizi düşünmek önemlidir. Örneğin, otomatik çözümleme oranınız %15'ten %50'ye çıktıysa, bunun diğer alanlardaki zincirleme etkilerini düşünün. Ekibiniz ne kadar zaman kazanıyor? Destek hızı ve kalitesiyle müşterileriniz ne kadar mutlu?

Öte yandan, otomatik çözümleme oranınızda bir düşüş fark ederseniz, muhtemelen çözülmesi gereken temel bir sorun var demektir. Bu, botunuzun müşterilerin sorularını yanıtlamak için ihtiyaç duyduğu doğru içeriğe erişiminin olmadığını gösterebilir. İçeriğinizin güncel olduğundan ve botunuzun müşterilerinize yardımcı olmak için ihtiyaç duyduğu her şeye sahip olduğundan emin olmak için yardım merkezinizi denetlemeyi düşünün.

İlk temas çözünürlüğü (FCR)

"İlk temas çözümü" (FCR), müşterilerinizin sorularının şirketinizin destek ekibiyle ilk arama, e-posta, mesaj veya sohbet oturumundan sonra ne sıklıkla çözüldüğünü ölçer.

Intercom'un Fin'i gibi belirli yapay zeka destekli botlar, müşterilerinizin sorularına alakalı yanıtlar sunmak için yardım merkezinizdeki içeriği kullanır ve çoğu durumda bu soruları ilk denemede yanıtlayabilir. Bu yalnızca müşterilerinizin her zamankinden daha hızlı destek alacağı anlamına gelmekle kalmayacak, aynı zamanda muhtemelen ilk temasta çözüm oranınızın da artmasıyla sonuçlanacaktır.

Uç

Yapay zeka sohbet robotunuz sayesinde tek bir etkileşimde daha fazla müşteri sorgusunun çözülmesiyle, ekibinizin botun serbest bıraktığı ek zamanla yapabileceği diğer etkili işleri ve bu işin başarısını nasıl ölçebileceğinizi erkenden düşünmeye başlamalısınız. Bu çalışmanın kapsamını şimdi belirleyerek ekibinizin yeni alanlarda becerilerini geliştirmesini sağlayabilirsiniz; böylece zamanları dolmaya başladığında doğrudan etki yaratmaya başlayabilir ve standart destek ölçümlerinin ötesinde işe katkıda bulunabilirler.

Yapay zeka aynı zamanda müşteri hizmetleri ekiplerine destek hedeflerini daha rekabetçi hale getirme fırsatı da sunuyor. Örneğin ekipler belirli sorunlar veya müşteriler için gerçek zamanlı insan desteği sunabilir veya kurulum ve etkinleştirme konusunda müşterilerle daha proaktif bir şekilde çalışmaya başlayabilir.

Çözüme ulaşma süresi (TTR)

"Çözüme kadar geçen süre" (TTR), bir destek talebinin veya görüşmenin açılmasından "çözümlendi" veya "kapalı" olarak işaretlendiği noktaya kadar bir müşteri sorgusunun tamamen çözülmesi için geçen ortalama süreyi ölçer.

Diğer birçok ölçümde olduğu gibi, çözüme ulaşma süresi de yapay zeka botlarının çok sayıda müşteri sorgusunu hızlı bir şekilde çözme becerisinden büyük ölçüde etkilenecek. Muhtemelen botun çözüme ulaşma süresi azalacak ve insanın çözüme ulaşma süresi artacak. Ekibiniz, temeline inmesi daha uzun süren daha karmaşık sorunlarla uğraşacağından bu beklenen bir durumdur.

Uç

Yaygın veya basit sorguların ne kadar hızlı çözüldüğünü ve ekibinizin daha karmaşık sorguları çözmesinin ne kadar sürdüğünü anlamak için raporlarınızı "çözüme kadar robot süresi" ve "çözüme kadar insan süresi"ne göre ayırmayı düşünün.

Yapay zeka botunuz çok sayıda ileri geri hareket içeren daha karmaşık sorgularla uğraşmaya başladıkça, bu sorunları çözmenin ne kadar zaman alacağını anlamak önemli olacaktır.

İçerik görünümleri

"İçerik görüntülemeleri", müşterilerin yardım merkezi içeriğinizi (örneğin, bilgi tabanınızdaki makaleler) kaç kez görüntülediğinin ölçüsüdür.

