Interactieanalyse Metrics

• Berekening: Het totale aantal afzonderlijke gevallen waarin de klantfrustratie-indicator gelijk is aan 1. Deze indicator geeft aan of er zich in de geselecteerde periode gevallen van klantfrustratie hebben voorgedaan.

• Filters:

  • Medewerkergroep: Agent, Team, Bedrijf

  • Contactgroep: Bedrijf

  • Attributen: NA

• Ondersteunde kanalen: Alle kanalen

• Type metric: historisch

• Richting metric: omlaag, een lagere metric-waarde is het best.

• Gebruiksscenario: Klantfrustratie tijdens interacties herkennen. In een contactcenter is het detecteren van momenten van klantfrustratie cruciaal voor het verbeteren van de servicekwaliteit en de klanttevredenheid. Deze meetwaarde helpt vast te stellen of er tijdens de rapportageperiode interacties waren met een ontevreden klant (waarbij het systeem Client Frustration ID = 1 heeft gemarkeerd). Als een klant bijvoorbeeld tijdens een telefoongesprek of chat herhaaldelijk zijn ontevredenheid uitspreekt – bijvoorbeeld door te klagen over vertragingen of mislukte transacties – wordt de interactie als gefrustreerd gemarkeerd. Door deze meetwaarde bij te houden, kunnen supervisors snel sessies signaleren die mogelijk herziening, coaching van de medewerker of escalatie vereisen.

  Door frustratie-indicatoren te monitoren, kunnen contactcenters het volgende doen:

  • Identificeer de gebieden waar processen of beleidsmaatregelen leiden tot ontevredenheid bij klanten.

  • Neem proactieve stappen om terugkerende problemen op te lossen.

  • Verbeter de training van agenten voor het omgaan met lastige gesprekken.

  • Verbeter de algehele klantervaring door frustratiefactoren te verminderen.

• Berekening: Deze meetwaarde geeft aan of er tijdens de geselecteerde periode een interactie succesvol is afgehandeld.

• Filters:

  • Medewerkergroep: Agent, Team, Bedrijf

  • Contactgroep: Bedrijf

  • Attributen: NA

• Ondersteunde kanalen: Alle kanalen

• Type metric: historisch

• Richting metric: omhoog, een hogere metric-waarde is het best.

• Gebruiksscenario: Door deze meetwaarde bij te houden, kunnen leidinggevenden snel zien of er tijdens de rapportageperiode oplossingen worden gevonden. Een lage waarde geeft aan dat er geen problemen zijn opgelost, wat kan duiden op een achterstand of inefficiëntie in het proces. Door dit te monitoren, kunnen contactcenters de oplossingspercentages verbeteren, herhaalde contacten verminderen en de klanttevredenheid verhogen.

• Berekening: Het totale aantal afzonderlijke interactiesegmenten binnen de geselecteerde periode. Elk segment vertegenwoordigt een deel van een interactie, zoals een telefoongesprek, chatgesprek of andere activiteit via een communicatiekanaal.

• Filters:

  • Medewerkergroep: Agent, Team, Bedrijf

  • Contactgroep: Bedrijf

  • Attributen: NA

• Ondersteunde kanalen: Alle kanalen

• Type metric: historisch

• Richting metric: omhoog, een hogere metric-waarde is het best.

• Gebruiksscenario: In een contactcenter kan een enkel klantgesprek uit meerdere segmenten bestaan, zoals het eerste gesprek met een medewerker, een doorverwijzing naar een specialist en een bevestiging achteraf. Op dezelfde manier kan een chatgesprek bestaan ​​uit afzonderlijke segmenten voor verschillende onderwerpen of escalaties. Het tellen van afzonderlijke segmenten geeft inzicht in hoeveel interactieonderdelen agenten beheren, wat een indicatie kan geven van de complexiteit en de benodigde middelen.

• Berekening: De gemiddelde duur van interactiesegmenten gedurende de geselecteerde periode. Deze waarde wordt berekend door de som van alle afzonderlijke segmentduren te delen door het aantal afzonderlijke segmenten. Het geeft de typische lengte weer van een segment binnen een interactie.

• Filters:

  • Medewerkergroep: Agent, Team, Bedrijf

  • Contactgroep: Bedrijf

  • Attributen: NA

• Ondersteunde kanalen: Alle kanalen

• Type metric: historisch

• Richting metric: omlaag, een lagere metric-waarde is het best.

