Skip to content

Cómo analizar los factores del volumen de tickets para reducir los contactos repetidos

Identifique qué categorías de tickets generan la mayor cantidad de contactos repetidos, cuantifique la oportunidad de desvío y llegue a su próxima reunión de planificación con números en lugar de intuiciones.

Abrir Querri

Lo que necesitará

Querri (Prueba gratuita) para conectar sus datos de tickets, ejecutar el análisis y generar la tabla de oportunidades de desvío

Exportación de tickets de soporte — CSV desde Zendesk, Intercom, Freshdesk o Salesforce Service Cloud con etiqueta de asunto/motivo, categoría, área de producto, fecha de creación y tipo de resolución

Opcional: vistas de artículos de KB — una exportación aparte con el título del artículo, el ID del artículo y el recuento de vistas (necesaria para el Paso 5)

Recursos gratuitos

Empiece su prueba gratuita aquí →

Conjuntos de datos de ejemplo

Tickets de soporte Clientes Vistas de la base de conocimiento Actividad de tickets

¿Necesita ayuda?

Si tiene alguna pregunta, puede solicitar una demo o escribir a nuestro equipo.

Antes de empezar

El ticket más caro es el segundo sobre el mismo problema. Los contactos repetidos consumen personal, deprimen el CSAT y señalan que algo más arriba (un punto de fricción del producto, una brecha en la base de conocimiento, un proceso roto) no se está corrigiendo.

El problema rara vez es la motivación. La mayoría de los responsables de soporte quieren abordar las causas de raíz. El problema es la evidencia: saber qué categorías generan el mayor volumen de contactos repetidos, cómo se compara eso con lo que está en tendencia y dónde debería existir el autoservicio pero no existe. Esta guía le muestra cómo obtener esa evidencia: empezando por una exportación de tickets en bruto y terminando con un gráfico de barras y una tabla priorizada de oportunidades de desvío sobre la que su equipo puede actuar.

Cómo funciona:

  • • Conecte una exportación CSV desde su servicio de asistencia (Zendesk, Intercom, Freshdesk, Salesforce Service Cloud) o use una Data Connection en vivo
  • • Ejecute cinco prompts para pasar de los datos de tickets en bruto a un desglose de volumen por categoría, la dirección de la tendencia y una tabla de oportunidades de desvío
  • • Si sus etiquetas son inconsistentes o están muy concentradas en "Other", use la herramienta Categorize para encontrar patrones reales en el propio texto de los tickets, sin necesidad de una taxonomía limpia para empezar
  • • Opcionalmente, una los datos de vistas de artículos de KB para identificar brechas de autoservicio: categorías sobre las que los clientes contactan con soporte pero no encuentran respuestas en su centro de ayuda
  • • Exporte a Excel y lleve una tabla priorizada a su próxima reunión de hoja de ruta o de planificación de contenido

Siga los pasos

Abrir Querri →
1 Paso 1:

Cargue sus datos de tickets

Empiece cargando una exportación CSV desde su servicio de asistencia: Zendesk, Intercom, Freshdesk o Salesforce Service Cloud funcionan todos. Querri perfila el archivo automáticamente y lo prepara para el análisis. No se requiere reformatear nada.

Si su servicio de asistencia admite una conexión de datos directa, consulte la página de integraciones de Querri; las fuentes conectadas se mantienen actualizadas sin exportaciones manuales.

Columnas necesarias: etiqueta de asunto/motivo, categoría, área de producto, fecha de creación y tipo de resolución. El ID o correo del cliente es opcional, pero necesario para el análisis de contactos repetidos en la sección Profundizar más, abajo.

2 Paso 2:

Agrupe y cuente los tickets por categoría y etiqueta en una ventana móvil de 90 días

Con sus datos conectados, ejecute este prompt para obtener su línea base de volumen: qué combinaciones de categoría y etiqueta generan más contactos durante el último trimestre.

