7 KPI, amivel végre lemérheted, hogyan teljesít ügyfélszolgálatosként az AI

A beszélő IVR-tól a virtuális asszisztensig

Egy év sem telt el azóta, hogy többrészes cikksorozatban bemutattuk minden idők 10 legfontosabb call center mérőszámát, de úgy tűnik, máris bővítenünk kell a sort. Az AI technológia az elmúlt évben olyan gyorsan vette be a hazai ügyfélszolgálatok, call és contact centerek piacát, hogy sok szervezetben már nem is a pilotok, hanem a mindennapi használat eredményét és megtérülését vizsgálgatják.

Cikkünkben 7 olyan mérőszámot ismertetünk, amivel egyre több dolga lesz a piac szereplőinek – nemcsak a cégek vezetőinek, de az ügyfélszolgálati csapatokat, operátori teameket irányító supervisoroknak is.

Ahogy korábbi sorozatunkban, itt sem csupán képleteket és definíciókat sorolunk: megnézzük azt is, mi van a számok mögött, hogyan érdemes értelmezni őket, és hol csúszhatunk el, ha nem összefüggéseikben vizsgáljuk őket. A 7 KPI nemcsak tisztán mesterséges intelligencia megoldásokat, de olyan AI alapú automatizációs eszközöket és rendszereket is minősít, mint a hangos IVR vagy a párbeszéd-flow alapú chatbotok. Vágjunk bele.

1. Önkiszolgáló ügyfelek aránya (Self Service User Rate – SSUR)

Az AI-hoz kapcsolódó mérőszámok vizsgálatakor érdemes ezzel a KPI-jal kezdeni sort, hiszen az SSUR rögtön világosan megmutatja, hogy az ügyfeleink mekkora hányada nyitott egyáltalán az emberi közreműködést kiiktató önkiszolgáló ügyintézésre. A mérőszámban természetesen nemcsak az önkiszolgáló eszközök fejlettsége, de az ügyfelek kommunikációs preferenciái is megmutatkoznak.

Képlet:  (AI lehetőséget választó hívások) / (összes beérkező hívásunk) x 100

Mire figyeljünk?

Bármilyen önkiszolgáló megoldást alkalmazunk, számíthatunk rá, hogy ha ügyintézés közben felajánljuk az operátorhoz kapcsolás lehetőségét, akkor az ügyfelek egy része ott is marad. Szerencse, hogy mindeközben az élő ügyintézőtől is el lehet téríteni az arra nyitottabb ügyfeleket az önkiszolgálás irányába. Egyszerűen el kell helyezni egy tájékoztató üzenetet az operátorok forgatókönyvében arról, hogy az aktuális ügy a virtuális asszisztens vagy más automata megoldás segítségével sokkal gyorsabban bonyolítható. Ez hosszú távon segíthet az önkiszolgáló használati arány növelésében.

2. Automatizált problémamegoldási arány (Automated Contact Resolution Rate – ACRR)

Az ACRR megmutatja, hogy az ügyfélmegkeresések hány százaléka oldható meg automatizált rendszereken keresztül, emberi ügyfélszolgálatos nélkül. Azaz feltárja a mesterséges intelligencia vagy AI alapú algoritmusok hatékonyságát az ügyfélproblémák kezelésében. Így számoljuk ki:

Képlet: AACR = (Automata rendszerrel megoldott hívás / Összes hívás) x 100

Ennek egyik változata az Automata rendszerrel elsőre megoldottügyek aránya (First-Contact Resolution Rate for Automated Services – FCRAS). Azt mutatja meg, mekkora az aránya az első automatizált kontaktus alkalmával azonnal megoldott ügyeknek.

Ez a KPI a korábbi blogsorozatban bemutatott FCR-t, mely az emberi ügyfélszolgálatos teljesítményét vizsgálja, ezúttal az AI-jal támogatott ügyfélszolgálati rendszerek környezetében értelmezi.

Mire figyeljünk?

Mindkét KPI azt pontosságot méri, mellyel a rendszer megragadja, hogy mit is szeretne mondani, közölni, kérdezni vagy elérni a bejelentkező ügyfél. Az automatizált folyamatok valóban segíthetnek abban, hogy az ügyfelek problémája mielőbb megoldódjon, és a hagyományos FCR értékét is javíthatják.