• Gebruiksscenario: In een contactcenter kan een enkel klantgesprek meerdere onderdelen bevatten, zoals de eerste begroeting, het oplossen van problemen en het doorverwijzen naar een andere afdeling. Als de totale duur van deze segmenten 900 seconden is en er 3 segmenten zijn, is de gemiddelde duur van een segment 300 seconden (5 minuten). Door deze meetwaarde te monitoren, kunnen managers patronen herkennen zoals ongebruikelijk lange stappen bij het oplossen van problemen of korte, gehaaste interacties, waardoor een betere planning van middelen en training mogelijk wordt.

• Berekening: De gemiddelde duur van interactiesegmenten gedurende de geselecteerde periode. Deze waarde wordt berekend door de som van alle afzonderlijke segmentduren te delen door het aantal afzonderlijke segmenten. Het geeft de typische lengte weer van een segment binnen een interactie.

• Filters:

  • Medewerkergroep: Agent, Team, Bedrijf

  • Contactgroep: Bedrijf

  • Attributen: NA

• Ondersteunde kanalen: Alle kanalen

• Type metric: historisch

• Richting metric: omlaag, een lagere metric-waarde is het best.

• Gebruiksscenario: In een contactcenter kan een gesprek stappen voor probleemoplossing omvatten waarbij de agent informatie opzoekt of wacht op systeemreacties, wat resulteert in stilte. Als de totale stilte over alle segmenten 120 seconden bedraagt ​​en er 4 segmenten zijn, dan is de gemiddelde stilte per segment 30 seconden. Een hoog gemiddeld aantal stille reacties kan erop wijzen dat er behoefte is aan betere training van medewerkers, snellere tools of verbeterde processen om klanten betrokken te houden.

Meer informatie

• Berekening: Het percentage interactiesegmenten waarbij de Clientsentiment ID gelijk is aan negatieve sentimenten. Deze waarde wordt berekend door het aantal afzonderlijke segmenten met een sentiment-ID gelijk aan negatieve sentimenten te delen door het totale aantal segmenten. Het geeft het percentage weer van de segmenten die een specifiek sentiment weerspiegelen.

• Filters:

  • Medewerkergroep: Agent, Team, Bedrijf

  • Contactgroep: Bedrijf

  • Attributen: NA

• Ondersteunde kanalen: Alle kanalen

• Type metric: historisch

• Richting metric: omlaag, een lagere metric-waarde is het best.

• Gebruiksscenario: Als in een contactcenter sentimentanalyse segmenten markeert waarin klanten hun tevredenheid als Negatief sentiment uiten, berekent deze metriek welk deel van alle segmenten negatief was. Als er bijvoorbeeld 100 segmenten zijn en 40 daarvan een Negatief sentiment hebben, dan zal de statistiek 40% weergeven. Door dit te monitoren kunnen managers trends in klanttevredenheid volgen, verbeterpunten identificeren en de impact van serviceaanpassingen op de klantperceptie evalueren.

• Berekening: Het percentage interactiesegmenten met een positief Clientsentiment. Deze waarde wordt berekend door het aantal afzonderlijke segmenten met een positief sentiment te delen door het totale aantal segmenten. Het geeft het aandeel weer van segmenten die een specifiek sentiment weerspiegelen.

• Filters:

  • Medewerkergroep: Agent, Team, Bedrijf

  • Contactgroep: Bedrijf

  • Attributen: NA

• Ondersteunde kanalen: Alle kanalen

• Type metric: historisch

• Richting metric: omhoog, een hogere metric-waarde is het best.

• Gebruiksscenario: In een contactcenter, als sentimentanalyse segmenten waarin klanten ontevredenheid uiten als 'Positief sentiment' markeert, berekent deze metriek het aandeel van alle segmenten dat positief was. Als er bijvoorbeeld 200 segmenten zijn en 50 daarvan een Positief sentiment hebben, dan zal de statistiek 25% weergeven. Door dit te monitoren, kunnen managers trends in positief sentiment signaleren, corrigerende maatregelen nemen en de algehele klantervaring verbeteren.

• Berekening: Het percentage interactiesegmenten waarin het Agentsentiment Negatief sentiment is. Deze waarde wordt berekend door het aantal afzonderlijke segmenten met een negatief sentiment ten opzichte van de agent te delen door het totale aantal segmenten. Het geeft aan hoe vaak agenten negatieve gevoelens uiten tijdens interacties.

• Filters:

  • Medewerkergroep: Agent, Team, Bedrijf

  • Contactgroep: Bedrijf

  • Attributen: NA

• Ondersteunde kanalen: Alle kanalen

• Type metric: historisch

• Richting metric: omlaag, een lagere metric-waarde is het best.

