Contactcenter-analytics is het omzetten van de data die een contactcenter produceert, van wachtrijstatistieken en enquêtes tot de gesprekken, chats en e-mails zelf, in antwoorden op de vraag wat er gebeurt en waarom. De operationele laag hebben de meeste teams op orde. De laag die de cijfers verklaart, is de laag die op de gesprekken is gebouwd.
In het kort
- Contactcenter-analytics heeft vijf lagen (operationeel, personeelsplanning, klantfeedback, gesprekken en kwaliteit), en elke laag beantwoordt andere vragen.
- Een rekenvoorbeeld laat zien hoe een probleem in 1,5% van de gesprekken onzichtbaar blijft in CSAT en in een QA-steekproef van 2%, en overduidelijk wordt als je elk gesprek scoort.
- Analytics op basis van QA-scores koppelt elke trend terug aan de gesprekken erachter en aan een oorzaak die je kunt oplossen.
- Beoordeel software op dekking, bewijs, oorzaakanalyse en kanalen; callcenter-analytics is het deel dat alleen over telefoongesprekken gaat.
- Begin met één vraag die je huidige rapportages niet kunnen beantwoorden en bouw dan de laag die die vraag beantwoordt.
Zoek je het product en niet de methode, dan laat onze pagina over gespreksanalyse voor supportteams zien hoe Kaizo analytics bouwt op gescoorde gesprekken. Deze gids behandelt de hele discipline en verwijst naar onze kortere definities waar een begrip er een nodig heeft.
Wat is contactcenter-analytics?
Contactcenter-analytics is het meten en analyseren van alles wat een contactcenter over zijn klantcontacten vastlegt, in vijf lagen: operationeel, personeelsplanning, klantfeedback, gespreksinhoud en kwaliteit. Samen verklaren ze volume, snelheid, tevredenheid en de redenen erachter.
Het begrip omvat meer dan één tool. Een gemiddeld contactcenter draait al analytics in zijn telefooncentrale, zijn helpdesk, zijn tool voor personeelsplanning en zijn enquêteplatform, en elk daarvan ziet een ander stukje. De tabel hieronder zet op een rij wat elke laag meet en wat ze niet kan zien.
| Laag | Wat ze meet | Gebruikelijke bron | Wat ze je niet kan vertellen |
|---|---|---|---|
| Operationeel | Volume, wachttijd, afhandeltijd, opgehangen gesprekken, serviceniveau, oplossing bij eerste contact | Telefooncentrale (ACD), helpdeskrapporten | Waarom klanten belden, of het antwoord juist was |
| Personeelsplanning | Nauwkeurigheid van de forecast, roosterdiscipline, bezettingsgraad, uitval | Tool voor personeelsplanning (WFM) | Of de tijd van medewerkers goed besteed is |
| Klantfeedback | CSAT, NPS, klantinspanning, opmerkingen in enquêtes | Enquêteplatform | Iets over de klanten die niet antwoorden |
| Gesprekken | Onderwerpen, contactredenen, sentiment, stiltes, trefwoorden | Speech en text analytics op transcripten | Of de medewerker je standaard volgde, tenzij iemand die vastlegt |
| Kwaliteit | Scores tegen je scorecard: juistheid, beleid, proces, toon, oplossing | QA-tool | Trends in volume en bezetting, die in de eerste twee lagen zitten |
De eerste drie lagen zijn in de meeste contactcenters volwassen. In de vierde en vijfde zit de verklaring, omdat die lezen wat er werkelijk gezegd is. Voor de smallere definities zie je wat conversation analytics is (in het Engels), onze pagina over interaction analytics voor telefoon, chat en e-mail en speech analytics voor telefoongesprekken.
Welke vragen elke laag kan beantwoorden
Elke laag beantwoordt één soort vraag goed: operationele data beantwoordt “hoeveel en hoe snel”, feedback beantwoordt “hoe voelde het”, en gespreks- en kwaliteitsdata beantwoorden “wat gebeurde er en waarom”.