Ehhez azonban gondosan felépített beszélő IVR-ra vagy jól betanított virtuális asszisztensre van szükség. A bevezetésükkel mindenképpen csökkeni fog az operátori hívások száma, mellyel emberi idő szabadul fel, de a nyelvet csak félig beszélő rendszerektől nem várhatjuk az FCR gyors felpörgését.

Fontos: az AI és a humán kollégák munkáját érdemes csapatmunkaként értékelni, ez pedig a célok kitűzését is megváltoztathatja. Lehet például az a törekvésünk, hogy a virtuális asszisztens az egyszerűbb problémák esetében magas FCR-rel dolgozzon, az operátor kollégák pedig az egyetlen hívásból nem megoldható komplex problémákat kezeljék.

Ha ezt a célt választjuk, akkor az operátorokra vonatkozó FCR érték természetesen rosszabb lesz, mint a virtuális asszisztensé, de ebben a tandemben ez így rendben is van. A kettőt ne külön mérjük, hanem mindig egymással összhangban.

3. Az AI átlagos válaszsebessége (Average Speed of Answer by AI – ASAxAI)

Az AI átlagos válaszsebessége megmutatja, hogy az automatizált rendszerek, a virtuális asszisztens, okos IVR vagy a beszélő chatbotok milyen gyorsan válaszolnak az ügyfelek megkereséseire.

Képlet:  (AI-ban töltött hívás idő összesen másodpercben / AI által kezelt hívások száma)

Az automatizált rendszer fontos tulajdonsága, hogy nem téved el benne az ügyfél, kérdéseire a megfelelő választ adja, és ha az mégsem kap hasznos információt,  továbblépteti egy élő operátorhoz. Mint minden KPI, ez a mérőszám is átlagolja a teljesítményt, a szemünk legyen rajta a szélső értékeken is, mert gyakran ezek a legárulkodóbbak.

Mire figyeljünk?

A túl rövid beszélgetések esetén felmerül, hogy az ügyfelek nem elég nyitottak az okos IVR-ral vagy a virtuális asszisztenssel való kommunikációra, tehát az érték valójában elutasítást jelez: az ügyfél negatív attitűdjét a mesterséges intelligenciával szemben.

De nézzük meg a felső 10%-ot is. A túl hosszú beszélgetések arra utalhatnak, hogy az ügyfelek nem kapnak értelmes választ a kérdéseikre, és állandóan újra kell fogalmazniuk őket. Mindkettő komoly hatással lehet az ügyfélelégedettségre.

Egy jól beállított virtuális asszisztens alacsony vagy közepes ASA/AI értéket produkál, miközben az élő operátorok válaszadási ideje vélhetőleg nő, hiszen ők fogják kezelni a meg nem válaszolt kérdéseket. Hosszútávon a két „rendszernek” együttesen csökkentenie kell a csak operátorok alkalmazásával mért ASA értéket.

4. AI-asszisztált keresztértékesítés konverziós aránya (AI-assisted Cross-Sell Conversion Rate – AIxCSCR)

A KPI azt mutatja meg, mennyire hatékony a mesterséges intelligencia a crossell / upsell lehetőségek azonosításában és kihasználásában egy ügyfélinterakció során. Tágabban értelmezve: mennyire tudja támogatni az AI a call centerek, ügyfélszolgálatok, telesales csapatok értékesítési stratégiáját, az ügyfélszokások, a viselkedés feltárásával és adatszerű feldolgozásával.

Képlet: (AI-tól rendelt  Cross-Sellt igénylő hívások száma) / (AI-ban irányított hívások szám) x 100

Mire figyeljünk?

Érdekes, sőt kifejezetten izgalmas mérőszám, bár a jelenlegi viszonyok mellett egyelőre kevesen használják. Az AI kereszt- és továbbértékesítésben csillogtatott kvalitásait még nehéz differenciáltan mérni, hiszen az eredmény egyelőre óhatatlanul magában foglalná az általános használatával, elfogadottságával kapcsolatos attitűdöket is. Várjunk még vele egy kicsit: amikor az AI az ügyfél által is elfogadott, teljes értékű társa lesz az értékesítőnek, érdemes lesz figyelni rá. Ha mégis most szeretnénk nekilátni a mérésének, azt javasoljuk, a mérésével csak olyan ügyfelek esetében kísérletezzünk, akik nem zárkóznak el eleve az AI-jal való kommunikációtól.

