Skip to content

So verfolgen und verbessern Sie die Erstreaktionszeit nach Kanal und Agent

Entwickelt für Support Ops Leads, CS Managers und QA Leads. Erkennen Sie, welche Agenten und Kanäle die FRT-Ziele dauerhaft verfehlen, und verwandeln Sie diese Analyse in eine wiederkehrende Coaching-Grundlage. Keine einmalige Datenabfrage.

Querri öffnen

Was Sie brauchen

Querri (Kostenlose Testversion) um die FRT pro Ticket zu berechnen, nach Agent und Kanal zu aggregieren und eine sortierte Leistungstabelle zu erstellen

Ticket-/Konversationsexport (CSV oder Excel aus Zendesk, Intercom, Freshdesk oder einem beliebigen Helpdesk) mit Zeitstempel der Ticketerstellung, Zeitstempel der ersten Antwort, zugewiesenem Agenten und Kanal (E-Mail, Chat, Telefon)

FRT-Zielschwellenwerte (Ihre SLA oder internen Ziele pro Kanal, z. B. E-Mail < 4 Std., Chat < 2 Min.). Werden verwendet, um Verstoß-Tickets zu filtern und Agenten nach % verfehlter Ziele zu sortieren

Kostenlose Ressourcen

Starten Sie hier Ihre kostenlose Testversion →

Beispiel-Datensätze

Beispiel-Datensatz Tickets Beispiel-Datensatz Agenten Beispiel-Datensatz Kanäle

Brauchen Sie Hilfe?

Bei Fragen können Sie eine Demo anfordern oder unserem Team eine E-Mail schreiben.

Bevor wir beginnen

Die meisten Teams verfolgen die FRT bereits in irgendeiner Form. Das Problem ist, dass sie meist in einem einmaligen Export steckt, den jemand letztes Quartal gezogen, über alles gemittelt und still abgelegt hat. Er sagt einem Support Ops Lead nicht, welche Agenten regelmäßig zu spät sind. Er sagt einem CS Manager nicht, ob E-Mail oder Chat das größere Problem ist. Und er fließt schon gar nicht in strukturierter Weise in das 1:1-Coaching ein.

Dieses Playbook ist für Support Ops Leads, CS Managers und QA Leads, die die FRT-Analyse in einen wiederholbaren Prozess verwandeln möchten. Einen, der die FRT pro Ticket berechnet, nach Agent und Kanal aggregiert, auf Verstoß-Tickets filtert und eine sortierte Tabelle erstellt, auf deren Basis Ihr Team jede Woche handeln kann.

So funktioniert es:

  • • Laden Sie Ihren Ticket-/Konversationsexport mit Zeitstempel der Ticketerstellung, Zeitstempel der ersten Antwort, zugewiesenem Agenten und Kanal hoch
  • • Führen Sie einen einzigen Prompt aus, um einen vollständigen FRT-Bericht zur Leistung nach Agent und Kanal zu erstellen
  • • Gehen Sie tiefer, um die Korrelationen zu finden, die die Verstoßquote treiben. Bitten Sie Querri, weiter zu graben und aufzudecken, ob Verstöße mit dem Ticketvolumen, der Tageszeit, der Passung von Kanal und Agent oder der Personalkapazität zusammenhängen
  • • Filtern Sie auf Tickets außerhalb Ihrer FRT-Zielschwellenwerte und erstellen Sie eine sortierte Tabelle der Agenten nach % der Tickets, die den Schwellenwert überschreiten
  • • Führen Sie Was-wäre-wenn-Szenarien aus, um die Auswirkungen von Personaländerungen, Kanal-Neugewichtung oder Zielanpassungen zu testen, bevor Sie sich festlegen
  • • Bitten Sie Querri um Empfehlungen zur Verbesserung der FRT-Leistung und erhalten Sie priorisierte, datengestützte Maßnahmen statt allgemeiner Ratschläge
  • • Runden Sie es mit einer Präsentation auf Führungsebene ab oder planen Sie automatisierte Wochenberichte, damit die Leistung ohne manuellen Aufwand sichtbar bleibt

Folgen Sie den Schritten

Querri öffnen →
1 Schritt 1:

Laden Sie Ihre Daten hoch

Exportieren Sie Ihre Daten als CSV oder XLSX aus Zendesk, Intercom oder der von Ihnen genutzten Support-Plattform und laden Sie sie direkt in Querri hoch. Die Datei kommt an und ein automatisches Daten-Audit läuft, das auf fehlende Werte, doppelte Datensätze und inkonsistente Formate bei Zeitstempeln, Agentennamen und Kanalbezeichnungen prüft.

