Müşteri hizmetleri için Conversational AI, konuşmaları ne kadar doğru çözdüğü, müşterilerin sonrasında nasıl hissettiği, insanlara ne kadar temiz aktardığı ve her bir çözülen temasın maliyeti ile ölçülür. Faydalı bir panel bunları bir araya getirir, çünkü çok sayıda sohbeti “tutan” ancak müşterileri kızdıran veya onları başka bir kanal üzerinden geri gönderen bir bot tasarruf sağlamaz.
Bugün müşteri hizmetlerinde Conversational AI nedir?
Serbest metni veya konuşmayı anlayan ve doğal dilde yanıt veren chatbot’ları ve sesli temsilcileri kapsar. Modern sistemler, büyük bir dil modelini bir bilgi tabanıyla ve genellikle sipariş kontrolü veya randevu alma gibi eylemlerle birleştirir.
Yaygın platformlar arasında Zendesk AI temsilcileri, Intercom Fin, Salesforce Agentforce, Microsoft Copilot Studio, Google Customer Engagement Suite, HubSpot’un müşteri temsilcisi ve WhatsApp ile web sitesi sohbeti için birçok küçük araç bulunur. Çoğu kendi analizlerini içerir, ancak bu raporlar genellikle satıcının tercih ettiği sayıları gösterme eğilimindedir.
Hangi KPI’lar gerçekten önemlidir?
Etkililiği, kaliteyi, deneyimi ve maliyeti kapsayan küçük bir set seçin. Daha fazla metrik dikkati dağıtır.
Etkililik
- Tutma oranı: insan aktarımı olmadan biten konuşmaların payı
- Çözüm oranı: müşterinin sorununun anket veya tekrar temas olmadan gerçekten çözüldüğü pay
- Tekrar temas oranı: 72 saat gibi belirli bir pencere içinde aynı sorunla geri gelen müşteriler
Kalite
- Bir kişi tarafından puanlanan gözden geçirilmiş örneklemde yanıt doğruluğu
- Halüsinasyon veya politika ihlali sayısı: gerçekleri uyduran veya kuralları çiğneyen yanıtlar
- Aktarım kalitesi: insan temsilci bağlamı aldı mı, yoksa müşteri her şeyi tekrar mı etti?
Deneyim
- Bot konuşmalarından sonraki CSAT, insan konuşmalarından sonrakilerle karşılaştırıldığında
- Terk etme oranı: konuşmanın ortasında ayrılan müşteriler
- Çözüm süresi
Maliyet
- Platform ücretleri ve bakım için personel süresi dahil olmak üzere çözülen konuşma başına maliyet
- Boşa çıkan insan temsilci saatleri ve bu saatlerin ne için kullanıldığı
Tutma oranı neden tek başına yanıltıcıdır?
Tutma oranı, bir insana ulaşmayan her konuşmayı sayar. Vazgeçip pencereyi kapatan bir müşteri tutulmuş sayılır. Telefon hattını arayan da öyle.
Tutma oranını tekrar temas ve CSAT ile eşleştirin. Tutma oranı artarken tekrar temaslar ve aramalar da artıyorsa, bot işi ortadan kaldırmıyor, başka bir yere itiyor demektir.
Adil bir temel nasıl oluşturulur?
Lansmandan önce eski kurulumu en az bir ay boyunca ölçün: konu bazında hacim, işlem süresi, CSAT ve temas başına maliyet. Bir temel olmadan, her iyileştirme iddiası bir tahmindir.
- Bilet ve sohbet verilerini konu etiketleriyle dışa aktarın
- Konu başına ortalama işlem süresini hesaplayın
- CSAT’ı kanala göre kaydedin
- Karşılaştırmaları bozabilecek mevsimsel zirveleri not edin
Lansmandan sonra, benzer bir dönem boyunca aynı konuları karşılaştırın. Yapabiliyorsanız, botu önce trafiğin bir kısmında çalıştırın ve geri kalanını eski akışta tutun; bu daha temiz bir karşılaştırma sağlar.
Çalışan bir panel nasıl görünür?
Bir sayfa, dört blok, haftalık güncellenir. Liderler onu iki dakika içinde okuyabilmelidir.
