Analisis metrik kepuasan pelanggan agen Anda (pratinjau)

Itu Kepuasan Pelanggan tab dari Analitik Halaman ini menyediakan tampilan terperinci data survei kepuasan pelanggan (CSAT), termasuk skor CSAT rata-rata, tema pertanyaan utama pengguna, dan wawasan yang dapat ditindaklanjuti tentang pendorong kepuasan atau ketidakpuasan terhadap tanggapan agen Anda.

Secara default, halaman menampilkan indikator kinerja utama selama tujuh hari terakhir. Untuk mengubah periode waktu, gunakan pemilih tanggal di bagian atas halaman. Anda dapat mengambil data untuk periode apa pun dalam 45 hari terakhir.

Skor Kepuasan Pelanggan

Bagan skor kepuasan pelanggan menyediakan tampilan grafis rata-rata skor CSAT untuk sesi di mana pelanggan menanggapi permintaan akhir percakapan untuk mengikuti survei. Survei CSAT meminta pelanggan untuk menilai pengalaman mereka pada skala 1 hingga 5. Jika pelanggan menanggapi lebih dari satu survei dalam sesi yang sama, hanya survei terbaru yang digunakan.

Bagan ini juga menyediakan indikator perubahan dari periode ke periode. Misalnya, saat Anda memilih periode tiga hari, indikator menunjukkan persentase perubahan relatif terhadap tiga hari sebelum periode yang dipilih. Indikator periode ke periode hanya muncul jika agen Anda memiliki data survei CSAT yang tersedia untuk periode sebelumnya. Jika tidak ada data survei CSAT yang tersedia untuk periode waktu yang sama relatif terhadap apa yang dipilih dalam filter, maka indikator periode ke periode tidak muncul.

Tingkat respons survei CSAT

Bagan tingkat respons survei CSAT menunjukkan jumlah survei akhir percakapan CSAT yang disajikan dan persentase survei yang diselesaikan.

Rincian kepuasan pelanggan (CSAT)

Bagan perincian kepuasan pelanggan menunjukkan persentase sesi yang merasa puas, tidak puas, atau netral dalam periode waktu yang dipilih. Panel status kepuasan pelanggan memberikan detail lebih lanjut tentang berbagai sinyal yang digunakan untuk menentukan status kepuasan sesi.

Skor kepuasan pelanggan

Bagan Status kepuasan pelanggan memberikan wawasan utama tentang tema yang dicari pengguna, dan tingkat kepuasan pengguna terhadap tanggapan agen. Sesi dengan tema serupa dikelompokkan bersama. Bagan menunjukkan jumlah sesi untuk setiap tema selama periode yang dipilih, dan persentase sesi yang puas atau tidak puas. Sesi yang tidak memuaskan dan tidak tidak puas dianggap sebagai sesi netral dan tidak muncul pada bagan ini.

Tema sesi tertentu diturunkan menggunakan model ML. Sebelum dikirim ke dasbor analitik, tema diproses untuk menghapus data pribadi atau informasi sensitif, seperti nomor telepon. Selain itu, jika tema mengandung bahasa yang tidak senonoh atau berbahaya, tema tersebut akan ditutup-tutupi.

Untuk melihat faktor pendorong kepuasan atau ketidakpuasan tertentu, arahkan kursor ke setiap segmen diagram. Jika salah satu kriteria berlaku untuk sesi tertentu, maka sesi tersebut diklasifikasikan sebagai puas atau tidak puas:

• Suatu sesi dianggap tidak memuaskan jika:

  • Pengguna memberi dua bintang atau kurang di akhir percakapan survei.
  • Pengguna diminta untuk mengulang pertanyaannya dua kali atau lebih dari dua kali dalam (topik fallback sistem).
  • Pengguna meninggalkan sesi.
  • Pengguna meningkatkan sesi ke agen langsung.
  • Sentimen keseluruhan pengguna tentang percakapan mereka dengan agen diklasifikasikan sebagai negatif. Sentimen ditentukan menggunakan model ML yang tersedia untuk umum dan disesuaikan untuk analisis sentimen.

• Suatu sesi dianggap memuaskan jika:

  • Pengguna memberi empat bintang atau lebih di akhir percakapan survei.
  • Pengguna tidak diminta untuk mengulang pertanyaannya lebih dari satu kali dalam (topik fallback sistem).
  • Sidang telah diselesaikan.
  • Sentimen keseluruhan pengguna tentang percakapan mereka dengan agen tergolong positif.

Sesi yang tidak memenuhi kriteria di atas dianggap sesi netral dan tidak muncul pada bagan ini.

Pada tab Ringkasan di halaman Analisis , Anda dapat menggunakan ikon Informasi untuk mempelajari lebih lanjut tentang tingkat keterlibatan, eskalasi, pengabaian, dan penyelesaian.

Ekstraksi sentimen tema dan sesi

Copilot Studio menggunakan teknik pemrosesan bahasa alami (NLP) untuk mengekstrak tema dan menetapkan sentimen ke sesi agen tertentu.

Untuk setiap sesi, Copilot Studio mengekstrak tema dari ucapan pengguna pertama. Sesi individual dengan tema serupa digabungkan, dan muncul sebagai satu item pada bagan Status kepuasan pelanggan.

Untuk mengevaluasi sentimen sesi, model NLP yang mendasarinya dilatih pada kumpulan data bahasa Inggris publik. Proses ini menganalisis teks sesi untuk menentukan apakah sentimen keseluruhannya positif, negatif, atau netral. Proses ini juga memproses terlebih dahulu pertanyaan pengguna untuk menghilangkan positif palsu. Misalnya, praproses ini memastikan bahwa pertanyaan seperti "apa pilihan terbaik?" tidak diklasifikasikan sebagai positif hanya karena kata "terbaik" muncul dalam pertanyaan tersebut.