Gebruik deze tabel als routeringsregel. Stelt iemand je een vraag, zoek die dan links op en ga naar de laag die haar echt kan beantwoorden, in plaats van een dashboard op te rekken dat dat niet kan.
| De vraag die je krijgt | Laag die haar beantwoordt | Waarom de andere tekortschieten |
|---|---|---|
| Hebben we maandagochtend genoeg mensen? | Personeelsplanning, operationeel | Gespreksdata voorspelt geen binnenkomend volume |
| Waarom daalde CSAT deze maand twee punten? | Kwaliteit en gesprekken, gekoppeld aan feedback | De enquête laat de daling zien, niet de oorzaak |
| Welke contactredenen groeien? | Gesprekken (contactredenen) | Tickettags ontbreken vaak of zijn fout |
| Geven medewerkers het juiste terugbetalingsbeleid? | Kwaliteit (beleidscriterium op elk gesprek) | Afhandeltijd en CSAT zien er normaal uit terwijl antwoorden fout zijn |
| Lost de nieuwe AI-agent problemen op of sluit hij ze alleen? | Kwaliteit op gesprekken van de AI-agent | Een geautomatiseerde oplossing telt dat de klant vertrok, niet dat hij geholpen is |
| Welk team heeft coaching nodig, en waarop? | Kwaliteit per criterium en team | Gemiddelden verbergen welk gedrag zwak is |
| Veroorzaakt een productfout contacten? | Gesprekken en kwaliteit, gegroepeerd op oorzaak | Volume toont een piek, niet waar die vandaan komt |
De meeste vragen die leidinggevenden meebrengen naar een maandelijkse review zitten in het midden van die tabel. Daarom voelt de klantenservicerapportage van de meeste teams mager aan: sterk in de eerste lagen, zwak in de lagen die het gesprek lezen.
Waarom tickettellingen en steekproeven de oorzaak missen: een rekenvoorbeeld
Een probleem dat een klein deel van de gesprekken raakt, beweegt CSAT zelden en duikt zelden op in een QA-steekproef, maar het valt duidelijk op als je elk gesprek scoort en groepeert op contactreden.
De getallen hieronder zijn een illustratief voorbeeld dat we zelf hebben berekend, geen data van een klant. Ze gaan uit van een middelgroot contactcenter en ronde getallen, zodat je de rekensom met je eigen cijfers kunt overdoen.
De situatie. Het contactcenter handelt 40.000 gesprekken per maand af via telefoon, chat en e-mail. Verzoeken om terugbetaling zijn 10% daarvan, oftewel 4.000. Door een verouderde macro noemen medewerkers in 15% van de terugbetalingsgesprekken de oude termijn: 600 gesprekken, oftewel 1,5% van het totale volume.
Wat de enquête laat zien. Stel dat 12% van de klanten de CSAT-enquête invult: 4.800 antwoorden. Daarvan komen er maar 72 uit de 600 getroffen gesprekken. Is 50% van de getroffen klanten tevreden en 85% van alle anderen, dan daalt de totale CSAT van 85,0% naar 84,5%. Een half punt valt binnen de normale schommeling van maand tot maand, dus niemand gaat het uitzoeken.
Wat een QA-steekproef van 2% laat zien. Beoordelaars scoren 800 gesprekken per maand. Gemiddeld zijn 12 daarvan getroffen gesprekken. Verdeeld over tien beoordelaars en vier weken is dat ongeveer één per beoordelaar per drie weken, en elk geval lijkt eerder een vergissing van één medewerker dan een patroon.
Wat het scoren van elk gesprek laat zien. Scoor je elk terugbetalingsgesprek op het criterium “juist beleid genoemd”, dan zakken er in die maand 600. Gegroepeerd op contactreden toont de wachtrij voor terugbetalingen een foutpercentage van 15% op dat ene criterium, tegenover bijna nul elders. De oorzaak is in de eerste week zichtbaar, en ze wijst naar de macro, niet naar de medewerkers.
| Weergave | Wat je ziet | Zou je ingrijpen? |
|---|---|---|
| Operationeel dashboard | Normaal volume en normale afhandeltijd | Nee |
| CSAT | Van 85,0% naar 84,5% | Waarschijnlijk niet |
| QA-steekproef van 2% | Ongeveer 12 fouten, verspreid over beoordelaars | Hooguit coaching voor individuele medewerkers |
| Elk gesprek gescoord | 15% beleidsfouten in één contactreden | Ja: pas de macro deze week aan |
Dezelfde logica geldt voor elke fout die binnen één wachtrij of onderwerp zit. Hoeveel gesprekken een steekproef nodig heeft om een zeldzaam probleem te vangen, lees je in onze gids over statistiek van QA-steekproeven (in het Engels).