• Gebruiksscenario: In een contactcenter kan sentimentanalyse negatieve gevoelens bij een medewerker detecteren wanneer deze grof taalgebruik hanteert, ongeduldig klinkt of frustratie uitdrukt tijdens een gesprek of chat. Als er bijvoorbeeld in totaal 100 segmenten zijn en 8 segmenten een negatief sentiment vertonen (Agentsentiment), dan zal de statistiek 8% weergeven. Door dit te registreren kunnen leidinggevenden patronen van negatieve gevoelens herkennen, coaching bieden en ervoor zorgen dat medewerkers professioneel en empathisch blijven tijdens interacties.

• Berekening: Het percentage interactiesegmenten met een positief Agentsentiment. Dit wordt berekend door het aantal afzonderlijke segmenten dat is gemarkeerd met een positief Agentsentiment te delen door het totale aantal segmenten.

• Filters:

  • Medewerkergroep: Agent, Team, Bedrijf

  • Contactgroep: Bedrijf

  • Attributen: NA

• Ondersteunde kanalen: Alle kanalen

• Type metric: historisch

• Richting metric: omhoog, een hogere metric-waarde is het best.

• Gebruiksscenario: In een contactcenter, als sentimentanalyse segmenten markeert waarin klanten hun tevredenheid als Positief sentiment uiten, berekent deze metriek het aandeel van alle segmenten dat positief was. Als er bijvoorbeeld 200 segmenten zijn en 50 daarvan een Positief sentiment hebben, dan zal de statistiek 25% weergeven. Door dit te monitoren, kunnen managers trends in positief sentiment signaleren, corrigerende maatregelen nemen en de algehele klantervaring verbeteren.

• Berekening: Het percentage interactiesegmenten waarin de klant de interactie begon met een negatief sentiment. Dit wordt berekend door het aantal afzonderlijke segmenten waar een negatief klantensentiment voorkomt te delen door het totale aantal segmenten.

• Filters:

  • Medewerkergroep: Agent, Team, Bedrijf

  • Contactgroep: Bedrijf

  • Attributen: NA

• Ondersteunde kanalen: Alle kanalen

• Type metric: historisch

• Richting metric: omlaag, een lagere metric-waarde is het best.

• Gebruiksscenario: In een contactcenter berekent deze metriek het aandeel van dergelijke segmenten als uit sentimentanalyse blijkt dat een klant een gesprek of chat begint met een boze of gefrustreerde toon (negatief sentiment bij aanvang van de klant). Als er bijvoorbeeld in totaal 100 segmenten zijn en 15 daarvan met een negatief sentiment beginnen, dan zal de statistiek 15% weergeven. Door dit te monitoren, kunnen managers trends in klanttevredenheid aan het begin van interacties begrijpen en stappen ondernemen om de eerste indruk te verbeteren, zoals het verkorten van wachttijden of het uitbreiden van zelfbedieningsopties.

Meer informatie

• Berekening: Het percentage interactiesegmenten waarin de klant de interactie begon met een positief sentiment. Dit wordt berekend door het aantal afzonderlijke segmenten waar het sentiment van de klant bij aanvang positief is, te delen door het totale aantal segmenten.

• Filters:

  • Medewerkergroep: Agent, Team, Bedrijf

  • Contactgroep: Bedrijf

  • Attributen: NA

• Ondersteunde kanalen: Alle kanalen

• Type metric: historisch

• Richting metric: omhoog, een hogere metric-waarde is het best.

• Gebruiksscenario: In een contactcenter berekent deze metriek het aandeel van dergelijke segmenten als uit de sentimentanalyse blijkt dat een klant een gesprek of chat begint met een blije of tevreden toon (positief sentiment bij aanvang van de klant). Als er bijvoorbeeld in totaal 100 segmenten zijn en 40 daarvan met een positief sentiment begonnen, dan zal de statistiek 40% weergeven. Door dit te monitoren, kunnen managers de stemming van de klant aan het begin van de interactie begrijpen en stappen ondernemen om de positieve betrokkenheid te behouden of te verbeteren.

• Berekening: Het percentage interactiesegmenten waarin de klant de interactie met een negatief gevoel beëindigde. Dit wordt berekend door het aantal afzonderlijke segmenten met een negatief Client Sentiment eindigen te delen door het totale aantal segmenten.

• Filters:

  • Medewerkergroep: Agent, Team, Bedrijf

  • Contactgroep: Bedrijf

  • Attributen: NA

• Ondersteunde kanalen: Alle kanalen

• Type metric: historisch

• Richting metric: omlaag, een lagere metric-waarde is het best.

