Como medir o atendimento ao cliente: as métricas que importam

Por que medir o atendimento ao cliente trava as equipes

Vejo isso repetidamente: uma equipe monta um painel, preenche com tudo que o helpdesk consegue contar, e seis meses depois ninguém mais olha. Os números subiram, e os clientes continuavam frustrados.

O motivo é quase sempre o mesmo. A maioria dos relatórios padrão mede atividade - quantos tickets um agente fechou, quantos e-mails saíram, quão rápido o ticket médio foi atendido. Isso é fácil de contar, e é exatamente por isso que as ferramentas mostram isso por padrão. Mas atividade não é a mesma coisa que um problema resolvido. Um agente pode fechar quarenta tickets em um dia disparando respostas prontas que não resolvem nada de fato, e o gráfico de "tickets fechados" vai parecer ótimo enquanto a taxa de reabertura sobe silenciosamente.

O tempo médio de atendimento é o vilão clássico. Se você pressiona os agentes a mantê-lo baixo, eles vão se apressar, repassar ou fechar prematuramente - e o seu custo real, o cliente voltando pela segunda e terceira vez, sobe mesmo enquanto a métrica que você está olhando parece ótima. Já vi equipes comemorando um tempo de atendimento em queda enquanto a resolução no primeiro contato caía junto.

A mudança que resolve isso é liderar com métricas de resultado e tratar as métricas de atividade como contexto de apoio. Pergunte primeiro "o problema foi resolvido, na primeira tentativa, sem muito esforço do cliente?", e depois use os números de atividade para explicar por que um resultado se moveu.

Os quatro tipos de métricas que valem a pena acompanhar

Você não precisa de trinta métricas. Precisa de um punhado que responda cada uma a uma pergunta diferente. Eu as agrupo em quatro famílias, e um painel saudável tem pelo menos uma de cada.

Satisfação e lealdade

Estas perguntam diretamente ao cliente como foi. São a coisa mais próxima da verdade que você tem, porque vêm da pessoa que você realmente está atendendo.

• CSAT (Customer Satisfaction Score) é uma pesquisa pós-interação, geralmente "O quão satisfeito você ficou com o suporte recebido?" em uma escala de 1 a 5. Seu CSAT é a porcentagem de respostas positivas (4 e 5). É a métrica mais fácil para começar porque se relaciona diretamente com o ticket que você acabou de atender. Nosso detalhamento completo está no guia de CSAT.
• CES (Customer Effort Score) pergunta o quão fácil foi resolver o problema. É um previsor de lealdade mais afiado que a satisfação, porque os clientes perdoam muita coisa desde que você não os faça trabalhar para isso. Se você só vai adicionar uma métrica este ano, para muitas equipes deveria ser o customer effort score.
• NPS (Net Promoter Score) pergunta "qual a probabilidade de você nos recomendar?" em uma escala de 0 a 10. Mede a lealdade à marca inteira, não a uma interação, então é mais uma métrica de diretoria do que de suporte. Útil, mas não confunda com o desempenho do seu suporte nesta semana.

Velocidade

Métricas de velocidade medem quanto tempo o cliente espera. Elas não dizem se a resposta foi boa, mas uma resposta lenta é uma experiência ruim independentemente da qualidade.

• Tempo de primeira resposta (FRT) é quanto tempo um cliente espera pela primeira resposta humana (ou de IA). É a métrica que os clientes mais sentem. Helpdesks como Freshdesk e Gorgias mostram isso de fábrica.
• Tempo médio de atendimento (AHT) é quanto tempo um agente gasta ativamente em um ticket. Trate com cuidado, conforme o alerta acima: é um número de planejamento de capacidade, não de qualidade.
• Tempo total de resolução é o relógio completo, da abertura até a solução real. Este acompanha a experiência real do cliente de "quanto tempo até meu problema sumir", por isso confio mais nele do que no tempo de atendimento.

