Mesurer ia conversationnelle : kpi et tableaux de bord

Elle couvre les chatbots et les agents vocaux qui comprennent le texte libre ou la parole et répondent en langage naturel. Les systèmes modernes combinent un grand modèle de langage avec une base de connaissances et, souvent, des actions telles que la vérification d’une commande ou la prise de rendez-vous.

Les plateformes courantes incluent les agents IA de Zendesk, Intercom Fin, Salesforce Agentforce, Microsoft Copilot Studio, Google Customer Engagement Suite, l’agent client de HubSpot et de nombreux outils plus petits pour WhatsApp et le chat sur site web. La plupart incluent leurs propres analyses, mais ces rapports ont tendance à montrer les chiffres préférés du fournisseur.

Choisissez un petit ensemble qui couvre l’efficacité, la qualité, l’expérience et le coût. Plus de mesures diluent l’attention.

Efficacité

• Taux de confinement : part des conversations qui se terminent sans transfert humain
• Taux de résolution : part où le problème du client a été réellement résolu, confirmé par enquête ou par l’absence de contact répété
• Taux de contact répété : clients qui reviennent pour le même problème dans un délai défini, comme 72 heures

Qualité

• Précision des réponses sur un échantillon révisé, notée par une personne
• Nombre d’hallucinations ou de violations de politique : réponses ayant inventé des faits ou enfreint des règles
• Qualité du transfert : l’agent humain a-t-il reçu le contexte, ou le client a-t-il dû tout répéter ?

Expérience

• CSAT après les conversations avec le bot, comparé au CSAT après les conversations humaines
• Taux d’abandon : clients qui partent en milieu de conversation
• Temps de résolution

Coût

• Coût par conversation résolue, incluant les frais de plateforme et le temps du personnel pour la maintenance
• Heures d’agent humain libérées, et à quoi ces heures ont été utilisées

Le confinement compte toute conversation qui n’a pas atteint un humain. Un client qui abandonne et ferme la fenêtre compte comme contenu. De même pour celui qui appelle la ligne téléphonique à la place.

Associez le confinement au contact répété et au CSAT. Si le confinement augmente alors que les contacts répétés et les appels augmentent aussi, le bot déplace le travail ailleurs, il ne l’élimine pas.

Mesurez l’ancienne configuration pendant au moins un mois avant le lancement : volume par sujet, temps de traitement, CSAT et coût par contact. Sans base de référence, chaque affirmation d’amélioration est une supposition.

• Exportez les données de tickets et de chats avec des balises de sujet
• Calculez le temps de traitement moyen par sujet
• Enregistrez le CSAT par canal
• Notez les pics saisonniers qui pourraient fausser les comparaisons

Après le lancement, comparez les mêmes sujets sur une période similaire. Si vous le pouvez, faites fonctionner le bot sur une partie du trafic d’abord et gardez le reste sur l’ancien flux ; cela donne une comparaison plus propre.

Une page, quatre blocs, mis à jour chaque semaine. Les dirigeants devraient pouvoir le lire en deux minutes.

• Bloc supérieur : conversations, taux de résolution, CSAT, coût par contact résolu, chacun avec une ligne de tendance
• Tableau des sujets : volume, résolution et CSAT par sujet, triés par volume
• Bloc qualité : score de précision de l’échantillon hebdomadaire, violations de politique, plaintes de transfert
• Liste des lacunes : principales questions sans réponse et sujets avec une résolution en baisse

Les données proviennent généralement de la plateforme du bot, du helpdesk et de l’outil d’enquête. Des outils comme Looker Studio, Power BI ou les propres rapports du helpdesk peuvent les combiner. Gardez les définitions écrites sur le tableau de bord lui-même, afin que « résolu » signifie la même chose chaque mois.

Les mesures automatisées manquent le ton et les erreurs subtiles. Une revue d’échantillon hebdomadaire les attrape.

• Échantillonnez 30 à 100 conversations par semaine, réparties sur les sujets
• Notez chacune pour la précision, le ton et le transfert correct
• Enregistrez toute mauvaise réponse et corrigez la source de connaissances derrière elle
• Partagez deux bons et deux mauvais exemples avec l’équipe de support

Prenons une boutique d’électronique en ligne hypothétique qui gère environ 6 000 chats par mois. Avant le lancement, sa base de référence montre que les questions sur le statut de la commande constituent une grande part du volume, avec un temps de traitement moyen de quatre minutes et un CSAT autour du niveau habituel de l’équipe.

Après la mise en ligne de l’agent IA sur le statut de la commande, le tableau de bord montre un confinement élevé sur ce sujet. Les contacts répétés sur le statut de la commande restent stables et le CSAT reste stable, donc le confinement semble réel. Sur les retours, cependant, le confinement est élevé alors que les contacts répétés doublent. L’examen des échantillons montre que l’agent cite une ancienne fenêtre de retour provenant d’une page d’aide obsolète.

La solution n’est pas dans les paramètres de l’IA. La page d’aide est mise à jour, les réponses de l’agent changent le même jour, et les contacts répétés retombent la semaine suivante. C’est le modèle que produit une bonne mesure : un chiffre spécifique pointe vers une page spécifique, et la correction est bon marché.

Les dirigeants veulent savoir trois choses : est-ce que ça marche, est-ce sûr et combien ça coûte. Répondez à cela dans les premières lignes de tout rapport, puis montrez les détails en dessous.

• Une phrase sur la tendance de la résolution et du CSAT
• Une phrase sur les incidents de qualité et les correctifs
• Une phrase sur le coût par contact résolu par rapport à la base de référence humaine

Évitez de rapporter le confinement seul comme un succès. Cela invite à la mauvaise question plus tard, lorsque les plaintes augmentent sur un autre canal.