Querri zeigt alles, was es findet, in einem Bericht in einfacher Sprache, damit Sie genau sehen, was vorhanden ist. Wenn es Probleme entdeckt, die es beheben kann (etwa das Normalisieren von Datumsformaten oder das Entfernen doppelter Zeilen), fragt es Sie um Erlaubnis, bevor es Änderungen vornimmt.

Sobald die Daten bereinigt sind, erstellt Querri eine Übersicht des Datensatzes auf hoher Ebene (Ticketvolumen, Kanalaufschlüsselung, Zeitraum, Agentenabdeckung), damit Sie einen klaren Ausgangspunkt haben, bevor eine Analyse beginnt.

2 Schritt 2 (optional):

Berechnen Sie die FRT, filtern Sie das Rauschen heraus

Bitten Sie Querri, die FRT für jedes Ticket als Zeitstempel der ersten Antwort minus Zeitstempel der Ticketerstellung zu berechnen. Bevor es das tut, wenden Sie die entscheidende Plausibilitätsprüfung an: Schließen Sie alle Tickets aus, bei denen keine erste Antwort vorliegt. Andernfalls blähen von Bots bearbeitete und automatisch geschlossene Tickets ohne menschliche Antwort Ihre Zahlen auf und lassen langsame Agenten besser dastehen, als sie sind:

Prompt

"Berechnen Sie die FRT für jedes Ticket als Zeitstempel der ersten Antwort minus Erstellungszeitstempel. Schließen Sie alle Tickets aus, bei denen die erste Antwort fehlt oder null ist — diese wurden von Bots bearbeitet oder automatisch geschlossen und sollten nicht in die FRT-Durchschnitte einfließen."

Querri markiert und entfernt die Rausch-Zeilen automatisch, sodass Ihre FRT-Berechnungen von da an nur noch echte menschliche Antworten widerspiegeln.

3 Schritt 3:

Schließen Sie zuerst die einfache Antwort aus

Bevor Sie nach komplexen Erklärungen suchen, schließen Sie die naheliegende aus. Wenn Teams FRT-Ziele verfehlen, ist der erste Instinkt immer derselbe: Wir brauchen mehr Agenten. Manchmal stimmt das. Oft nicht. So oder so: Die Daten werden es Ihnen sagen.

Prompt

"Gibt es eine Korrelation zwischen Ticketvolumen und Verstoßquote? Stellen Sie beide über den Zeitraum gemeinsam dar."

In diesem Beispiel findet Querri praktisch keine Korrelation. Die Verstoßquote folgt nicht dem Volumen. Das sagt Ihnen etwas Wichtiges: Das Team geht nicht unter. Mehr Personal würde das nicht beheben. Die Ursache ist struktureller Natur, und Sie müssen genauer hinschauen.

4 Schritt 4:

Schauen Sie dann auf die Tageszeit

Wenn das Volumen nicht die Ursache ist, gilt es als Nächstes zu prüfen, wann die Verstöße passieren. Aggregierte Tageszahlen verwischen die stündlichen Muster, und die meisten FRT-Probleme stecken in genau diesen Mustern.

Prompt

"Schlüsseln Sie die Verstoßquote nach Tagesstunde auf. Identifizieren Sie etwaige Spitzenzeiten für Verstöße und nennen Sie mir, welcher Prozentsatz aller Verstöße in diese Zeitfenster fällt."

In diesem Beispiel findet Querri einen scharfen Höhepunkt um 11 Uhr. Etwa 17 % aller Verstöße passieren in dieser einen Stunde. Das ist viel Schmerz, konzentriert auf ein 60-Minuten-Fenster, und es stellt das gesamte Coaching-Gespräch neu auf. Die Frage ist nicht mehr "Warum sind diese Agenten langsam?", sondern "Was passiert um 11 Uhr, und ist es ein Problem von Personal, Routing oder Übergabe?"

Die Lösung für eine 11-Uhr-Spitze ist fast nie Coaching. Es ist fast immer eine Änderung der Schichtplanung, eine Routing-Regel oder eine vorgelagerte Übergabe, die im Stillen scheitert. Nichts davon würden Sie in einem FRT-Bericht Agent für Agent finden.