Eficácia

Esta é a família em que a maioria das equipes investe menos, e é onde está o sinal de verdade.

• Resolução no primeiro contato (FCR) é a parcela de problemas resolvidos em uma única interação, sem idas e vindas. Uma FCR alta é o impulsionador mais forte de satisfação que já vi. A maioria das equipes fica entre 70-75%.
• Taxa de resolução é a parcela de todas as conversas recebidas que realmente chegam a uma resolução. Quando você adiciona automação, esse se torna o número mais importante, por isso demos a ele seu próprio guia de taxa de resolução.
• Taxa de reabertura é a porcentagem de tickets "resolvidos" que voltam. É o teste de honestidade para todos os seus outros números - uma FCR ótima com uma taxa de reabertura crescente significa que você está fechando tickets, não resolvendo problemas.
• Volume de tickets e backlog dão o contexto. Uma queda de CSAT durante um pico de volume é um problema diferente de uma queda de CSAT em uma semana normal.

Automação e IA

Se alguma parte da sua fila é atendida por IA - um chatbot, um respondedor automático, um copiloto de IA que rascunha respostas -, você precisa de métricas feitas para isso. Relatórios nativos de helpdesk raramente separam isso com clareza.

• Taxa de desvio é a parcela de conversas resolvidas sem que um humano jamais intervenha. É o número principal para qualquer configuração de autoatendimento ou chatbot; nosso guia de taxa de desvio explica como interpretá-la com honestidade (um "desvio" em que o cliente desistiu não é uma vitória).
• Taxa de resolução da IA é a prima mais rigorosa do desvio: a parcela de conversas atendidas por IA que foram genuinamente resolvidas, confirmadas pelo cliente ou por uma checagem posterior.
• CSAT de IA - a pontuação de satisfação especificamente dos chats atendidos por IA, medida separadamente dos humanos para que um bom bot não se esconda atrás de ótimos agentes (ou vice-versa).
• Tendências de sentimento captam mudanças de tom que uma avaliação pode não perceber; a análise de sentimento com IA pode sinalizar uma conversa frustrada antes que ela vire uma avaliação ruim.

Veja como as famílias se comparam rapidamente:

Como realmente coletar esses números

Conhecer as métricas é a parte fácil. Aqui está de onde cada uma realmente vem.

Pesquisas, para a família de satisfação. CSAT, CES e NPS surgem todos de perguntar. Dispare uma pesquisa de uma única pergunta automaticamente quando uma conversa é encerrada, mantenha-a em um único toque, e não exagere nas pesquisas - um cliente que recebe uma pesquisa depois de cada micro-interação para de responder. Envie CSAT depois de todo ticket resolvido, e NPS em um ritmo trimestral mais lento.

Relatórios do helpdesk, para velocidade e eficácia. Tempo de primeira resposta, tempo de atendimento, taxa de resolução e reaberturas já estão nos analytics do seu helpdesk. O problema é a FCR - a maioria das ferramentas não consegue calculá-la de forma limpa sem triagem de tickets e marcação consistentes, para que uma interação seja corretamente marcada como "resolvida" versus "escalada". Acerte sua marcação e metade das suas métricas de eficácia se torna automática.

Amostragem de QA, para o que os números deixam passar. Puxe uma pequena amostra aleatória de tickets toda semana e leia. Uma nota diz o que o cliente pensou; ler a transcrição diz por quê. Essa também é a única forma confiável de flagrar uma IA dando respostas confiantes, mas erradas, o que nenhum painel sinaliza sozinho.

Analytics de IA, para a família de automação. Desvio e taxa de resolução da IA precisam de uma ferramenta que os reporte, e é exatamente aí que os painéis nativos de helpdesk deixam a desejar. Vale a pena medir a fatia atendida por IA separadamente para que ela não seja diluída nos seus números humanos.