Contactcenter-analytics op basis van QA-scores
Analytics op basis van QA-scores scoort elk gesprek tegen je eigen definitie van een goed gesprek en groepeert de resultaten daarna in trends, zodat elk getal opent naar de gesprekken erachter.
Dat is het omgekeerde van hoe speech analytics-pakketten meestal werken. Die tools indexeren opgenomen gesprekken en laten analisten de categorieën bouwen en onderhouden waarmee ze erin zoeken. Begin je bij de scorecard, dan meet de analyse wat je al coacht: juistheid, beleid, proces, toon en oplossing.
Zo werkt Kaizo. Volgens de pagina over grondoorzaakanalyse van Kaizo scoort het elk telefoongesprek, elke chat en elke e-mail tegen jouw criteria en laat het daarna zien of een dip komt door een kapot proces, frictie in het product of een vaardigheidstekort, met de gesprekken achter elke oorzaak.
Volgens de pagina over sentimentanalyse worden klantsentiment en empathie van medewerkers in elk bericht gescoord. Je kunt vragen stellen in gewone taal, en geautomatiseerde BI-exports zijn beschikbaar in de abonnementen Intelligence en Enterprise.
Twee grenzen zijn het noemen waard. Kaizo werkt op een gesprek zodra het is afgelopen, dus het monitort geen gesprekken live en geeft medewerkers geen aanwijzingen tijdens een gesprek; dat is realtime agent assist (in het Engels), een andere categorie tools. En het is geen personeelsplanning: forecasting en roosters blijven in die laag.
Waar je op let bij software voor contactcenter-analytics
Beoordeel software voor contactcenter-analytics op dekking, bewijs achter elk getal, oorzaakanalyse, gelijke behandeling van kanalen en hoe bevindingen bij de mensen komen die ze oplossen.
Gebruik deze checklist in een demo. Vraag de leverancier elk punt op het scherm te laten zien, niet te beschrijven.
| Criterium | Hoe goed eruitziet | Vraag om te stellen |
|---|---|---|
| Dekking | Elk gesprek geanalyseerd, geen steekproef | Welk deel van de gesprekken van vorige maand heeft de tool gescoord? |
| Bewijs | Elke score of trend opent naar de regels uit het transcript erachter | Laat me de gesprekken achter dit getal zien |
| Jouw criteria | Scoren tegen je eigen scorecard, in je eigen woorden | Kan ik een criterium wijzigen en het toegepast zien op nieuwe gesprekken? |
| Oorzaakanalyse | Problemen in proces, product en vaardigheden apart | Hoe onderscheid je een kapot proces van een coachingsbehoefte? |
| Kanalen | Telefoon, chat en e-mail op dezelfde criteria | Is een score op chat vergelijkbaar met een score op telefoon? |
| AI-agents | Botgesprekken gescoord met dezelfde standaard | Scoort de tool gesprekken die onze AI-agent heeft afgehandeld? |
| Data naar buiten | Export naar je datawarehouse of BI-tool | Hoe komt de data bij ons BI-team? |
| Past in je stack | Native koppeling met je helpdesk of CRM | Wat komt erbij kijken om onze helpdesk te koppelen? |
Voor een uitgebreider evaluatieplan en de prijsmodellen die je tegenkomt, gaat onze koopgids voor conversation intelligence software dieper. Vergelijk je ook QA-tools, dan zet het overzicht van vergelijkingen op een rij hoe Kaizo verschilt van andere software voor contactcenters.
Is callcenter-analytics iets anders dan contactcenter-analytics?
Callcenter-analytics betekent meestal analytics op alleen telefoongesprekken, terwijl contactcenter-analytics elk kanaal omvat dat het team afhandelt: telefoon, chat, e-mail en messaging. De methoden zijn dezelfde; de reikwijdte is breder.
Het verschil telt om één reden. Veel teams handelen inmiddels meer geschreven gesprekken af dan telefoongesprekken, en een tool die rond gespreksopnames is gebouwd, kan chat en e-mail als bijzaak behandelen.
Is je volume gemengd, controleer dan of de analytics en de kwaliteitscriteria op elk kanaal op dezelfde manier gelden, zodat een beleidsfout in een chat even zwaar telt als een in een telefoongesprek. De pagina over kwaliteitsmonitoring in het contactcenter van Kaizo beschrijft dit als één scorecard voor telefoongesprekken, chats en e-mails, met kanaalspecifieke criteria alleen waar het medium echt verschilt.