Vertiefen Sie Ihre Analyse — Korrelation der Verstoßquote nach Tageszeit
5 Schritt 5:

Testen Sie die Lösung, bevor Sie sich darauf festlegen

Sie wissen, wo die Verstöße liegen. Die nächste Frage ist, was eine Behebung tatsächlich bewirken würde. Testen Sie es, bevor Sie sich festlegen. Bitten Sie Querri, eine einfache Umverteilung zu modellieren: Was passiert mit der Gesamtverstoßquote, wenn 50 % der Tickets von Ihren Agenten mit den meisten Verstößen zu denen mit den wenigsten wechseln?

Prompt

"Wenn 50 % der Tickets von den Agenten mit der höchsten Verstoßquote zu den Agenten mit der niedrigsten Verstoßquote umverteilt würden, wie hoch wäre die voraussichtliche Auswirkung auf die Gesamtverstoßquote?"

Querri führt das Szenario gegen Ihre tatsächlichen Ticketdaten aus und liefert eine voraussichtliche neue Verstoßquote zurück. Jetzt haben Sie eine konkrete, belastbare Zahl, die Sie in ein Gespräch über Personal oder Routing einbringen können, statt eines Bauchgefühls.

Führen Sie so viele Varianten aus, wie Sie möchten. Probieren Sie verschiedene Umverteilungsprozentsätze, bestimmte Agenten oder eine Neugewichtung auf Kanalebene aus, bis Sie ein Szenario finden, das die Zahl bewegt und realistisch zu besetzen ist.

Ausgabe des Was-wäre-wenn-Szenarios mit der voraussichtlichen Verstoßquote nach der Ticket-Umverteilung
6 Schritt 6:

Lassen Sie Querri die Empfehlungen schreiben

Die meisten Artikel über die Verbesserung der FRT geben Ihnen dieselben drei Vorschläge: mehr Agenten einstellen, schlauer routen, besser schulen. Nützlich im Abstrakten. Nutzlos, wenn Sie auf ein konkretes 11-Uhr-Verstoßmuster starren und entscheiden müssen, ob die Lösung eine Schichtplanänderung oder eine Coaching-Maßnahme ist. Überspringen Sie also das generische Playbook. Fragen Sie einfach Querri.

Prompt

"Was sind auf Basis all dessen, was Sie gefunden haben, Ihre wichtigsten Empfehlungen zur Verbesserung unserer FRT-Leistung?"

Querri weiß bereits, wo Ihre Verstöße konzentriert sind, welche Tageszeitmuster bestehen und welche Auswirkung eine Umverteilung hätte. Seine Empfehlungen beginnen also nicht bei null. Sie sind direkt mit Ihren Daten verknüpft und nach den Zahlen priorisiert, nicht danach, was in einem Meeting am überzeugendsten klingt.

Vertiefen Sie jede Empfehlung mit Folge-Prompts. Bitten Sie Querri, seine Begründung zu erläutern, die Auswirkung zu beziffern oder zu ermitteln, auf welche Teammitglieder oder Kanäle sie am stärksten zutrifft.

Querri-Empfehlungen — priorisierte Maßnahmen auf Basis der FRT-Analyse
7 Schritt 7:

Bringen Sie es in die QBR

Wöchentliche FRT-Daten sagen Ihnen, was gerade passiert. Quartalsdaten sagen Ihnen, ob das, was Sie dagegen tun, tatsächlich wirkt — und das ist die Frage, die Ihr CFO beantwortet haben möchte. Ziehen Sie drei Monate Ticket-Exporte in Querri und fragen Sie nach der QBR-Version:

Prompt

"Erstellen Sie mit den Daten dieses Quartals eine QBR-fertige Präsentation zur FRT-Leistung. Berücksichtigen Sie die wichtigsten Erkenntnisse, die Trendanalyse, die wesentlichen Verstoßtreiber, die wir identifiziert haben, und unsere wichtigsten Empfehlungen für das nächste Quartal."

Querri erstellt eine strukturierte Präsentation, die Ihr Team direkt in eine Führungsrunde mitnehmen kann. Verstoßtrends, Ursachenzusammenfassung, Ergebnisse der Was-wäre-wenn-Szenarien und ein priorisierter Maßnahmenplan, alles an einem Ort. Keine manuelle Formatierung, kein Start von einer leeren Folie.

Die FRT in die QBR zu bringen, macht sie von einer operativen zu einer strategischen Kennzahl. Die Führung erhält den Kontext, um Entscheidungen über Personal, Tools oder SLA-Ziele zu treffen, statt erst nachträglich auf Beschwerden zu reagieren.