Quer verificar alguns desses contra o seu próprio volume? Insira seus números:

Os erros que fazem boas métricas mentirem

Até as métricas certas enganam se você as coletar mal. As que mais encontro:

• Diluir os outliers na média. Um CSAT médio de 4,2 pode esconder um grupo de notas 1 furiosas. Olhe a distribuição, não só a média, e sempre leia as notas baixas.
• Perseguir um benchmark em vez da sua própria tendência. Uma FCR "boa" depende do seu canal, produto e mix de clientes. Sua própria direção mês a mês diz mais do que o número de outra pessoa.
• Uma métrica sem contrapeso. Toda métrica de eficiência precisa de uma métrica de qualidade ao lado. Acompanhe o tempo de atendimento junto com a taxa de reabertura, o desvio junto com o CSAT de IA. Um número otimizado isoladamente acaba sendo manipulado.
• Nunca definir uma linha de base. Este é o grande erro, especialmente antes de você lançar automação. Se você não sabe sua taxa de resolução hoje, não consegue provar que a IA ajudou, e não consegue saber se ela prejudicou.

Esse último ponto merece sua própria seção, porque é o que mais dói.

Medindo antes e depois de automatizar

A maioria dos conselhos de medição pressupõe uma equipe totalmente humana. No momento em que você adiciona IA à fila, as perguntas mudam: o bot está realmente resolvendo as coisas, ou apenas desviando as pessoas até elas desistirem? O CSAT de IA está acompanhando o seu CSAT humano? Você precisa de uma linha de base e de uma forma de checar a IA antes que ela toque um cliente real.

Essa é a parte que mais me importa, porque é onde passo meu tempo. Estou na equipe de suporte da eesel, e já vimos bots confiantes o suficiente darem respostas silenciosamente erradas a ponto de agora nos recusarmos a lançar um sem medir antes. A forma como fazemos isso é com simulação: antes de um agente de IA entrar no ar, rodamos ele contra milhares dos seus tickets reais passados e relatamos exatamente o que ele teria feito - taxa de resolução por tipo de ticket, onde ele está confiante, onde não está, e as lacunas que você precisa preencher.

Essa previsão é a linha de base honesta que você quase nunca consegue em nenhum outro lugar. Em uma coorte de teste que medimos, uma configuração de IA obteve 96% de respostas de boa qualidade em 581 conversas antes de responder a um único cliente ao vivo. Em uma joalheria alemã com cerca de 1.000 tickets por mês, um teste com tráfego real mostrou 93% de precisão na triagem e 100% de detecção de spam sem falsos positivos - números que pudemos mostrar à equipe antes de confiar ao bot rotear qualquer coisa por conta própria.

Uma vez ao vivo, os mesmos números continuam fluindo. Os relatórios da eesel separam resolução e desvio para você não ficar tentando enxergar em um painel nativo de helpdesk que mistura trabalho de IA e humano.

A prova de que essa abordagem de medir primeiro funciona aparece nos números de resultado. Um app de analytics para motoristas da economia gig no Zendesk resumiu bem depois do seu teste:

"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

E do lado da eficiência, um diretor de inovação de uma empresa de pagamentos relatou até 80% de economia de tempo ao encontrar respostas e no onboarding, uma vez que o conhecimento foi medido e conectado corretamente (eesel). Esses números só significam algo porque foram medidos contra um ponto de partida conhecido.

Experimente a eesel para medir o suporte com IA

Se a parte da sua fila que você mais precisa medir é a automatizada, é exatamente para isso que a eesel foi feita. Ela se conecta ao seu helpdesk atual - Zendesk, Freshdesk, Gorgias, Help Scout e outros -, aprende com seus tickets resolvidos, e seu modo de simulação te dá uma previsão real de taxa de resolução contra seu próprio histórico antes de você ligar qualquer coisa. Você tem a linha de base e o relatório ao vivo em um só lugar, e é grátis para testar, sem cartão de crédito. É a coisa mais próxima que encontrei de conhecer o seu número antes dos seus clientes.