Yapay zekanın kapsamlı self-servis destek deneyiminizde nasıl bir rol oynadığını anlamak önemlidir; bu nedenle, kendi sorularına ne kadar kolay yanıt bulabilecekleri konusunda fikir edinmek için müşterilerinizin yardım merkezi makalelerinizle nasıl etkileşim kurduğuna bakmalısınız. Yapay zekanın öncelikli olduğu bir dünyada, yapay zeka sohbet robotları makalelere bağlantı vermek yerine müşterilerinize yanıtlar sunmak için içerikten yararlandıkça, yardım merkezi makalelerinizin görüntülemeleri azalmaya başlayabilir.

Uç

Yardım merkezinizin ve destek topluluğu içeriğinizin aldığı görüntüleme sayısını izleyerek, bu içeriği görüntüleyen müşterilerin bir makaleyi veya gönderiyi okuduktan sonra ek destek araması gerekip gerekmediğini veya bunun onlara sorgularını çözmelerine yardımcı olup olmadığını anlayabilirsiniz. Bunun etrafında bir zaman parametresi ayarlamak yararlı olabilir; örneğin, bir müşteri içeriği görüntüledikten sonraki 24 saat içinde ekibinize ulaşmazsa, bunu potansiyel bir destek görüşmesinin "sapması" olarak değerlendirebilirsiniz.

Bir AI sohbet robotu dağıttığınızda, müşterileriniz yardım merkezinize gitmek yerine doğrudan botunuzdan yardım aldığından toplam içerik görüntüleme hacmi büyük olasılıkla azalmaya başlayacaktır. Böyle bir durumda, müşterilerin farklı yollardan nasıl yardım aldığını anlamak için içerik görünümlerini kapsamlı self-servis destek deneyiminiz dahilinde bağlamsallaştırmaya çalışın.

Müşteri deneyimini nasıl ölçüyorsunuz?

Doğal olarak yapay zekanın getirdiği tüm değişiklikler müşteri deneyimini dönüştürecek. Elbette müşterileriniz daha hızlı ve daha etkili desteğin avantajlarından yararlanacak, ancak aynı zamanda yeni teknolojiyle etkileşime girecekler, dolayısıyla ihtiyaçlarının hâlâ karşılandığından emin olmak için bu yeni müşteri deneyimini izlemek çok önemli olacak.

Müşteri memnuniyeti (CSAT)

"Müşteri memnuniyeti" (CSAT), müşterilerinizin işletmenizden ne kadar memnun olduğunu ortaya koyan bir ölçümdür ve müşterileriniz tarafından derecelendirilen toplam görüşme sayısı üzerinden olumlu olarak derecelendirilen görüşmelerin yüzdesinin hesaplanmasını içerir. CSAT anketleri, derinlemesineden hafife kadar çeşitlilik gösterebilir; müşterilerden bir etkileşimi sıfırdan 10'a kadar derecelendirmelerini istemek, onlara doğrudan geri bildirim soruları göndermek ve hatta deneyimlerini en iyi temsil eden emojiyi seçmelerine izin vermek.

Müşterilerin bir bütün olarak botlara farklı derecelerde güven duyduğu bir sır değil. Geçmişte, müşterileri çoğu zaman çözümsüz karar ağacı yollarına yönlendirmişler ya da onları içinden çıkamadıkları sonsuz bir döngüye yakalamışlardı. Açıkçası bu hiç kimse için ideal bir deneyim değil. Ancak üretken yapay zekadaki son gelişmeler, büyük ölçüde geleneksel botlardan daha etkili iletişim kurabilmeleri nedeniyle müşterilerin botlara olan güvenini artırmaya başladı ve beklenti, yararlı bir yanıt verme olasılıklarının daha yüksek olmasıdır. hızlı.

Destek ekipleri, yapay zeka botlarına daha fazla ağırlık verdikleri için müşteri memnuniyetinin nabzını tutmanın bilincindeler. Intercom'un Müşteri Hizmetlerinde Yapay Zekanın Durumu: 2023 Raporuna göre, destek liderlerinin %58'i, yapay zeka ve otomasyon kullanımının bir sonucu olarak CSAT puanlarında iyileşmeler gördü.

