Comment mesurer le service client : les indicateurs qui comptent

Pourquoi mesurer le service client fait trébucher les équipes

Voici ce que je vois se répéter sans cesse : une équipe met en place un tableau de bord, le remplit de tout ce que son helpdesk peut compter, et six mois plus tard, plus personne ne le regarde. Les chiffres montaient bien en haut à droite, et les clients étaient toujours frustrés.

La raison est presque toujours la même. La plupart des rapports par défaut mesurent l'activité - combien de tickets un agent a clôturés, combien d'e-mails sont partis, à quelle vitesse le ticket moyen a été traité. C'est facile à compter, ce qui explique pourquoi les outils l'affichent par défaut. Mais l'activité n'est pas la même chose qu'un problème résolu. Un agent peut clôturer quarante tickets en une journée en envoyant des réponses toutes faites qui ne règlent rien vraiment, et le graphique « tickets clôturés » aura fière allure pendant que le taux de réouverture grimpe discrètement.

Le temps de traitement moyen est le coupable classique. Poussez les agents à le maintenir bas, et ils se précipiteront, transféreront ou clôtureront prématurément - et votre coût réel, le client qui revient une deuxième puis une troisième fois, augmente alors même que l'indicateur que vous regardez a l'air excellent. J'ai vu des équipes célébrer une baisse du temps de traitement pendant que leur résolution au premier contact chutait juste à côté.

Le changement qui corrige cela consiste à mettre en avant les indicateurs de résultat et à traiter les indicateurs d'activité comme un contexte de soutien. Demandez d'abord « le problème a-t-il été résolu, du premier coup, sans trop d'effort pour le client ? », puis utilisez les chiffres d'activité pour expliquer pourquoi un résultat a bougé.

Les quatre types d'indicateurs à suivre

Vous n'avez pas besoin de trente indicateurs. Vous avez besoin d'une poignée d'entre eux, chacun répondant à une question différente. Je les regroupe en quatre familles, et un tableau de bord sain en a au moins un de chaque.

Satisfaction et fidélité

Ceux-ci demandent directement au client comment ça s'est passé. C'est ce qui se rapproche le plus de la vérité, car cela vient de la personne que vous servez réellement.

• CSAT (Customer Satisfaction Score) est une enquête post-interaction, généralement « Quel a été votre niveau de satisfaction vis-à-vis du support reçu ? » sur une échelle de 1 à 5. Votre CSAT est le pourcentage de réponses positives (4 et 5). C'est l'indicateur le plus simple pour commencer, car il correspond directement au ticket que vous venez de traiter. Notre analyse complète se trouve dans le guide CSAT.
• CES (Customer Effort Score) demande à quel point il a été facile de résoudre le problème. C'est un meilleur prédicteur de fidélité que la satisfaction, car les clients pardonnent beaucoup tant qu'on ne les fait pas travailler. Si vous ne devez ajouter qu'un seul indicateur cette année, pour beaucoup d'équipes ce devrait être le customer effort score.
• NPS (Net Promoter Score) demande « quelle est la probabilité que vous nous recommandiez ? » sur une échelle de 0 à 10. Il mesure la fidélité à toute la marque, pas à une interaction, donc c'est plus un indicateur de comité de direction qu'un indicateur de support. Utile, mais ne le confondez pas avec la façon dont votre support se comporte cette semaine.

Rapidité

Les indicateurs de rapidité mesurent combien de temps le client attend. Ils ne disent pas si la réponse était bonne, mais une réponse lente est une mauvaise expérience quelle que soit la qualité.

• Temps de première réponse (FRT) est le temps qu'un client attend la première réponse humaine (ou IA). C'est l'indicateur que les clients ressentent le plus fortement. Des helpdesks comme Freshdesk et Gorgias l'affichent par défaut.
• Temps de traitement moyen (AHT) est le temps qu'un agent passe activement sur un ticket. À manier avec précaution, comme indiqué plus haut : c'est un chiffre de planification de capacité, pas un chiffre de qualité.
• Temps de résolution total est le décompte complet depuis l'ouverture jusqu'à la résolution réelle. Celui-ci reflète la véritable expérience du client, « combien de temps avant que mon problème disparaisse », c'est pourquoi je lui fais plus confiance qu'au temps de traitement.

Efficacité

C'est la famille dans laquelle la plupart des équipes investissent le moins, et c'est là que se trouve le vrai signal.