Tipps für besseres FRT-Reporting

Filtern Sie vor der FRT-Berechnung immer Tickets ohne erste Antwort heraus

Dies ist der wichtigste Datenqualitätsschritt in jeder FRT-Analyse, und es ist der, den die meisten Teams überspringen. Ein leerer Zeitstempel der ersten Antwort bedeutet, dass ein Bot, eine Regel zum automatischen Schließen oder ein Self-Service-Ablauf die Konversation bearbeitet hat. Kein Mensch hat sie je angefasst. Diese Zeilen in Ihren Durchschnitt einzubeziehen, ist so, als würden Sie messen, wie schnell Ihr Vertriebsteam Abschlüsse macht, indem Sie alle Leads mitzählen, die es nie angerufen hat. Die Zahl wird besser, aber sie beschreibt nichts Reales mehr. Die Teams mit den am schlechtesten aussehenden FRT-Daten sind manchmal diejenigen, die am ehrlichsten bilanzieren. Machen Sie diesen Filter jedes einzelne Mal zum Bestandteil Ihres Standard-Prompts.

Sortieren Sie nach Verstoßquote und weisen Sie Median und p90 daneben aus

Die durchschnittliche FRT täuscht. Ein einziges Ticket über Nacht kann eine ganze Woche verzerren. Was Sie für das Coaching eigentlich wollen, ist der Prozentsatz der Tickets, bei denen ein Agent den Schwellenwert verfehlt hat, der Median (die typische Erfahrung) und der p90 (womit die langsamsten 10 % Ihrer Kunden zu tun haben). Ein Team mit schnellem Median und hohem p90 hat ein Ausläuferproblem, das der Durchschnitt verbirgt. Zeigen Sie alle drei.

Vergleichen Sie Agenten innerhalb ihres Kanals, nicht kanalübergreifend

Chat-Agenten werden immer schneller aussehen als E-Mail-Agenten. Andere SLAs, andere Kundenerwartungen, gänzlich andere Arbeit. Und wenn Sie schon dabei sind, ergänzen Sie die sortierte Tabelle um den Kontext des Ticketvolumens: Ein Agent, der 8 Tickets bearbeitet und 3 verfehlt hat, ist in einer ganz anderen Lage als einer, der 200 bearbeitet und 70 verfehlt hat. Das Volumen verändert den Rahmen des Gesprächs vollständig.

Machen Sie es wiederkehrend, nicht reaktiv

Eine einmalige Abfrage sagt Ihnen, wer letzten Monat langsam war. Ein wöchentlich geplanter Bericht sagt Ihnen, ob sich etwas ändert. Speichern Sie Ihr Querri-Projekt als Vorlage und führen Sie es nach einem Zeitplan aus.