Uç

Destek ekiplerinin, müşterilerin ne kadar verimli ve etkili bir şekilde yardım aldığını yakından okuyabilmeleri çok önemlidir. CSAT bunda büyük bir rol oynuyor; bu nedenle müşterilerin AI botunuzun dahil olduğu konuşmaları nasıl derecelendirdiğini anlamak önemlidir.

CSAT raporlarınıza bakarken, botun dahil olduğu konuşmaların nasıl derecelendirildiğini veya derecelendirilip derecelendirilmediğini anlamaya çalışın (bu, müşterilerin botlarla etkileşimden sonra derecelendirme bırakmaya daha az eğilimli olduğu ortaya çıkabilir. insanlar). Bu, müşterilerinizin etkileşimden memnun olup olmadığını, botun sağlayabildiği destek düzeyini ve daha fazla yardıma ihtiyaç duyulduğunda ekibinizin bir üyesine transfer olmanın ne kadar kolay olduğunu anlamanıza yardımcı olacaktır. Bu alanları daha derinlemesine inceleyerek botun performansını artırabilecek ve müşterilerinizin sürekli olarak harika bir deneyim yaşamasını sağlayabilirsiniz.

Net destekçi puanı (NPS)

"Net tavsiye puanı" (NPS), kuruluşların markalarına, ürünlerine veya hizmetlerine yönelik müşteri sadakatini ölçmek için kullandıkları bir ölçümdür. -100 ile +100 arasında değişen bir puan olarak ölçülür.

CSAT'a benzer şekilde, müşteri odaklı şirketler NPS'lerinin izlenmesine büyük önem vermektedir. Müşterilerin ürün veya hizmetlerine yönelik tutumlarını kontrol etmelerine ve kişiselleştirilmiş katılım planları oluşturmalarına olanak tanır; örneğin, NPS anketinde düşük puan veren bir "kötü niyetli" kişiyi ekibindeki biriyle bağlantıya geçirerek, zorluklarını anlayın ve deneyimlerini geliştirin.

Yapay zeka destekli botlar artık NPS anketlerinde müşterileriniz tarafından incelenen hizmetlerin kapsamına dahil edilecek, dolayısıyla bunların puanlarınız üzerindeki etkisini anlamak çok önemli olacak.

Uç

NPS anketiniz size ürününüzün veya hizmetinizin müşterinin beğendiği veya beğenmediği öğelerini ayrıntılı olarak inceleme fırsatı verir. Yapay zekanın yardımı olmadan bu yorumların analiz edilmesi çok zaman alabilir. Ancak neyse ki yapay zeka artık size müşterilerinizin sağladığı bilgileri hızlı bir şekilde özetleme olanağı sunuyor. Hangi sorulara odaklanmak istediğinizi düşünün ve anketlerinizden temel bilgileri çıkarmak için yapay zekayı kullanın.

Müşteri çaba puanı (CES)

"Müşteri çaba puanı" (CES), bir müşterinin talebinin işleme alınması için göstermesi gereken çaba miktarını belirler. Bu, bir soruya yanıt almayı, bir sorunu çözmeyi, bir ürün satın alma işlemini gerçekleştirmeyi veya bir sözleşme imzalamayı içerebilir. CES, müşterilere ihtiyaçlarının karşılanmasının ne kadar zor veya kolay olduğunu sormak için anketler kullanılarak ölçülebilir; örneğin "çok kolay"dan "çok zor"a kadar değişen bir ölçek üzerinden.

Müşteri mutluluğu ve dolayısıyla sadakat ve elde tutma genellikle müşterinin şirketinizle çalışmayı ne kadar kolay bulduğuna bağlı olduğundan CES, destek liderlerinin nabzını tutması gereken önemli bir ölçümdür. Geleneksel olarak müşteri çaba puanı anketleri, deneyimin onlar için ne kadar kolay veya zor olduğunu öğrenmek için müşterilere yolculuklarının önemli dönüm noktalarında (örneğin, satın almayla sonuçlanan bir etkileşimin ardından veya destek ekibinizle bir etkileşimin ardından) gönderilirdi.

Yapay zeka destekli desteğin yer aldığı bu yeni dünyada amaç, müşterilerin çabalarını genel anlamda daha da azaltmaktır. Yapay zeka botları, müşterilerin engelini kaldırmak için hızlı, doğru yanıtlar sunarak ve keyifli bir deneyim sunarak destek deneyimini kolaylaştırma yeteneğine sahiptir. Ancak yapay zekanın gereken müşteri çabası düzeyini nasıl etkilediğini ve müşterilerin diğer alanlarda yüksek düzeyde çaba gösterip göstermediğini tam olarak anlamanız gerekir.