Prompt

"Agrupa los tickets por categoría y etiqueta de asunto/motivo en una ventana móvil de 90 días. Muestra el recuento total de tickets de cada combinación, ordenado por volumen de mayor a menor."

¿Por qué 90 días? Es lo bastante largo para suavizar la variación semanal y lo bastante corto para reflejar la realidad actual del producto y del proceso. Esta es su línea base antes de cualquier otra cosa.

3 Paso 3:

Identifique las 10 categorías principales por volumen y dirección de la tendencia

El volumen por sí solo no le dice dónde enfocarse. Añadir la dirección de la tendencia muestra qué categorías están creciendo frente a las que se estabilizan, lo que cambia cómo prioriza.

Prompt

"A partir de los datos de tickets, identifica las 10 categorías principales por volumen total de tickets en los últimos 90 días. Para cada categoría, calcula el volumen de los 30 días más recientes en comparación con los 30 días anteriores y etiqueta la tendencia como Creciente, Estable o Decreciente."

Una categoría estable de alto volumen es candidata para invertir en desvío. Una que saltó un 40 % el mes pasado puede necesitar investigación inmediata. La etiqueta de tendencia es cómo establece las prioridades.

4 Paso 4:

Calcule el % del volumen total que representa cada categoría

Este es su visual de salida principal: un gráfico de barras que responde a la pregunta con la que comienza toda conversación de desvío: "¿Qué estamos resolviendo realmente y qué tamaño tiene cada pieza?"

Prompt

"Para las 10 categorías principales de tickets, calcula qué porcentaje del volumen total de tickets representa cada una en la ventana de 90 días. Muéstralo como un gráfico de barras ordenado por volumen, con el porcentaje etiquetado en cada barra."

Luego exporte la tabla de oportunidades de desvío: pida a Querri que formatee las 10 categorías principales con volumen, dirección de la tendencia, potencial de desvío estimado (Alto / Medio / Bajo) y tipo de acción recomendada (Artículo de KB, Guía dentro de la aplicación, Corrección de producto o Cambio de proceso), y que la exporte a Excel. Llévela a su próxima reunión de hoja de ruta o de planificación de contenido.

Comprobación de coherencia: anote qué porcentaje de tickets están etiquetados como "Other" o "General". Si es del 30 % o más, márquelo en su salida: al gráfico le falta señal. Vea la sección Profundizar más, abajo, para saber cómo recuperarla.

Paso 4: % del volumen total de tickets por categoría — salida en gráfico de barras
5 Paso 5 (Opcional):

Una los datos de vistas de artículos de KB para revelar categorías de alto volumen con bajo uso de autoservicio

Este paso revela las oportunidades de desvío más claras: categorías sobre las que los clientes contactan con soporte, pero para las que no encuentran respuestas en su centro de ayuda.

Prompt

"Conecta los datos de vistas de artículos de la base de conocimiento. Únelos a las categorías de tickets principales del análisis de tickets de soporte. Para cada categoría de alto volumen, identifica si existe un artículo de KB correspondiente y cuántas veces se vio en el mismo período de 90 días. Marca las categorías donde el volumen de tickets es alto pero las vistas de artículos de KB son bajas o donde no existe ningún artículo."

Una categoría de alto volumen con cero o casi cero vistas de KB es una fuerte señal de que el contenido no existe, no se encuentra o no resuelve el problema. Ahí es donde debería ir primero su inversión en contenido.

💡

Convierta su análisis en una presentación. Cuando termine, pida a Querri que lo empaquete como una presentación de diapositivas; reunirá sus gráficos, el desglose por categoría y la tabla de oportunidades de desvío en una presentación estructurada que puede compartir directamente con su equipo o su dirección.

Profundizar más

Añada estructura a los tickets individuales

Los cinco pasos anteriores le dan patrones agregados: qué categorías, cuánto volumen, qué tendencias. Cuando necesita ir fila por fila y entender qué ocurre a nivel de ticket individual, las herramientas Researcher y Categorize le dan tres opciones adicionales.