Häufig gestellte Fragen

Welche Daten muss ich für diese Analyse hochladen?
Einen Ticket- oder Konversationsexport aus Ihrem Helpdesk (Zendesk, Intercom, Freshdesk oder einem anderen) als CSV oder XLSX. Mindestens benötigt er vier Felder: Zeitstempel der Ticketerstellung, Zeitstempel der ersten Antwort, zugewiesener Agent und Kanal. Felder für Priorität, Team und Warteschlange sind nützlich, aber optional. Wenn Ihre Daten in zwei Tools liegen, exportieren Sie jedes einzeln und legen Sie beide Dateien in dasselbe Querri-Projekt. Querri normalisiert und vereinheitlicht sie.
Was passiert während des Daten-Audits von Querri, wenn ich meine Datei hochlade?
Querri durchsucht die Datei nach den Dingen, die die FRT-Analyse unbemerkt zunichtemachen: fehlende Werte in Schlüsselfeldern, doppelte Ticket-Datensätze, inkonsistente Zeitstempelformate, nicht übereinstimmende Agenten- oder Kanalbezeichnungen. Es schreibt alles, was es findet, in eine Zusammenfassung in einfacher Sprache, damit Sie genau sehen, was in den Daten steckt. Bei Problemen, die es automatisch beheben kann (etwa das Vereinheitlichen von Datumsformaten oder das Entfernen exakter Duplikate), fragt es Sie zuerst um Erlaubnis, statt stillschweigend Änderungen vorzunehmen.
Warum filtert Querri Tickets ohne erste Antwort vor der FRT-Berechnung heraus?
Weil sie keine FRT-Daten sind. Ein Ticket mit leerer erster Antwort wurde von einem Bot bearbeitet, automatisch geschlossen oder per Self-Service gelöst. Kein menschlicher Agent hat je darauf reagiert. Diese Zeilen in Ihre FRT-Durchschnitte einzubeziehen, vermischt die Deflection-Leistung mit der menschlichen Antwortleistung, und je aggressiver Ihre Deflection, desto verzerrter wird die Zahl. Ein Team, das 40 % der Tickets ablenkt, kann so aussehen, als hätte es eine hervorragende FRT, obwohl seine tatsächliche menschliche FRT viel schlechter ist. Die Lösung besteht darin, sie vor jeder Berechnung herauszufiltern, nicht danach. Querri tut dies standardmäßig bei jeder Analyse, aber es lohnt sich zu verstehen, warum, damit Sie dieselbe Logik anwenden können, wenn Sie anderswo Daten ziehen.
Querri fand kaum eine Korrelation zwischen Ticketvolumen und Verstoßquote. Was bedeutet das?
Es bedeutet, dass das FRT-Problem kein Kapazitätsproblem ist. Wenn Verstöße eng mit dem Volumen zusammenhingen, wäre die Lösung offensichtlich: einstellen oder die Schichtplanung anpassen. Wenn die beiden nicht korreliert sind, ist die Ursache struktureller Natur. Ein Routing-Problem, eine bestimmte Fehlpassung von Kanal und Agent, ein tageszeitbedingter blinder Fleck oder eine Lücke bei der Übergabe. Deshalb ist der Schritt zur Ursache wichtiger, als die meisten denken. Er sagt Ihnen, wo Sie tatsächlich hinschauen sollten, statt standardmäßig auf die einfache Antwort zurückzugreifen.
Wie funktionieren Was-wäre-wenn-Szenarien in Querri?
Sie beschreiben eine hypothetische Änderung in einfacher Sprache, und Querri führt sie gegen Ihre echten Ticketdaten aus und liefert die voraussichtliche Auswirkung zurück. "Was wäre, wenn 50 % der Tickets von den Agenten mit den meisten Verstößen zu denen mit den wenigsten umverteilt würden?" wird zu einer konkreten Zahl, die Sie in ein Personalgespräch einbringen können. Sie können den Prozentsatz variieren, bestimmte Agenten ins Visier nehmen oder eine Neugewichtung auf Kanalebene modellieren, was immer Sie brauchen, um für oder gegen eine Änderung zu argumentieren.
Wie unterscheiden sich die Empfehlungen von Querri von allgemeinen Best-Practice-Ratschlägen?
Querri schöpft nicht aus einer generischen Liste. Es schöpft aus dem, was es gerade in Ihren Daten gefunden hat. Wenn es eine Verstoßspitze um 11 Uhr erkannt hat, adressiert die Empfehlung genau diese Stunde.
Was steckt in einer von Querri erstellten QBR-Präsentation zur FRT?
Alles aus der Quartalsanalyse, formatiert für eine Führungsrunde: eine Trendzusammenfassung, die zeigt, wie sich FRT und Verstoßquoten über das Quartal entwickelt haben, die wichtigsten Erkenntnisse zur Ursache, die Ergebnisse der Was-wäre-wenn-Szenarien mit voraussichtlicher Auswirkung und eine priorisierte Empfehlungsliste für das nächste Quartal. Der Punkt ist, dass Sie sie direkt ins Meeting mitnehmen können. Keine manuelle Neuformatierung, kein Neuaufbau von Diagrammen, kein Start von einer leeren Folie.
Wie oft sollte ich diese Analyse durchführen?
Wöchentlich für die Verstoßquote und die sortierte Agententabelle (das ist die Coaching-Grundlage). Monatlich für die Ursachen- und Was-wäre-wenn-Arbeit, um zu prüfen, ob die Maßnahmen greifen. Quartalsweise für die vollständige QBR-Abfrage. Speichern Sie jede als Querri-Vorlage, damit die Kadenz von selbst läuft.

Weitere beliebte Ressourcen

Beispiele

Alle Anwendungsfälle durchsuchen

Entdecken Sie, wie andere Teams Querri für die Datenanalyse nutzen.

Blog

Wie agentische KI funktioniert

Erfahren Sie, wie die KI-Agenten von Querri Ihre Datenanalyse verändern.

Demo

Eine Vorführung anfordern

Sehen Sie Querri mit Ihren eigenen Daten in Aktion.

Preise

Pläne vergleichen

Finden Sie den passenden Plan für Einzelpersonen, Teams oder Unternehmen.