Uç

Bir müşteri, ihtiyaç duyduğu yardımı almanın ne kadar zor veya kolay olduğunu anlamak için AI sohbet robotunuzla etkileşime girdikten sonra bir müşteri çaba puanı anketi göndermeyi düşünün. Botunuzun müşterilerinizin ihtiyaçlarını karşılayıp karşılamadığını ve sorunsuz bir destek deneyimi sağlayıp sağlamadığını ölçmek için bu derecelendirmeleri kullanabilir veya süreci onlar için kolaylaştırmanın yollarını bulmak için potansiyel sürtüşme noktalarını daha derinlemesine inceleyebilirsiniz.

Desteğiniz genelinde kaliteyi nasıl koruyorsunuz?

Kalite güvencesi (QA), herhangi bir destek operasyonunun kritik bir bileşenidir. Müşterileri göze çarpan, tutarlı bir müşteri deneyimiyle memnun etmek için, kuruluşunuzda desteğin nasıl sunulduğunu izlemeniz gerekir.

Destek sunumunun kalitesinin değerlendirilmesi söz konusu olduğunda yapay zeka, geniş ölçekte analiz yürütmek için yeni fırsatların kilidini açar. Her şirketin "kaliteli destek deneyimi"nin ne olduğuna dair kendi yorumu vardır, ancak nasıl ölçüldüğünün öznel doğasına rağmen kalite güvencesi şüphesiz yapay zeka tarafından dönüştürülecektir.

Dahili kalite puanı (IQS)

"Dahili kalite puanı" (IQS), ekibinizin desteği ne kadar iyi sunduğunun bir ölçümüdür ve müşterileriniz yerine kuruluşunuzdaki kişiler tarafından belirlenir. Dahili incelemeciler, müşteri görüşmelerini, şirketiniz için önemli olan bir dizi kriterle ne kadar iyi eşleştiklerine göre puanlar. Bu puanlama sistemi bir "QA puan kartına" yansıtılabilir ve her destek ekibi için benzersizdir.

Yapay zekanın müşteri deneyimine sunulmasıyla birlikte uyarlanmış bir QA sürecine ihtiyaç duyuluyor. Geleneksel olarak dahili kalite puanları, destek temsilcilerinin performansını değerlendirirken, artık ürününüz içinde sınırlamalar olup olmadığını, süreçlerinizin verimli olup olmadığını ve yapay zekanın etkili bir şekilde dağıtım yapıp yapmadığını anlamak için genel müşteri yolculuğuna bakmaya daha fazla ihtiyaç var. ekibinizle konuşmalar.

Örnek oluşturma veya kalite kontrolleri yapma gibi rutin QA görevlerine yardımcı olmak için yapay zekayı benimsemek, destek ekiplerinin kalite güvence süreçlerini ölçeklendirmelerine olanak tanıyacak ve destek teklifleri genelinde sürekli olarak yüksek bir kalite çıtasını karşılamalarını sağlayacaktır.

Uç

IQS'nin müşteri yolculuğu boyunca bireysel performansın bir ölçüsünden hizmet standartlarının bir göstergesine dönüştüğü göz önüne alındığında, QA kriterlerinizi veya puan kartınızı işletmeniz için en önemli alanları yansıtacak şekilde uyarlamayı düşünün.

Örneğin Intercom'da puan kartımızı üç bölüme ayırdık:

• İnsanlar: Uzmanlarımızın doğru şeyi yaptığından emin olmanın eski usul yolu.
• Süreçler: Uyguladığımız süreçlerin doğru olup olmadığına bakar; bu aynı zamanda yapay zeka sohbet robotumuz Fin'in uzmanlarımıza devredilmesine de bakar.
• Ürün: Ürünümüzü müşteri deneyimi açısından daha iyi hale getirmek için ne yapabiliriz?