5-6. AI sikerességi és pontossági mutatók

Ha arra vagyunk kíváncsiak, milyen hibaaránnyal dolgoznak AI alapú rendszereink, két mérőszámot érdemes bevezetni az ügyfélszolgálati havi riportokba. A Chatbot beszélgetés sikerességi aránya (Chatbot Conversion Succes Rate – ChCSR) a chatbotok vagy beszélő botok eredményesen zárt beszélgetéseinek arányát mutatja meg – vagy másképpen: mennyire ügyesek az ilyen rendszerek az ügyfélproblémák önálló, emberi ügyintéző nélküli kezelésében.

Képlet: (AI-ban sikeres kimenetű terminációval jelölt ügyek ) /(AI-ban kapcsolt ügyek) x 100

Ugyanitt érdemes vizsgálni az AI interakciók pontosságát (AI Accuracy – AIxA), amely a hibákat, félreértéseket eredményező interakciók százalékos arányával jellemzi az AI-rendszerek precizitását.

Képlet:  (AI-ban helyesen értelmezett válaszok száma) /(AI-ban feltett kérdések száma) x 100

Mire figyeljünk?

Mindkét KPI nélkülözhetetlen az AI-technológiák hatékonyságának és megbízhatóságának értékeléséhez és az ügyfélproblémák pontos megértéséhez. És mindkettőt az AI válaszsebességgel (ASA/AI) és az elsőre megoldott problémák arányával (FCR) együtt érdemes figyelni. Minél kifinomultabb és okosabb a chatbotunk vagy virtuális asszisztensünk, az operátorok annál magasabb értéket érnek majd el ezekben a mutatókban.

7. Ügyfél elégedettsége az AI teljesítményével (Customer Satisfaction AI – CSATxAI)

Ez a kissé speciális ügyfélelégedettségi mutató arra ad választ, hogy mennyire jönnek ki jól az ügyfelek az új kollégával, azaz a virtuális asszisztenssel. Nemcsak a technológia használhatósága tükröződik benne, de elvárások, igények, várakozások, az ügyfelek attitűdje, érzései, személyes benyomásai is. Ugyanúgy számítjuk, mint a hagyományos ügyfélelégedettségi mutatót, a CSAT-ot (a képlet és a módszertan korábbi blogposztunkban olvasható), csak az AI-ra vonatkoztatva.

Képlet: (Pozitív értékek / Összes érték) x 100

Mire figyeljünk?

Az ügyfeleknek feltett szondázó kérdésekben egyértelműen meg kell fogalmaznunk, hogy mit értünk pontosa AI szolgáltatás alatt. Hiszen a KPI-t a virtuális asszisztensünk mellett az ügyfélszolgálati chatbot, vagy más intelligens automatizáció teljesítményére is alkalmazhatjuk.

Készüljünk fel rá, hogy az AI-tól eleve elzárkózó ügyfelek nem fognak válaszolni a kérdéseinkre, ezért a mérés előtt meg kell vizsgálnunk a válaszadási hajlandóságot is. Az értékelésnél ugyancsak érdemes figyelembe venni, hogy a kevésbé nyitott ügyfelek egy másik része  megfelelő tapasztalat hiányában haszontalan, esetleg félrevezető válaszokat adhat.

Ezek tehát a pillanatnyilag legjobban használható AI mutatók egy modern, innovatív  ügyfélszolgálat teljesítménymérési rendszerében. A technológia azonban villámgyorsan nyitogatja az új lehetőségek kapuit, így arra számítunk, hogy hamarosan ezt a posztot is frissítenünk kell majd (amit örömmel teszünk meg!).

Ha addig is szeretnél haladni az ügyfélkapcsolataid fejlesztésével, jelentkezz AI tanácsadónk ingyenes konzultációjára!