מדדי KPI שבאמת מוכיחים שהאוטומציה עובדת
שלושה חודשים אחרי שהתקינה צ'אטבוט לקביעת תורים בוואטסאפ, בעלת קליניקת פיזיותרפיה נשאלת איך הולך. היא עונה 'אני חושבת שזה עוזר', כי התשובה הכנה היא שהיא באמת לא יודעת. היא רואה שהבוט ניהל ארבע מאות שיחות בחודש שעבר. מה שהיא לא יכולה להגיד הוא אם השיחות האלה החליפו שיחות טלפון שהמזכירה שלה נהגה לטפל בהן, או פשוט הוסיפו ערוץ נוסף מעל העומס הישן.
למה 'האם זה עובד' היא שאלה לא נכונה
רוב האוטומציות נשפטות לפי תחושה ולא לפי מספר, כי המספר שבאמת היה עונה על השאלה מעולם לא הוגדר לפני ההשקה. סך שיחות, הודעות שנשלחו, או 'מעורבות' נשמעים כמו התקדמות אבל כמעט לא אומרים כלום על זה אם האוטומציה הפחיתה עבודה, חסכה כסף, או שיפרה את חוויית הלקוח. בוט יכול לייצר אלף שיחות בחודש ועדיין להיות הפסד נטו אם רוב השיחות האלה מסתיימות בכך שהלקוח מוותר ומתקשר בכל זאת.
הפתרון הוא לא עוד נתונים. הפתרון הוא לבחור שניים-שלושה מספרים ספציפיים לפני שהאוטומציה יוצאת לדרך, כאלה שקשורים ישירות לבעיה שהיא אמורה לפתור, ולעקוב אחריהם באופן עקבי במקום להתפעל ממה שהדשבורד מציג כברירת מחדל.
מדדי ה-KPI שבאמת אומרים משהו
שיעור פתרון בלי הסלמה הוא המדד המרכזי לצ'אטבוט או ל-Voice AI: איזה אחוז מהשיחות הסתיים בכך שהצורך של הלקוח נענה בלי שבן אדם התערב. זה שונה משיעור השלמת שיחה (האם השיחה פשוט הסתיימה) ושונה מאוד מנפח. שיעור פתרון שמתחיל ב-40% ועולה ל-65% תוך שלושה חודשים הוא סימן אמיתי לשיפור באוטומציה, לא רק לפעילות.
זמן עד מענה ראשון וזמן עד פתרון חשובים במיוחד לעסקים עם עומס תמיכה גבוה: אוטומציה שעונה תוך עשר שניות במקום ארבע שעות משנה את החוויה בפועל של הלקוח עוד לפני שאיכות הפתרון עצמה משתפרת. לעסקים עם זווית מכירה, מעקב אחר שיעור ההזמנות או ההמרה של האוטומציה מול התהליך הידני הקודם, תורים שבאמת התקיימו, לידים שהפכו ללקוחות משלמים, מקשר את הכלי להכנסות ולא לפעילות. עלות לאינטראקציה שנפתרה, תוך התחשבות בעלות החודשית של הפלטפורמה מול הנפח שהיא מטפלת בו, זה המספר שבסוף מצדיק, או לא מצדיק, את ההוצאה השוטפת.
לקבוע נקודת ייחוס לפני האוטומציה, לא אחריה
אף אחד מהמספרים האלה לא אומר כלום בלי בסיס להשוואה, ומשמעות הדבר שהבסיס חייב להימדד לפני שהאוטומציה עולה לאוויר, לא להיאמד בדיעבד מהזיכרון. זה אומר לעקוב, לפחות כמה שבועות מראש, כמה שיחות או הודעות הצוות מטפל בהן כרגע, כמה זמן כל אחת בדרך כלל לוקחת, ואיזה אחוז דורש מעקב או הסלמה גם כשבן אדם מטפל בזה מההתחלה.
לדלג על השלב הזה היא הסיבה הנפוצה ביותר לכך שעסק לא יכול לענות אחרי חצי שנה אם האוטומציה באמת עזרה. בלי בסיס אמיתי, כל שיפור מיוחס לאוטומציה מתוך הנחה ולא מתוך ראיה, וכל בעיה מוטלת עליה באותה צורה.
איפה המדידה משתבשת
הטעות הנפוצה ביותר היא לעקוב אחרי מדדי יוקרה פשוט כי אלה המדדים שהפלטפורמה מציגה כברירת מחדל בדשבורד: סך הודעות, משתמשים פעילים, סשנים, אף אחד מהם לא באמת אומר הרבה על ההשפעה העסקית כשלעצמו. טעות שנייה היא לשנות את קריטריון ההצלחה באמצע הדרך: צוות שבמקור התעניין בשיעור פתרון עובר בשקט לחגוג נפח שיחות ברגע ששיעור הפתרון מתברר כמאכזב, מה שמוחק כל הערכה כנה של השאלה אם השינוי באמת עזר.
טעות שלישית, עדינה יותר, היא למדוד מוקדם מדי. אוטומציה חדשה בדרך כלל צריכה כמה שבועות של שיחות אמיתיות, כולל מקרי קצה שאף אחד לא צפה, לפני שהמספרים שלה משקפים ביצועים יציבים ולא רעש של השקה.
מה מדידה טובה באמת נותנת לעסק
הערך שבמעקב אחרי מדדי ה-KPI הנכונים הוא לא להוכיח משהו למישהו. הוא לדעת, על סמך מספרים אמיתיים ולא תחושה, אם כדאי להרחיב את האוטומציה לערוץ חדש, לכוון אותה מחדש, או לוותר עליה. עסק שיכול להגיד 'שיעור הפתרון עלה מ-40% ל-68%, ועלות האינטראקציה ירדה בחצי' יש לו על מה להישען. 'אני חושבת שזה עוזר' לא אומר לאף אחד מה לעשות הלאה.