Researcher

Clasifique los tickets por potencial de autoservicio

El potencial de desvío agregado del Paso 4 es una estimación. El Researcher aplica esa clasificación fila por fila frente al contenido real del ticket, dándole un número más defendible de cuánto volumen es realmente desviable.

Prompt

"Añade una columna 'Potencial de autoservicio' a cada ticket, clasificándolo como: Totalmente autoservible, Parcialmente autoservible o Requiere agente."

Researcher

Marque los contactos repetidos a nivel de ticket

Una vez marcados, puede filtrar solo los contactos repetidos y ejecutar cualquiera de los prompts anteriores sobre ese subconjunto. Algunas categorías tienen un volumen total bajo pero tasas de repetición muy altas, lo que significa que el problema sistemáticamente no se resuelve.

Prompt

"Añade una columna 'Contacto repetido' que marque cualquier ticket de un cliente que haya enviado un ticket en la misma categoría dentro de los 7 días anteriores. Etiqueta los tickets marcados como Sí e incluye el ID del ticket original."

Categorize

Recupere señal de etiquetas desordenadas o genéricas

Si su comprobación de coherencia reveló un volumen significativo de "Other" o "General", esta es la vía de recuperación. Categorize lee el texto en bruto de los tickets y encuentra agrupaciones naturales, sin exigirle definir primero las categorías.

Prompt

"¿Cuáles son los temas principales en las descripciones de los tickets actualmente etiquetados como 'Other' o 'General'?"

Consejos para un mejor análisis

Compruebe la higiene de las etiquetas antes de empezar

Antes de sacar conclusiones de su desglose por categoría, compruebe qué porcentaje de tickets cae en "Other" o en una categoría genérica. Si es del 30 % o más, anótelo explícitamente en su salida y use la herramienta Categorize para recuperar la señal que falta, pero no espere a tener una taxonomía perfecta para comenzar.

Use la ventana de 90 días como su línea base predeterminada

La ventana de 90 días suaviza la variación semanal sin dejar de reflejar la realidad actual. Las ventanas más cortas son más ruidosas; las más largas pueden ocultar cambios recientes de producto o proceso que están impulsando activamente el volumen al alza o a la baja.

Lleve la tabla, no solo el gráfico

El gráfico de barras responde a "qué estamos resolviendo". La tabla de oportunidades de desvío responde a "qué hacemos al respecto". Ambos son necesarios para una reunión de planificación productiva. No comparta uno sin el otro.

Los problemas de producto son grandes resultados, no fracasos

Cuando el análisis apunta a un problema de producto en lugar de a una brecha de contenido, ese es el mejor resultado posible: le da a su equipo evidencia cuantificada para llevar a ingeniería, no solo anécdotas. La exportación está diseñada exactamente para esta conversación.

Las etiquetas son un punto de partida, no un requisito previo

No necesita una taxonomía limpia para empezar. Incluso cuando las etiquetas son inconsistentes, Querri puede trabajar a partir del texto en bruto de los tickets para encontrar patrones reales. Use la herramienta Categorize en cualquier categoría genérica para revelar lo que realmente hay dentro y luego corrija la práctica de etiquetado en adelante.

Ejecútelo mensualmente; haga una revisión completa cada trimestre

Una vez que lo haya ejecutado la primera vez, las ejecuciones posteriores toman menos de 10 minutos. Mensualmente comprueba si las tendencias han cambiado. Cada trimestre hace una revisión completa de las oportunidades de desvío para evaluar si sus inversiones se reflejan en los números.