- Üst blok: konuşmalar, çözüm oranı, CSAT, çözülen temas başına maliyet, her biri bir trend çizgisi ile
- Konu tablosu: hacme göre sıralanmış konu bazında hacim, çözüm ve CSAT
- Kalite bloğu: haftalık örneklemden doğruluk puanı, politika ihlalleri, aktarım şikayetleri
- Boşluklar listesi: en çok cevapsız kalan sorular ve çözümü düşen konular
Veriler genellikle bot platformundan, yardım masasından ve anket aracından gelir. Looker Studio, Power BI veya yardım masasının kendi raporları gibi araçlar bunları birleştirebilir. Tanımları panelin üzerinde yazılı tutun, böylece “çözüldü” her ay aynı anlama gelsin.
Konuşmalar insanlar tarafından ne sıklıkla gözden geçirilmelidir?
Otomatik metrikler tonu ve ince hataları kaçırır. Haftalık örneklem incelemesi onları yakalar.
- Haftada 30 ila 100 konuşmayı örnekleyin, konulara yayın
- Her birini doğruluk, ton ve doğru aktarım için puanlayın
- Herhangi bir yanlış yanıtı kaydedin ve arkasındaki bilgi kaynağını düzeltin
- İki iyi ve iki kötü örneği destek ekibiyle paylaşın
Çalışılmış bir örnek nasıl görünür?
Ayda yaklaşık 6.000 sohbeti yöneten varsayımsal bir çevrimiçi elektronik mağazasını ele alalım. Lansmandan önce, temeli sipariş durumu sorularının hacmin büyük bir kısmını oluşturduğunu, ortalama işlem süresinin dört dakika olduğunu ve CSAT’ın ekibin her zamanki seviyesinde olduğunu gösteriyor.
AI temsilcisi sipariş durumu üzerinde canlıya geçtikten sonra, panel bu konuda yüksek tutma oranı gösteriyor. Sipariş durumuyla ilgili tekrar temaslar sabit kalıyor ve CSAT sabit duruyor, bu yüzden tutma oranı gerçek görünüyor. İadelerde ise, tutma oranı yüksekken tekrar temaslar iki katına çıkıyor. Örneklemleri incelemek, temsilcinin eski bir yardım sayfasından eski bir iade penceresini alıntıladığını gösteriyor.
Çözüm AI ayarlarında değil. Yardım sayfası güncelleniyor, temsilcinin yanıtları aynı gün değişiyor ve tekrar temaslar ertesi hafta tekrar düşüyor. İyi ölçümün ürettiği model budur: belirli bir sayı belirli bir sayfayı işaret eder ve düzeltme ucuzdur.
Sonuçları liderliğe nasıl raporlarsınız?
Liderler üç şeyi bilmek ister: çalışıyor mu, güvenli mi ve maliyeti ne. Herhangi bir raporun ilk satırlarında bunları yanıtlayın, ardından ayrıntıları aşağıda gösterin.
- Çözüm ve CSAT trendi hakkında bir cümle
- Kalite olayları ve düzeltmeler hakkında bir cümle
- İnsan temeline karşı çözülen temas başına maliyet hakkında bir cümle
Tutma oranını tek başına başarı olarak bildirmekten kaçının. Başka bir kanalda şikayetler arttığında, daha sonra yanlış soruyu davet eder.
Alien Road Conversational AI ölçümünü nasıl uygular
Tipik bir CRM etkileşiminde, keşif ile başlarız: bir aylık biletleri ve sohbetleri dışa aktarmak, onları konuya göre etiketlemek ve temeli oluşturmak. Herhangi bir lansmandan önce müşterinin destek lideri ile tanımları kabul ederiz.
Kurulum, bot platformunu, yardım masasını ve anket verilerini tek bir panele bağlamayı ve haftalık incelemeler için bir örneklem sayfasını içerir. Genellikle önce iki veya üç yüksek hacimli konuda lansman yaparız.
Raporlama başlangıçta haftalık, stabilizasyondan sonra aylıktır. Her rapor dört panel bloğunu, örneklem inceleme bulgularını ve kısa bir bilgi düzeltmeleri listesini gösterir, böylece iyileştirmeler belirli değişikliklere kadar izlenebilir.
Bu hafta nereden başlamalı
Geçen ayın destek verilerini çekin ve konu başına üç sayıyı hesaplayın: hacim, ortalama işlem süresi ve CSAT. Bu sizin temelinizdir. Ardından bot platformunuzun analizlerini açın ve tutma oranını ve çözümü nasıl tanımladığını kontrol edin. Her iki tanımı da yazın. Bu iki adım gelecekteki her raporu dürüst kılar.
Okumaya devam edin: CRM Sistemi · AI Pazarlaması