วิเคราะห์การวัดความพึงพอใจของลูกค้าของเอเจนต์ของคุณ (พรีวิว)

แท็บความพึงพอใจ ของลูกค้าของ หน้า Analytics ให้มุมมองโดยละเอียดของข้อมูลแบบสำรวจความพึงพอใจของลูกค้า (CSAT) รวมถึงคะแนน CSAT เฉลี่ย ธีมการสืบค้นของผู้ใช้หลัก และข้อมูลเชิงลึกที่นำไปใช้ได้จริงเกี่ยวกับตัวขับเคลื่อนความพึงพอใจหรือไม่พอใจกับคำตอบของ ตัวแทน ของคุณ

เคล็ดลับ

ไม่เห็นแท็บ ความพึงพอใจ ของลูกค้าใช่หรือไม่ ประสบการณ์การวิเคราะห์ที่อัปเกรดใหม่จะแทนที่ชุดแท็บที่มีอยู่ด้วยมุมมองที่นำไปใช้ได้จริงมากขึ้นเกี่ยวกับประสิทธิภาพของ ตัวแทน ความคิดเห็นของผู้ใช้ และการใช้แหล่งความรู้

หากต้องการสลับระหว่างประสบการณ์การวิเคราะห์แบบดั้งเดิมและแบบอัปเกรด ให้ใช้ สวิตช์ Analytics ใหม่ที่ด้านบนของหน้า

ตามค่าเริ่มต้น เพจจะแสดงตัวบ่งชี้ประสิทธิภาพหลักสำหรับเจ็ดวันที่ผ่านมา หากต้องการเปลี่ยนช่วงเวลา ให้ใช้ตัวเลือกวันที่ที่ด้านบนของหน้า คุณสามารถดึงข้อมูลในช่วงเวลาใดก็ได้ภายใน 45 วันที่ผ่านมา

คะแนนความพึงพอใจของลูกค้า

แผนภูมิ คะแนนความพึงพอใจของลูกค้า แสดงมุมมองแบบกราฟิกของคะแนน CSAT โดยเฉลี่ยสำหรับเซสชันที่ลูกค้าตอบสนองต่อคำขอ จบการสนทนา เพื่อทำแบบสำรวจ แบบสำรวจ CSAT ขอให้ลูกค้าให้คะแนนประสบการณ์ของตนในระดับ 1 ถึง 5 หากลูกค้าตอบแบบสำรวจมากกว่าหนึ่งรายการในเซสชันเดียวกัน จะใช้เฉพาะแบบสำรวจล่าสุดเท่านั้น

แผนภูมินี้ยังแสดงตัวบ่งชี้การเปลี่ยนแปลงตามช่วงเวลาอีกด้วย ตัวอย่างเช่น เมื่อคุณเลือกช่วงเวลาสามวัน ตัวบ่งชี้จะแสดงเปอร์เซ็นต์การเปลี่ยนแปลงเทียบกับสามวันก่อนกับช่วงเวลาที่เลือก ตัวบ่งชี้ช่วงเวลาเกินระยะเวลาจะปรากฏขึ้นก็ต่อเมื่อ ตัวแทน ของคุณมีข้อมูลการสำรวจ CSAT สำหรับช่วงเวลาก่อนหน้า หากไม่มีข้อมูลการสำรวจ CSAT สำหรับช่วงเวลาต่อท้ายเดียวกันซึ่งสัมพันธ์กับข้อมูลที่เลือกในตัวกรอง ตัวบ่งชี้ช่วงเวลาจะไม่แสดง

อัตราการตอบแบบสำรวจ CSAT

แผนภูมิ อัตราการตอบแบบสำรวจ CSAT แสดงจำนวนของแบบสำรวจ CSAT สำหรับ จบการสนทนา ที่นำเสนอและเปอร์เซ็นต์ของแบบสำรวจที่เสร็จสมบูรณ์

รายละเอียดแยกย่อยของความพึงพอใจของลูกค้า

แผนภูมิ การแยกย่อยความพึงพอใจของลูกค้า แสดงเปอร์เซ็นต์ของเซสชันที่พึงพอใจ ไม่พึงพอใจ หรือเป็นกลางในช่วงเวลาที่เลือก บานหน้าต่างสถานะความพึงพอใจของลูกค้า ให้รายละเอียดเพิ่มเติมเกี่ยวกับสัญญาณต่างๆ ที่ใช้ในการกำหนดสถานะความพึงพอใจของเซสชัน

สถานะความพึงพอใจของลูกค้า

แผนภูมิสถานะ ความพึงพอใจของลูกค้าให้ข้อมูลเชิงลึกที่สำคัญเกี่ยวกับธีมที่ผู้ใช้ค้นหา และระดับความพึงพอใจของผู้ใช้เกี่ยวกับคำตอบของ ตัวแทน เซสชันที่มีธีมคล้ายกันจะถูกจัดกลุ่มไว้ด้วยกัน แผนภูมิแสดงจำนวนเซสชันสำหรับแต่ละธีมในช่วงเวลาที่เลือก และเปอร์เซ็นต์ของเซสชันเหล่านี้ที่พึงพอใจหรือไม่พึงพอใจ เซสชันที่ทั้งพึงพอใจและไม่พึงพอใจจะถือเป็นเซสชันที่เป็นกลางและไม่ปรากฏในแผนภูมินี้