Değeri nasıl gösterirsiniz

Herhangi bir destek ekibinin, işleri için yarattıkları değere işaret edebilmesi ve bunu üst düzey liderlik ekibine iletebilmesi çok önemlidir. Son yıllarda, müşteri hizmetleri kuruluşlarının algısı bir "maliyet merkezi" olmaktan "değer belirleyici"ye doğru değişti ve yapay zeka destekli desteğin bu yeni doğan çağında, göstermeye nasıl devam edileceğini bilmek önemli olacak ve Destek organizasyonu genelinde yaratılan değerin iletilmesi.

Yatırım getirisi (ROI)

Yatırım getirisi (ROI), bir yatırımın değerini maliyetine göre anlamak için kullanılan bir ölçümdür.

Birçok kuruluşta müşteri hizmetleri geleneksel olarak bir maliyet merkezi olarak görülmüştür. Bu nedenle destek liderleri, personel sayısını yönetme ve yatırım getirisini göstermek için "hizmet maliyeti" gibi ölçümleri kullanma konusunda oldukça bilgilidir. Üretken yapay zekanın gelişiyle birlikte, bu geleneksel yatırım getirisi hesaplamalarından özellikle otomasyon özelliklerinin yatırım getirisine doğru bir değişim bekliyoruz.

"Müşteri hizmetlerinin bu yeni çağında, yapay zeka ve otomasyonun başarılarını anlayabilmek ve raporlayabilmek çok önemli olacak"

Araştırmamız, destek liderlerinin %55'inin yapay zekaya yapılan yatırım ile mevcut destek kaynaklarına yapılan yatırımın nasıl dengeleneceği konusunda endişe duyduğunu gösteriyor. Mükemmel bir otomasyon stratejisi oluşturmak zaman alır, bu nedenle birçok destek lideri için geri adım atmak ve kaynakları ön saflardan bir yapay zeka stratejisine yönlendirmek zorlayıcı olabilir. Ancak bu adımı atan destek ekipleri için önemli bir yatırım getirisi elde edilmesi gerekiyor.

Müşteri hizmetlerinin bu yeni çağında yapay zeka ve otomasyonun başarılarını anlayabilmek ve raporlayabilmek çok önemli olacak. Destek liderlerinin %68'inin yapay zeka ve otomasyon sayesinde tasarruf edilen maliyetlere yönelik bir temel rapor veya başarı ölçümleri uygulamakta zorlandığı göz önüne alındığında, bu, ileriyi düşünen ekiplerin beceri geliştirmeye yatırım yapmayı düşünmesi gereken bir alandır.

Uç

Yapay zeka ve otomasyonun değerini göstermek için ekibinize sağlayacağı zaman ve maliyet tasarrufunu hesaplamayı düşünün. Örneğin, hesaplamayı deneyin:

• Ekibinizin aldığı ve yapay zeka tarafından yönetilebilecek sorguların sayısı.
  Nasıl hesaplanır: Bir mesajda kapatılan konuşmaların sayısını aynı zaman dilimindeki toplam konuşma sayısına bölün ve yüzdeyi bulmak için 100 ile çarpın.
• Ekibinizin her hafta gerçekleştirdiği konuşma aktarımlarının miktarı.
  Nasıl hesaplanır: Devir teslim başına harcanan ortalama süreyi, devir sayısını x ekibinizdeki destek temsilcilerinin sayısını çarpın.
• Destek temsilcilerinin yanıtların taslağını hazırlamak için harcadıkları toplam süre.
  Nasıl hesaplanır: Bir mesaj yazmak için harcanan ortalama süreyi x sorgu sayısını x ekibinizdeki destek temsilcilerinin sayısını çarpın.

Yeni ölçümler ortaya çıkıyor

Geleneksel müşteri hizmetleri ölçümlerinde gördüğümüz değişikliklere ek olarak, yapay zekanın bir sonucu olarak desteğin başarısını ölçmenin yeni yolları da ortaya çıkıyor. Raporlama yaklaşımlarını uyarlamak isteyen destek liderleri, gelişen müşteri hizmetleri çağında doğru şeyleri ölçtüklerinden emin olmak için bu yeni ölçümleri dahil etmeyi düşünmelidir.

Bot katılım oranı

Yapay zeka destekli bir botu kullanıma sunduğunuzda, onun katılım veya kapsama oranını, yani ekibinizin aldığı toplam konuşma sayısı içinde dahil olduğu konuşma sayısını anlamak önemli olacaktır.