• Gebruiksscenario: In een contactcenter, als sentimentanalyse detecteert dat een klant een gesprek of chat beëindigt met een gefrustreerde of ontevreden toon (Negatief Client Sentiment eindigen), berekent deze statistiek het aandeel van dergelijke segmenten. Als er bijvoorbeeld in totaal 100 segmenten zijn en 20 daarvan een negatief sentiment vertonen, dan zal de statistiek 20% weergeven. Door dit te monitoren kunnen managers interacties identificeren die niet aan de verwachtingen van de klant voldeden en corrigerende maatregelen nemen om de afhandeling en de klantervaring te verbeteren.

• Berekening: Het percentage interactiesegmenten waarin de klant de interactie met een positief gevoel heeft afgesloten. Dit wordt berekend door het aantal afzonderlijke segmenten met een positief Client Sentiment eindigen te delen door het totale aantal segmenten.

• Filters:

  • Medewerkergroep: Agent, Team, Bedrijf

  • Contactgroep: Bedrijf

  • Attributen: NA

• Ondersteunde kanalen: Alle kanalen

• Type metric: historisch

• Richting metric: omhoog, een hogere metric-waarde is het best.

• Gebruiksscenario: In een contactcenter berekent deze metriek het aandeel van dergelijke segmenten als uit de sentimentanalyse blijkt dat een klant een gesprek of chat tevreden afsluit (Positief Client Sentiment eindigen). Als er bijvoorbeeld in totaal 100 segmenten zijn en 60 daarvan een positief sentiment hadden, dan zal de statistiek 60% weergeven. Door dit te monitoren kunnen managers de servicekwaliteit evalueren, best practices identificeren en processen verbeteren, zodat klanten na interacties een positief gevoel hebben.

• Berekening: Het percentage interactiesegmenten waarin de agent de interactie begon met een negatieve houding. Dit wordt berekend door het aantal afzonderlijke segmenten waarin het sentiment van de negatieve agent begint te delen door het totale aantal segmenten.

• Filters:

  • Medewerkergroep: Agent, Team, Bedrijf

  • Contactgroep: Bedrijf

  • Attributen: NA

• Ondersteunde kanalen: Alle kanalen

• Type metric: historisch

• Richting metric: omlaag, een lagere metric-waarde is het best.

• Gebruiksscenario: In een contactcenter kan sentimentanalyse negatieve gevoelens bij een medewerker detecteren aan het begin van een gesprek als de medewerker ongeduldig of gefrustreerd klinkt of grof taalgebruik hanteert. Als er bijvoorbeeld in totaal 100 segmenten zijn en 10 daarvan met een negatief sentiment beginnen, dan zal de statistiek 10% weergeven. Door dit in de gaten te houden, kunnen leidinggevenden patronen van negatieve toon aan het begin van interacties herkennen en corrigerende maatregelen nemen om de professionaliteit en de klantervaring te verbeteren.

• Berekening: Het percentage interactiesegmenten waarin de agent de interactie begon met een positief sentiment. Dit wordt berekend door het aantal afzonderlijke segmenten waar een positief sentiment begint te registreren, te delen door het totale aantal segmenten.

• Filters:

  • Medewerkergroep: Agent, Team, Bedrijf

  • Contactgroep: Bedrijf

  • Attributen: NA

• Ondersteunde kanalen: Alle kanalen

• Type metric: historisch

• Richting metric: omhoog, een hogere metric-waarde is het best.

• Gebruiksscenario: In een contactcenter kan sentimentanalyse aan het begin van een gesprek een positieve houding van de medewerker detecteren als deze de klant hartelijk begroet en enthousiast klinkt. Als er bijvoorbeeld in totaal 100 segmenten zijn en 70 daarvan met een positief sentiment begonnen, dan zal de statistiek 70% weergeven. Door dit in de gaten te houden, kunnen leidinggevenden ervoor zorgen dat medewerkers interacties altijd op een positieve manier beginnen, wat kan leiden tot betere resultaten en een hogere klanttevredenheid.

• Berekening: Het percentage interactiesegmenten waarin de agent de interactie met een negatief sentiment beëindigde. Dit wordt berekend door het aantal afzonderlijke segmenten waarin het sentiment van de agent aan het einde van het traject negatief is, te delen door het totale aantal segmenten.

• Filters:

  • Medewerkergroep: Agent, Team, Bedrijf

  • Contactgroep: Bedrijf

  • Attributen: NA

• Ondersteunde kanalen: Alle kanalen

• Type metric: historisch

• Richting metric: omlaag, een lagere metric-waarde is het best.

