Как правильно считать ключевые метрики клиентского сервиса: FRT, TTR, AHT, CSAT

В статье описаны метрики клиентского сервиса и как меняется их расчет при использовании ботов. По каждой метрике приведён пример расчета.

Ключевые метрики обслуживания клиентов

FRT, TTR и AHT — это ключевые метрики обслуживания клиентов, которые помогают оценивать эффективность работы службы поддержки:

• FRT (First Response Time) — время, которое проходит с момента получения запроса клиентской службой до первого ответа на него. Это показатель скорости реакции, считается среднее значение.
• AHT (Average Handle Time) — среднее время обработки одного запроса, включая время общения с клиентом и пост-обработку (например, составление отчётов).
• TTR (Time to Resolution) — время, которое требуется для полного решения проблемы клиента, начиная с момента поступления запроса.

Пример:

Клиент отправляет запрос в службу поддержки в 12:00.
Первый ответ от службы приходит в 12:10 — это FRT.
FRT = 10 минут.
Общение с клиентом длилось 15 минут, и ещё 5 минут сотрудник потратил на запись отчета. Итого AHT = 20 минут.
Проблему решают окончательно в 14:00 — это TTR, который равен 2 часам.
TTR = 2 часа.

Как считать:

С внедрением ИИ метрики FRT, AHT и TTR необходимо считать раздельно для людей и ботов, чтобы адекватно оценить их продуктивность.

Оценка автоматизации

ИИ помогает автоматизировать до 50% клиентских запросов. Для оценки используются следующие метрики:

• NST (Number of Support Tickets) — количество запросов, поступивших в службу поддержки за определённый период. Это показатель нагрузки на службу и востребованности поддержки.
• ROAR (Rate of Automated Resolution) — доля запросов, решённых автоматически, без участия человека. Этот показатель демонстрирует эффективность внедрённых автоматизированных решений (например, чат-ботов).

Пример:

В течение дня в службу поддержки поступило 200 запросов.
NST = 200.
Из них 80 запросов было успешно решено автоматически.
ROAR = 80 / 200 = 40%.

Оценка клиентского опыта

Метрики удовлетворенности клиентов (CSAT), лояльности (NPS) и усилий (CES) остаются важными для оценки влияния ИИ на клиентский опыт. Использование ИИ позволяет анализировать комментарии клиентов и автоматизировать обработку отзывов.

• CSAT (Customer Satisfaction Score) — метрика удовлетворенности клиентов, измеряемая через опросы после взаимодействия с поддержкой. Клиенты оценивают свой опыт по шкале (обычно от 1 до 5 или 1 до 10).
• NPS (Net Promoter Score) — показатель лояльности клиентов, отражающий вероятность того, что клиент порекомендует компанию другим. Клиенты отвечают на вопрос: "Насколько вероятно, что вы порекомендуете нас?" оценивая от 0 до 10. NPS рассчитывается как разница между процентом промоутеров (оценки 9-10) и критиков (оценки 0-6).
• CES (Customer Effort Score) — метрика усилий клиента, показывающая, насколько легко ему было решить свою проблему. Клиенты оценивают, насколько сложно было взаимодействие (например, по шкале от 1 до 5).

Пример:

После взаимодействия с поддержкой клиент оценил опыт на 8 из 10 (CSAT = 8/10).
На вопрос о рекомендациях клиент дал 9 (NPS = 9 — это промоутер).
Клиент сказал, что решение его проблемы потребовало минимальных усилий, оценив их на 2 из 5 (CES = 2/5).

Новые метрики в поддержке

С развитием ИИ появляются новые способы измерения успеха службы поддержки:

• Уровень вовлеченности бота — отслеживается, сколько диалогов обрабатывает бот по сравнению с общим числом взаимодействий. Рекомендуется подключать ИИ ко многим взаимодействиям, но исключать случаи, где необходимо человеческое участие, например, с VIP-клиентами.
• Удовлетворенность клиентов от взаимодействия с ботом — если клиенты стараются обойти бота для общения с саппортом, это сигнализирует о необходимости улучшения его работы. Полезно следить за действиями клиентов после общения с ботом и добавлять опросы для получения обратной связи.
• Инсайты по взаимодействию — ИИ способен анализировать взаимодействия с клиентами в реальном времени, что помогает выявлять проблемы и учитывать «голос клиента». Это позволяет понимать настроение клиентов и сосредоточиться на проактивном персонализированном сервисе.

Итоги

ИИ открывает новые возможности для улучшения аналитики и повышения производительности команд. Важно также пересмотреть распределение времени команды и разработать новые методы оценки работы поддержки.