चैनल और एजेंट के अनुसार पहली प्रतिक्रिया समय को कैसे ट्रैक और बेहतर करें

अपना डेटा अपलोड करें

अपने डेटा को Zendesk, Intercom या जिस भी सपोर्ट प्लेटफ़ॉर्म का आप उपयोग करते हैं, उससे CSV या XLSX के रूप में एक्सपोर्ट करें और इसे सीधे Querri में अपलोड करें। फ़ाइल आती है और एक स्वचालित डेटा ऑडिट चलता है, जो टाइमस्टैम्प, एजेंट नामों और चैनल लेबल में गुम मानों, डुप्लिकेट रिकॉर्ड और असंगत प्रारूपों की जाँच करता है।

Querri सादी भाषा की रिपोर्ट में अपनी हर खोज को सामने लाता है ताकि आप ठीक-ठीक देख सकें कि वहाँ क्या है। यदि यह ऐसी समस्याएँ पहचानता है जिन्हें यह ठीक कर सकता है (जैसे दिनांक प्रारूपों को सामान्य करना या पंक्तियों को डीडुप्लिकेट करना), तो यह कोई भी बदलाव करने से पहले आपकी अनुमति माँगता है।

एक बार डेटा साफ़ हो जाने पर, Querri डेटासेट का एक उच्च-स्तरीय सारांश (टिकट मात्रा, चैनल विभाजन, दिनांक सीमा, एजेंट कवरेज) तैयार करता है ताकि किसी भी विश्लेषण के शुरू होने से पहले आपके पास एक स्पष्ट शुरुआती बिंदु हो।

FRT की गणना करें, शोर को फ़िल्टर करें

Querri से प्रत्येक टिकट के लिए FRT को पहली प्रतिक्रिया के टाइमस्टैम्प में से टिकट निर्माण के टाइमस्टैम्प को घटाकर गणना करने के लिए कहें। इससे पहले, महत्वपूर्ण जाँच लागू करें: ऐसे किसी भी टिकट को बाहर कर दें जहाँ कोई पहली प्रतिक्रिया मौजूद नहीं है। अन्यथा बिना मानवीय प्रतिक्रिया वाले, बॉट द्वारा संभाले गए और स्वतः बंद हुए टिकट आपके आँकड़ों को बढ़ा देंगे और धीमे एजेंट्स को उनसे बेहतर दिखाएंगे:

Querri शोर वाली पंक्तियों को स्वचालित रूप से चिह्नित और हटा देता है, ताकि आगे से आपकी FRT गणनाएँ केवल वास्तविक मानवीय प्रतिक्रियाओं को ही दर्शाएँ।

पहले आसान उत्तर को खारिज करें

जटिल स्पष्टीकरण खोजने से पहले, स्पष्ट वाले को खारिज कर दें। जब टीमें FRT लक्ष्यों से चूकती हैं, तो पहली प्रवृत्ति हमेशा एक ही होती है: हमें और एजेंट चाहिए। कभी-कभी यह सही होता है। अक्सर नहीं होता। किसी भी तरह, डेटा आपको बता देगा।

इस उदाहरण में, Querri को मूल रूप से कोई सहसंबंध नहीं मिलता। उल्लंघन दर मात्रा के साथ नहीं चलती। यह आपको कुछ महत्वपूर्ण बताता है: टीम पर बोझ नहीं है। और लोग जोड़ने से यह ठीक नहीं होगा। कारण संरचनात्मक है, और आपको और गहराई से देखना होगा।

फिर दिन के समय पर ध्यान दें

यदि मात्रा कारण नहीं है, तो अगली जाँचने योग्य बात यह है कि उल्लंघन कब हो रहे हैं। एकत्रित दैनिक आँकड़े घंटे-दर-घंटे के पैटर्न को धुंधला कर देते हैं, और अधिकांश FRT समस्याएँ उन्हीं पैटर्न के भीतर रहती हैं।

इस उदाहरण में, Querri को सुबह 11 बजे एक तीव्र शिखर मिलता है। सभी उल्लंघनों का लगभग 17% उसी एक घंटे में होता है। यह 60 मिनट की एक विंडो में केंद्रित बहुत सारी परेशानी है, और यह पूरी कोचिंग बातचीत को नए सिरे से परिभाषित कर देता है। सवाल अब यह नहीं रहता कि "ये एजेंट धीमे क्यों हैं?" बल्कि यह हो जाता है कि "सुबह 11 बजे क्या हो रहा है, और क्या यह स्टाफ़, रूटिंग या हैंडऑफ़ की समस्या है?"