• Résolution au premier contact (FCR) est la part des problèmes résolus en une seule interaction, sans allers-retours. Un FCR élevé est le facteur le plus puissant de satisfaction que j'aie vu. La plupart des équipes se situent autour de 70-75 %.
• Taux de résolution est la part de toutes les conversations entrantes qui atteignent réellement une résolution. Quand vous ajoutez de l'automatisation, ce chiffre devient le plus important, c'est pourquoi nous lui avons consacré un guide dédié sur le taux de résolution.
• Taux de réouverture est le pourcentage de tickets « résolus » qui reviennent. C'est le test d'honnêteté pour tous vos autres chiffres - un excellent FCR avec un taux de réouverture qui grimpe signifie que vous clôturez des tickets, pas que vous résolvez des problèmes.
• Volume de tickets et backlog vous donnent le contexte. Une baisse de CSAT pendant un pic de volume est un problème différent d'une baisse de CSAT lors d'une semaine normale.

Automatisation et IA

Si une partie de votre file est traitée par de l'IA - un chatbot, un répondeur automatique, un copilote IA qui rédige des réponses -, il vous faut des indicateurs conçus pour cela. Les rapports natifs des helpdesks séparent rarement cela clairement.

• Taux de déviation est la part des conversations résolues sans qu'un humain n'intervienne jamais. C'est le chiffre phare de toute configuration en libre-service ou chatbot ; notre guide sur le taux de déviation explique comment l'interpréter honnêtement (une « déviation » où le client a abandonné n'est pas une victoire).
• Taux de résolution de l'IA est le cousin plus strict de la déviation : la part des conversations traitées par l'IA qui ont été réellement résolues, confirmée par le client ou par un contrôle ultérieur.
• CSAT de l'IA - le score de satisfaction propre aux échanges traités par l'IA, mesuré séparément de ceux gérés par des humains, pour qu'un bon bot ne se cache pas derrière d'excellents agents (ou l'inverse).
• Les tendances de sentiment détectent des changements de ton qu'une note peut manquer ; l'analyse de sentiment par IA peut signaler un fil de discussion frustré avant qu'il ne devienne un mauvais avis.

Voici comment les familles se comparent en un coup d'œil :

Comment collecter réellement ces chiffres

Connaître les indicateurs est la partie facile. Voici d'où vient réellement chacun d'eux.

Les enquêtes, pour la famille satisfaction. CSAT, CES et NPS proviennent tous du fait de poser la question. Déclenchez automatiquement une enquête à une seule question à la clôture d'une conversation, gardez-la limitée à un seul clic, et ne sur-sollicitez pas - un client qui reçoit une enquête après chaque micro-interaction arrête de répondre. Envoyez le CSAT après chaque ticket résolu, et le NPS selon un rythme trimestriel plus lent.

Les rapports du helpdesk, pour la rapidité et l'efficacité. Le temps de première réponse, le temps de traitement, le taux de résolution et les réouvertures se trouvent déjà dans les analytics de votre helpdesk. Le piège, c'est le FCR - la plupart des outils ne peuvent pas le calculer proprement sans un triage des tickets et un étiquetage cohérents, pour qu'une interaction soit correctement marquée « résolue » plutôt que « escaladée ». Réglez bien votre étiquetage, et la moitié de vos indicateurs d'efficacité deviennent automatiques.

L'échantillonnage qualité, pour ce que les chiffres ratent. Prélevez chaque semaine un petit échantillon aléatoire de tickets et lisez-les. Une note vous dit ce que le client a pensé ; lire la transcription vous dit pourquoi. C'est aussi le seul moyen fiable de repérer une IA qui donne des réponses assurées mais fausses, ce qu'aucun tableau de bord ne signale de lui-même.

Les analytics IA, pour la famille automatisation. La déviation et le taux de résolution de l'IA nécessitent un outil qui les rapporte, et c'est exactement là que les tableaux de bord natifs des helpdesks montrent leurs limites. Il vaut la peine de mesurer séparément la part traitée par l'IA pour qu'elle ne soit pas noyée dans vos chiffres humains.