ธีมของเซสชันที่กำหนดได้รับมาโดยใช้โมเดล ML ก่อนที่จะถูกส่งไปยังแดชบอร์ดการวิเคราะห์ ธีมจะถูกประมวลผลเพื่อลบข้อมูลส่วนบุคคลหรือข้อมูลที่ละเอียดอ่อน เช่น หมายเลขโทรศัพท์ นอกจากนี้ หากธีมมีภาษาที่หยาบคายหรือเป็นอันตราย ธีมเหล่านี้จะถูกปิดบัง

หากต้องการดูความพึงพอใจหรือความไม่พึงพอใจที่เฉพาะเจาะจง ให้วางเมาส์เหนือแต่ละส่วนของแผนภูมิ หากเกณฑ์ใดๆ เป็นจริงสำหรับเซสชันหนึ่งๆ เซสชันนั้นจะถูกจัดประเภทว่าพึงพอใจหรือไม่พึงพอใจ:

• มีการพิจารณาเซสชันเป็น ไม่พึงพอใจ ถ้า:

  • ผู้ใช้ให้สองดาวหรือน้อยกว่าในแบบสำรวจ จบการสนทนา
  • ผู้ใช้ถูกขอให้เรียบเรียงข้อความค้นหาใหม่สองครั้งหรือมากกว่าสองครั้งใน (หัวข้อสำรองของระบบ)
  • ผู้ใช้ละทิ้งเซสชัน
  • ผู้ใช้ที่เลื่อนระดับเซสชันเป็นตัวแทนสนทนาสด
  • ความรู้สึกโดยรวมของผู้ใช้เกี่ยวกับการสนทนากับ ตัวแทน จัดอยู่ในประเภทเชิงลบ ความคิดเห็นถูกกำหนดโดยใช้โมเดล ML ที่เปิดเผยต่อสาธารณะซึ่งได้รับการปรับแต่งสำหรับการวิเคราะห์ความคิดเห็น

• มีการพิจารณาเซสชันเป็น พึงพอใจ ถ้า:

  • ผู้ใช้ให้สี่ดาวหรือมากกว่าในแบบสำรวจ จบการสนทนา
  • ผู้ใช้ไม่ถูกขอให้เรียบเรียงข้อความค้นหาใหม่มากกว่าหนึ่งครั้งใน (หัวข้อสำรองของระบบ)
  • เซสชันได้รับการแก้ไข
  • ความรู้สึกโดยรวมของผู้ใช้เกี่ยวกับการสนทนากับ ตัวแทน จัดอยู่ในประเภทบวก

เซสชันที่ไม่ตรงตามเกณฑ์ใดๆ ข้างต้นถือเป็นเซสชันที่เป็นกลางและไม่ปรากฏในแผนภูมินี้

ใน แท็บสรุป ของหน้า การวิเคราะห์ คุณสามารถใช้ไอคอนข้อมูลเพื่อเรียนรู้เพิ่มเติมเกี่ยวกับการมีส่วนร่วม การเลื่อนระดับ อัตราการละทิ้งและการแก้ไข

การแยกความคิดเห็นของธีมและเซสชัน

Copilot Studio ใช้เทคนิคการประมวลผลภาษาธรรมชาติ (NLP) เพื่อแยกธีมและกำหนดความคิดเห็นให้กับเซสชัน ตัวแทน ที่กำหนด

สำหรับทุกเซสชัน Copilot Studio จะแยกธีมออกจากคำพูดของผู้ใช้ครั้งแรก เซสชันแต่ละรายการที่มีธีมคล้ายกันจะถูกรวบรวมไว้ และปรากฏเป็นรายการเดียวในแผนภูมิ สถานะความพึงพอใจของลูกค้า

เพื่อประเมินความรู้สึกของเซสชัน โมเดล NLP พื้นฐานจะได้รับการฝึเกี่ยวกับชุดข้อมูลภาษาอังกฤษสาธารณะ กระบวนการนี้จะวิเคราะห์ข้อความของเซสชันเพื่อพิจารณาว่าความรู้สึกโดยรวมว่าเป็นบวก ลบ หรือเป็นกลาง กระบวนการนี้ยังประมวลผลการสอบถามของผู้ใช้ล่วงหน้าเพื่อขจัดผลบวกปลอม ตัวอย่างเช่น การประมวลผลล่วงหน้านี้ช่วยให้แน่ใจว่าการสอบถาม เช่น "ตัวเลือกที่ดีที่สุดคืออะไร" ไม่ได้จัดอยู่ในประเภทเชิงบวกเพียงเพราะคำว่า "ดีที่สุด" ปรากฏในการสอบถาม