Zo begin je met contactcenter-analytics
Begin met één vraag die je huidige rapportages niet kunnen beantwoorden, kies de laag die haar beantwoordt en bewijs de waarde op die vraag voordat je dashboards voor al het andere bouwt.
Stap 1: Schrijf de onbeantwoorde vraag op
Zet de vragen uit je laatste drie managementreviews op een rij die niemand met data kon beantwoorden. “Waarom daalde CSAT?” en “Lost de AI-agent problemen echt op?” zijn de gebruikelijke. Kies de vraag waar het meeste geld achter zit.
Stap 2: Ga na welke laag het antwoord heeft
Gebruik de routeringstabel hierboven. Zit het antwoord in de gespreks- of kwaliteitslaag, dan levert geen enkele hoeveelheid werk aan het operationele dashboard het op.
Stap 3: Leg de criteria vast vóór de tool
Schrijf de drie tot vijf criteria op die de vraag zouden beantwoorden, zoals “juist beleid genoemd” of “probleem opgelost zonder herhaalcontact”. Kun je ze niet opschrijven, dan kan geen enkele software ze meten. Onze gids over kwaliteitsindicatoren die CSAT voorspellen helpt je kiezen.
Stap 4: Dek elk gesprek binnen de reikwijdte
Scoor elk gesprek in de wachtrijen waar de vraag over gaat, geen steekproef, zodat een patroon binnen dagen kan opvallen in plaats van na maanden.
Stap 5: Groepeer, volg trends en stuur door
Groepeer resultaten op contactreden, team en oorzaak en stuur elke bevinding naar de eigenaar: problemen in proces en product naar het team dat erover gaat, vaardigheidstekorten naar coaching. Onze gids over oorzaakanalyse in de klantenservice laat zien hoe je die review aanpakt.
Bekijk het in een live demo. Kaizo bouwt contactcenter-analytics op gescoorde gesprekken via telefoon, chat en e-mail, en elk getal opent naar de gesprekken erachter. Plan een gesprek.
Veelgestelde vragen
Wat is call analytics?
Call analytics is de analyse van telefoongesprekken, meestal op basis van opnames en hun transcripten, om onderwerpen, sentiment, stiltes, verplichte compliancezinnen en uitkomsten te meten. Het is één onderdeel van contactcenter-analytics. Teams die ook chat en e-mail afhandelen, hebben dezelfde analyse op die kanalen nodig, het liefst tegen dezelfde criteria.
Wat zijn de vier soorten analytics in een contactcenter?
De vier soorten zijn beschrijvend (wat er gebeurde, zoals volume en CSAT), diagnostisch (waarom het gebeurde, zoals de oorzaak van een kwaliteitsdip), voorspellend (wat er waarschijnlijk komt, zoals het verwachte volume) en voorschrijvend (wat je moet doen, zoals een coachingsactie). De meeste contactcenters zijn sterk in beschrijvende analytics en het zwakst in diagnostische.
Wat is een KPI in een callcenter?
Een KPI in een callcenter is een getal dat je in de tijd volgt om te beoordelen of de operatie op koers ligt, zoals serviceniveau, gemiddelde afhandeltijd, oplossing bij eerste contact, CSAT of de QA-score. Contactcenter-analytics verklaart waarom een KPI bewoog; de KPI op zich vertelt je alleen dat hij bewoog.
Heb je een data-analist nodig voor contactcenter-analytics?
Niet voor de dagelijkse vragen, als je in de tool kunt filteren en vragen kunt stellen in gewone taal en elk getal opent naar de gesprekken erachter. Een analist blijft nuttig als je contactcenterdata in je eigen datawarehouse koppelt aan data over omzet, klantverloop of product.
Kan contactcenter-analytics in realtime werken?
Sommige lagen wel. Wachtrijstatistieken en tools voor realtime agent assist werken tijdens het gesprek. Kwaliteits- en oorzaakanalyse werken meestal nadat het gesprek is afgelopen, omdat ze het hele gesprek nodig hebben om het te beoordelen. Veel contactcenters gebruiken beide: live tools voor het moment, analytics achteraf voor patronen.
Verder lezen
- What is conversation analytics? (in het Engels), de korte definitie
- Analyse van contactredenen, over hoe je vindt waarom klanten echt contact opnemen
- How to score 100% of your conversations (in het Engels), over de stap voorbij de steekproef
- Gespreksanalyse in Kaizo, analytics gebouwd op QA-scores