Envie de vérifier certains de ces chiffres par rapport à votre propre volume ? Entrez vos données :

Les erreurs qui font mentir de bons indicateurs

Même les bons indicateurs trompent s'ils sont mal collectés. Ceux que je rencontre le plus souvent :

• Moyenner les valeurs aberrantes. Un CSAT moyen de 4,2 peut cacher un groupe de 1 furieux. Regardez la distribution, pas seulement la moyenne, et lisez toujours les notes basses.
• Courir après un benchmark plutôt qu'après votre propre tendance. Un « bon » FCR dépend de votre canal, de votre produit et de votre mix de clients. Votre propre évolution mois après mois en dit plus que le chiffre de quelqu'un d'autre.
• Un indicateur sans contrepoids. Chaque indicateur d'efficacité a besoin d'un indicateur de qualité à côté. Suivez le temps de traitement avec le taux de réouverture, la déviation avec le CSAT de l'IA. Un chiffre optimisé isolément finit par être manipulé.
• Ne jamais fixer de base de référence. C'est le plus gros écueil, surtout avant de déployer de l'automatisation. Si vous ne connaissez pas votre taux de résolution actuel, vous ne pouvez pas prouver que l'IA a aidé, ni savoir si elle a nui.

Ce dernier point mérite sa propre section, car c'est celui qui fait le plus mal.

Mesurer avant et après l'automatisation

La plupart des conseils de mesure supposent une équipe entièrement humaine. Dès que vous ajoutez de l'IA à la file, les questions changent : le bot résout-il vraiment les problèmes, ou se contente-t-il de dévier les gens jusqu'à ce qu'ils abandonnent ? Le CSAT de l'IA suit-il le rythme de votre CSAT humain ? Il vous faut une base de référence et un moyen de vérifier l'IA avant qu'elle ne touche un vrai client.

C'est la partie qui me tient le plus à cœur, car c'est là que je passe mon temps. Je fais partie de l'équipe support d'eesel, et nous avons vu suffisamment de bots à l'air confiant donner discrètement de mauvaises réponses pour désormais refuser d'en mettre un en production sans le mesurer d'abord. Nous faisons cela par la simulation : avant qu'un agent IA ne passe en production, nous le faisons tourner sur des milliers de vos tickets passés réels et rapportons exactement ce qu'il aurait fait - taux de résolution par type de ticket, où il est sûr de lui, où il ne l'est pas, et les lacunes à combler.

Cette prévision est la base de référence honnête que l'on n'obtient presque jamais ailleurs. Sur une cohorte de test que nous avons mesurée, une configuration IA a atteint 96 % de réponses de bonne qualité sur 581 échanges avant même de répondre à un seul client en production. Chez un bijoutier allemand traitant environ 1 000 tickets par mois, un test en trafic réel a montré 93 % de précision de triage et 100 % de détection de spam sans faux positif - des chiffres que nous avons pu montrer à l'équipe avant de faire confiance au bot pour router quoi que ce soit tout seul.

Une fois en production, les mêmes chiffres continuent d'affluer. Les rapports d'eesel séparent la résolution et la déviation pour que vous n'ayez pas à scruter un tableau de bord natif de helpdesk qui mélange le travail de l'IA et celui des humains.

La preuve que cette approche de mesure préalable fonctionne apparaît dans les chiffres de résultat. Une application d'analytics pour chauffeurs de la gig economy, sur Zendesk, l'a formulé clairement après son essai :

"In the first month, eesel is resolving 73% of our tier 1 requests... Our team implemented and achieved results quickly during our 7-day trial."

Kim Simpson, Gridwise, via the eesel helpdesk agent page

Et côté efficacité, un directeur de l'innovation dans une entreprise de paiement a rapporté jusqu'à 80 % de gain de temps pour trouver des réponses et pour l'onboarding, une fois que les connaissances ont été correctement mesurées et connectées (eesel). Ces chiffres ne signifient quelque chose que parce qu'ils ont été mesurés par rapport à un point de départ connu.

Essayez eesel pour mesurer le support par IA

Si la partie de votre file que vous devez le plus mesurer est la partie automatisée, c'est exactement pour cela qu'eesel a été conçu. Il se connecte à votre helpdesk existant - Zendesk, Freshdesk, Gorgias, Help Scout et d'autres -, apprend de vos tickets résolus, et son mode simulation vous donne une véritable prévision de taux de résolution par rapport à votre propre historique avant même d'activer quoi que ce soit. Vous obtenez la base de référence et le rapport en production au même endroit, et c'est gratuit à essayer, sans carte de crédit. C'est ce que j'ai trouvé de plus proche pour connaître votre chiffre avant vos clients.