Preguntas frecuentes

¿Cómo reduzco los contactos repetidos en la atención al cliente?
La forma más eficaz de reducir los contactos repetidos es identificar qué categorías de tickets tienen las mayores tasas de recontacto y abordar la causa de raíz, ya sea un artículo de base de conocimiento que falta, un flujo de producto poco claro o un proceso que no logra resolver el problema en el primer contacto. Empiece agrupando los tickets por categoría y etiqueta en una ventana móvil de 90 días y luego marque cualquier ticket de un cliente que haya enviado uno en la misma categoría dentro de los 7 días. Las categorías con bajo volumen total pero alta tasa de repetición son sus correcciones de mayor prioridad: sistemáticamente no se están resolviendo, lo que significa que los clientes vuelven una y otra vez.
¿Cómo identifico las causas de raíz del alto volumen de tickets de soporte?
Los factores del volumen de tickets suelen caer en tres categorías: brechas de conocimiento (los clientes no encuentran la respuesta), fricción de producto (el producto es confuso o está roto) y brechas de proceso (la resolución de su equipo no perdura). La forma más rápida de identificar cuál impulsa su volumen es agrupar los tickets por categoría y etiqueta en una ventana de 90 días y calcular qué porcentaje del volumen total representa cada categoría. Las categorías estables de alto volumen suelen tener una corrección de conocimiento o de proceso disponible. Las categorías con un volumen que aumenta de forma pronunciada suelen apuntar a un cambio reciente de producto o a una nueva fricción, y necesitan investigación antes de invertir en contenido.
¿Qué es la tasa de desvío en la atención al cliente y cómo la mejoro?
La tasa de desvío es el porcentaje de contactos de soporte potenciales que los clientes resuelven por su cuenta, mediante un artículo de base de conocimiento, una guía dentro de la aplicación o un flujo de autoservicio, sin llegar a un agente. Para mejorarla, necesita saber qué categorías de tickets tienen alto potencial de desvío (preguntas claras y respondibles que no requieren el criterio de un agente) y dónde falta su contenido de autoservicio o es ineficaz. Unir los datos de volumen de tickets a los datos de vistas de artículos de KB revela estas brechas directamente: una categoría de alto volumen con pocas o ninguna vista de KB correspondiente significa que los clientes contactan con soporte porque no encuentran la respuesta, no porque la respuesta no exista.
¿Cómo construyo un caso de negocio para invertir en base de conocimiento o autoservicio usando los datos de tickets?
El caso de negocio de autoservicio más persuasivo combina tres números: el volumen total de tickets de la categoría objetivo en 90 días, la tasa de contactos repetidos de esa categoría y un potencial de desvío estimado (Alto / Medio / Bajo, según si el problema tiene una respuesta clara y estable). Una categoría con 800 tickets, una tasa de repetición del 30 % y un alto potencial de desvío constituye un argumento convincente para invertir en KB o guía dentro de la aplicación; puede estimar la reducción de tickets directamente. Exporte la tabla de oportunidades de desvío a Excel y llévela a su próxima reunión de hoja de ruta o de planificación de contenido. Los números de volumen mueven las conversaciones de priorización más rápido que las anécdotas.
¿Cómo analizo las tendencias de tickets de soporte para priorizar dónde enfocarme?
Empiece con una línea base de volumen de 90 días: agrupe los tickets por categoría y etiqueta, ordenados por volumen de mayor a menor. Luego incorpore la dirección de la tendencia: compare el período más reciente de 30 días con los 30 días anteriores de cada categoría y etiquete como Creciente, Estable o Decreciente. Una categoría estable de alto volumen es su mejor objetivo de inversión en desvío: un problema conocido y repetible con una corrección predecible. Una categoría que saltó un 40 % el mes pasado necesita investigación inmediata antes de invertir en contenido o cambios de producto. La dirección de la tendencia cambia qué categorías aborda primero, incluso cuando el volumen bruto parece similar.

Otros recursos populares

Ejemplos

Explore todos los casos de uso

Descubra cómo otros equipos usan Querri para el análisis de datos.

Blog

Analizar las respuestas de NPS a escala

Del caos de las encuestas a temas claros: un recorrido práctico.

Demo

Solicite un recorrido guiado

Vea Querri en acción con sus propios datos.

Blog

Dar sentido al texto no estructurado

Cómo analizar de verdad los datos abiertos de tickets y encuestas.