• Gebruiksscenario: In een contactcenter kan sentimentanalyse negatieve gevoelens bij een medewerker detecteren aan het einde van een gesprek als de medewerker ongeduldig klinkt, grof taalgebruik hanteert of frustratie uitdrukt voordat het gesprek wordt beëindigd. Als er bijvoorbeeld in totaal 100 segmenten zijn en 12 daarvan een negatief sentiment vertonen, dan zal de statistiek 12% weergeven. Door dit in de gaten te houden, kunnen leidinggevenden patronen van negatieve toon aan het einde van interacties herkennen en corrigerende maatregelen nemen om de klantervaring en de prestaties van de medewerkers te verbeteren.

• Berekening: Het percentage interactiesegmenten waarin de agent de interactie met een positief sentiment heeft afgesloten. Dit wordt berekend door het aantal afzonderlijke segmenten waar het sentiment aan het einde van de agent positief is, te delen door het totale aantal segmenten.

• Filters:

  • Medewerkergroep: Agent, Team, Bedrijf

  • Contactgroep: Bedrijf

  • Attributen: NA

• Ondersteunde kanalen: Alle kanalen

• Type metric: historisch

• Richting metric: omhoog, een hogere metric-waarde is het best.

• Gebruiksscenario: In een contactcenter kan sentimentanalyse een positief sentiment ten opzichte van de medewerker detecteren aan het einde van een gesprek, als de medewerker de klant hartelijk bedankt en extra hulp aanbiedt voordat het gesprek wordt beëindigd. Als er bijvoorbeeld in totaal 100 segmenten zijn en 75 daarvan eindigden met een positief sentiment, dan zal de statistiek 75% weergeven. Door dit in de gaten te houden, kunnen leidinggevenden ervoor zorgen dat medewerkers gedurende de hele interactie, en met name bij de afsluiting, een positieve toon aanhouden. Dit laat een blijvende indruk achter op klanten.

• Berekening: De totale som van alle afzonderlijke klanttevredenheidssegmenten die gedurende de geselecteerde periode zijn geregistreerd. Elk segment-ID vertegenwoordigt een uniek interactiesegment waarin het sentiment van de klant is geanalyseerd. Deze meetwaarde aggregeert in wezen de unieke sentimentgerelateerde segmenten om een ​​totaal aantal sentimentgebeurtenissen te geven.

• Filters:

  • Medewerkergroep: Agent, Team, Bedrijf

  • Contactgroep: Bedrijf

  • Attributen: NA

• Ondersteunde kanalen: Alle kanalen

• Type metric: historisch

• Richting metric: omhoog, een hogere metric-waarde is het best.

• Gebruiksscenario: In een contactcenter kan een enkel gesprek meerdere segmenten bevatten, zoals begroeting, probleemoplossing en afsluiting, die elk op sentiment worden geanalyseerd. Als sentimentanalyse in het ene gesprek 3 unieke segmenten identificeert en in het andere 2, dan telt deze metriek de ID's van die afzonderlijke segmenten op voor alle interacties. Door dit te monitoren, kunnen managers begrijpen hoe vaak sentimentanalyse wordt toegepast en hoeveel segmenten bijdragen aan de algemene sentimenttrends.

• Berekening: De totale som van alle afzonderlijke sentimentsegmenten van agenten die gedurende de geselecteerde periode zijn geregistreerd. Elk segment-ID vertegenwoordigt een uniek interactiesegment waarin het sentiment van de agent is geanalyseerd. Deze meetwaarde aggregeert de unieke sentimentgerelateerde segmenten om een ​​totaal aantal segmenten te geven dat verband houdt met het sentiment van de agent.

• Filters:

  • Medewerkergroep: Agent, Team, Bedrijf

  • Contactgroep: Bedrijf

  • Attributen: NA

• Ondersteunde kanalen: Alle kanalen

• Type metric: historisch

• Richting metric: omhoog, een hogere metric-waarde is het best.

• Gebruiksscenario: In een contactcenter kan een enkel gesprek meerdere segmenten bevatten, zoals begroeting, probleemoplossing en afsluiting, die elk worden geanalyseerd op de stemming van de medewerker. Als sentimentanalyse in het ene gesprek 3 unieke segmenten identificeert en in het andere 2, dan telt deze metriek de ID's van die afzonderlijke segmenten op voor alle interacties. Door dit te monitoren, kunnen managers begrijpen hoe vaak sentimentanalyse door agenten wordt toegepast en hoeveel segmenten bijdragen aan de algemene sentimenttrends.