Uç

Yapay zeka sohbet robotunuzdan en iyi şekilde yararlanmak için mümkün olduğunca çok sayıda müşteri görüşmesine katılmasını sağlayın. Ancak botun dahil olmasını istemediğiniz ve VIP müşterilere beyaz eldiven desteği sağlamak gibi yalnızca insanlara yönelik bir deneyim yaşamayı tercih ettiğiniz durumlar konusunda dikkatli olmanız gerekir.

Bot etkileşim oranı

Her şeyde olduğu gibi, desteğinizde neyin iyi çalıştığını bilmek değil, aynı zamanda neyin işe yaramadığını da bilmek önemlidir. Müşteriler kasıtlı olarak ekibinizden biriyle konuşmak için botunuzu bir kenara atmaya çalışıyorsa, botunuzun performansını artıracak fırsatlar olabilir.

Uç

Müşterilerinizin etkileşim oranını AI sohbet robotunuzla ölçmeyi ve botun müşterilerinizin sorularını yanıtlayıp yanıtlamadığını veya genel deneyimi iyileştirme fırsatlarının olup olmadığını anlamak için "gerçekleştirilen sonraki eylem" gibi işaretçilere bakmayı deneyin. Örneğin bu, potansiyel bilgi boşluklarını belirlemenize veya botun müşterilerinizi dostane ve yardımsever bir şekilde karşıladığından emin olmak için konuşma tasarımını değerlendirmenize olanak sağlayabilir.

Müşteriler bağlantıyı keserse nedenini anlamak için onlardan geri bildirim istemeyi düşünün. Bu bilgilerle donanmış olarak, etkiyi en üst düzeye çıkarmak için bot deneyiminizde bilinçli değişiklikler yapabilirsiniz.

Konuşmaya dayalı bilgiler

Yapay zeka, yeni verimlilik ve zaman tasarrufu düzeylerinin kilidini açmanın yanı sıra, destek ekiplerine müşteri konuşmalarını yenilikçi yollarla analiz etme yeteneği de sunuyor. Artık yapay zeka, müşteri etkileşimlerinizi gerçek zamanlı ve geniş ölçekte analiz ederek destek ekiplerinin daha önce mevcut olmayan içgörüleri ortaya çıkarmasına ve kuruluşlarında gerçekten etkili "müşterinin sesi" programlarını desteklemesine olanak tanıyor.

Bu kadar büyük hacimli müşteri görüşmelerinden içgörü elde etme yeteneği sayesinde müşterilerinizin işletmenizle olan etkileşimleri hakkında ne hissettiklerini anlayabilir ve ekibinizin proaktif, kişiselleştirilmiş müşteri hizmetleri sağlamaya odaklanmasını sağlayabilirsiniz.

Uç

Müşteri konuşmalarınızın kapsamlı bir analizini yapmak için yapay zekayı kullanın ve bu öğrendiklerinizi aşağıdaki amaçlarla kullanın:

• Desteğiniz genelinde iyileştirilebilecek alanları belirleyin.
• Diğer ekiplerin yinelenen müşteri sorunlarından veya sıkıntılı noktalardan haberdar olmasını sağlayın ve müşterinin sesini şirket içinde savunun.
• Ekibinizin yolculukları boyunca müşterilerinize nerede daha fazla değer katabileceğini anlayın ve proaktif destek sağlamaya odaklanın.

Başarı için müşteri hizmetleri ekibinizi kurma

Yapay zeka, destek liderlerine raporlama yeteneklerini geliştirme, destek kalitesini ve ekiplerinin performansını ölçmenin daha kolay ve daha etkili yollarını ortaya çıkarma ve müşterilerin her zaman mümkün olan en iyi deneyimi elde etmelerini sağlama konusunda büyük bir fırsat sunuyor. Ayrıca destek ekipleri, destek temsilcilerine zaman kazandırmak için yapay zekayı kullanarak, sistemlerini ve süreçlerini iyileştirmek için kullanılabilecek öngörüler elde etmek ve müşteri içgörülerini şirket içinde paylaşmak için topladıkları verilerden yararlanmaya odaklanabilir.

Yükselen müşteri hizmetleri çağında gerçek bir başarı ölçümü elde etmek için ekibinizin zamanlarını nasıl harcadığını anlamak ve işletmeniz için en önemli alanlardaki başarıyı raporlamanın yeni yollarını geliştirmek çok önemli olacaktır.