सुबह 11 बजे के शिखर का समाधान लगभग कभी कोचिंग नहीं होता। यह लगभग हमेशा शेड्यूलिंग में बदलाव, कोई रूटिंग नियम, या ऊपरी स्तर का कोई हैंडऑफ़ होता है जो चुपचाप टूट रहा होता है। इनमें से कुछ भी आपको एजेंट-दर-एजेंट FRT रिपोर्ट में नहीं मिलेगा।

प्रतिबद्ध होने से पहले समाधान का परीक्षण करें

आप जानते हैं कि उल्लंघन कहाँ हैं। अगला सवाल यह है कि इसे ठीक करने से वास्तव में क्या होगा। प्रतिबद्ध होने से पहले इसका परीक्षण करें। Querri से एक सरल पुनर्वितरण मॉडल करने के लिए कहें: यदि 50% टिकट आपके सबसे अधिक उल्लंघन वाले एजेंट्स से सबसे कम वाले एजेंट्स में स्थानांतरित हो जाएँ तो समग्र उल्लंघन दर का क्या होगा?

Querri आपके वास्तविक टिकट डेटा पर परिदृश्य चलाता है और एक अनुमानित नई उल्लंघन दर लौटाता है। अब आपके पास एक स्टाफ़िंग या रूटिंग बातचीत में ले जाने के लिए एक ठोस, बचाव योग्य संख्या है, न कि कोई अंदाज़ा।

जितनी चाहें उतनी विविधताएँ चलाएं। विभिन्न पुनर्वितरण प्रतिशत, विशिष्ट एजेंट्स, या चैनल-स्तरीय पुनर्संतुलन आज़माएं जब तक कि आपको ऐसा परिदृश्य न मिल जाए जो संख्या को बदले और जिसके लिए वास्तव में स्टाफ़ रखना यथार्थवादी हो।

Querri को सिफ़ारिशें लिखने दें

FRT सुधारने के बारे में अधिकांश लेख आपको वही तीन सुझाव देते हैं: और एजेंट रखें, अधिक समझदारी से रूट करें, बेहतर प्रशिक्षण दें। सिद्धांत में उपयोगी। बेकार जब आप सुबह 11 बजे के किसी विशिष्ट उल्लंघन पैटर्न को देख रहे हों और यह तय करने की कोशिश कर रहे हों कि समाधान शेड्यूलिंग में बदलाव है या कोचिंग में। तो सामान्य playbook को छोड़ दें। बस Querri से पूछें।

Querri को पहले से ही पता है कि आपके उल्लंघन कहाँ केंद्रित हैं, दिन के समय के कौन से पैटर्न मौजूद हैं, और पुनर्वितरण का क्या प्रभाव होगा। इसलिए इसकी सिफ़ारिशें शून्य से शुरू नहीं होतीं। वे सीधे आपके डेटा से जुड़ी होती हैं, और गणित के अनुसार प्राथमिकता दी जाती हैं, न कि इस आधार पर कि किसी बैठक में सबसे अधिक बचाव योग्य क्या लगता है।

किसी भी सिफ़ारिश में फ़ॉलो-अप प्रॉम्प्ट के साथ गहराई तक जाएं। Querri से इसके तर्क को समझाने, प्रभाव का आकलन करने, या यह पहचानने के लिए कहें कि यह किन टीम सदस्यों या चैनलों पर सबसे अधिक लागू होती है।

इसे QBR में ले जाएं

साप्ताहिक FRT डेटा आपको बताता है कि अभी क्या हो रहा है। तिमाही डेटा आपको बताता है कि आप इसके बारे में जो कुछ भी कर रहे हैं वह वास्तव में काम कर रहा है या नहीं, और यही वह सवाल है जिसका जवाब आपका CFO चाहता है। तीन महीने के टिकट एक्सपोर्ट को Querri में लाएं और QBR संस्करण माँगें:

Querri एक संरचित प्रस्तुति तैयार करता है जिसे आपकी टीम सीधे किसी नेतृत्व समीक्षा में ले जा सकती है। उल्लंघन प्रवृत्तियाँ, मूल कारण सारांश, what-if परिदृश्य परिणाम, और एक प्राथमिकता वाली कार्य योजना, सब एक ही जगह। कोई मैन्युअल फ़ॉर्मेटिंग नहीं, किसी खाली स्लाइड से शुरुआत नहीं।

FRT को QBR में लाना इसे एक परिचालन मीट्रिक से एक रणनीतिक मीट्रिक में बदल देता है। शिकायतों पर बाद में प्रतिक्रिया देने के बजाय, नेतृत्व को स्टाफ़, टूलिंग, या SLA लक्ष्यों पर निर्णय लेने के लिए संदर्भ मिलता है।