Scenario: Hvor godt lever I op til jeres servicemål?

I dette scenario kommer du på rundtur blandt nogle af de mest relevante funktioner i Zylinc Advanced Statistics. Du får ikke at vide eksakt, hvordan du skal håndtere lignende scenarier i jeres organisation, men du vil få masser af inspiration til, hvad du kan gøre.

Lad os sige, at du leder et receptions-team, og at du vil vide, hvor gode I er til at leve op til jeres servicemål, som er at besvare alle opkald inden for 40 sekunder.

Kan Zylinc Advanced Statistics hjælpe dig med det, så du kan basere din vurdering på fakta og ikke bare på mavefornemmelser? Svaret er ja. Her er et eksempel:

  1. I Zylinc Advanced Statistics vælger du RAPPORTER > UDVIDET STATISTIK, og klikker så på Zylinc.

  2. På Parametre-fanens Fra-Til-fane, vælger du det seneste år, mandag til fredag

  3. På Interval-fanen, vælger du receptionens åbningstid, som er 9.00-17.00.

  4. I receptionen tager I imod telefoniske henvendelser, så på Rapport-fanen vælger du Telefonkøer.

    Når du gør det, får du et ekstra felt, hvor du kan angive jeres servicemål, som er 40 sekunder.

    Vi vælger det simple i dette scenario, men hvis I nu havde flertrins-servicemål, ville du kunne skrive de forskellige tærskelværdier adskilt med kommaer (eksempel: 20, 40, 60). På den måde kan du får mere detaljeret information som grundlag til din analyse.

  5. På fanen Rapport indhold klikker du på ikonet for at vælge det, rapporten skal handle om, i dette tilfælde jeres receptionskø.

    Det viser sig, at I har en stor mængde køer i jeres organisation, så i filter-feltet skriver du rec for hurtigt at filtrere i den lange liste, og så vælger du Reception.

  6. Derefter klikker du på Træk rapport-knappen.

    I det følgende vil vi se på, hvordan du analyserer rapportens data, så du kan finde ud af, hvor gode I er til at overholde jeres servicemål på 40 sekunder.

Nu, hvor du har rapporten, kan du nemt og hurtigt se på forskellige perspektiver af dit teams evne til at leve op til servicemålet på de 40 sekunder.

Imidlertid er der straks en anden ting, du bemærker, nemlig at 16.8% af opkaldene til jeres reception inden for åbningstiden overhovedet ikke er blevet besvaret:

Det er potentielt et stort problem og noget, du bliver nødt til at kigge nærmere på senere. Det er også et eksempel på, hvordan Advanced Statistics kan hjælpe med af afdække ting, som man måske slet ikke var opmærksom på.

Lige nu vælger du dog at koncentrere dig om de opkald, som I trods alt fik besvaret. Fik I besvaret dem alle inden for 40 sekunder?

Du kan se din rapport i flere forskellige visninger, og det gør du brug af nu. Den første visning, du kigger på, er den der allerede er valgt: Klokkeslæt-visning. Den indeholder en tabel, der viser jeres receptions åbningstid opdelt i blokke på 30-minutter: Fra 9.00 til 9.30, fra 9.30 til 10.00 osv. Den kan vise dig, om I har været lige gode til at leve op til servicemålet på alle tider af dagen:

Den øverste række viser jeres total: Gennem det seneste år har receptionen overholdt sit servicemål i 69.9% af tilfældene.

Når du kigger på 30-minutters-blokkene, kan du se, at I har performet bedre på nogle tidspunkter på dagen i forhold til andre. For eksempel har I gjort det ret godt mellem 10.00 og 10.30 (84.6% af opkaldene besvaret inden for servicemålet), mens I var nede på 58.9% mellem 13.00 og 13.30.

Tidspunktet mellem 13.00 og 13.30 er der, hvor de fleste folk i jeres organisation spiser frokost. Måske har for mange af receptionisterne været til frokost samtidig?

Du bemærker, at gennemsnitlig og total taletid også er markant lavere i 13.00-13.30-blokken. Det kan være yderligere en indikation på, at kunder, der har ringet ved frokosttid, ikke har haft en god oplevelse: De har ofte været nødt til at vente mere end 40 sekunder, inden deres opkald blev besvaret – og når de kom igennem, blev de med en vis sandsynlighed mødt at en fortravlet receptionist, som ikke havde megen tid til at tage sig af opkaldet.

Du ved af erfaring, at de kunder, der ringer ved frokosttid, ofte er dem, der har de mest komplekse forespørgsler, fordi tiden omkring frokost er der, hvor de har bedst tid til at ringe til jer, så du beslutter, at I med det samme skal have øget bemandingen i receptionen omkring frokosttid.

Det faktum, at totalværdierne viser, at I kun har kunnet besvare 69.9% af opkaldene inden for servicemålet på 40 sekunder, bekymrer dig. Totalværdierne dækker imidlertid over et helt år. Måske har I forbedret jer på det seneste?

For at finde ud af det skifter du til År og måned-visning:

Du ser hurtigt, at jeres performance i de seneste måneder ikke har været bedre end jeres forudgående performance.

Du spørger nu dig selv, om en bestemt dag på ugen er særligt travl, og dermed forhindrer jer i at leve op til servicemålet.

For at finde ud af det skifter du til Ugedag-visning.

Du bemærker, at jeres evne til at overholde servicemålet har været størst på mandage (74.0%). På tirsdage har I ikke gjort det så godt som på mandage, men tirsdag har også været den dag, hvor I har modtaget flest opkald.

Hen mod slutningen af ugen, hvor I har modtaget færre opkald, har jeres evne til at overholde servicemålet imidlertid været endnu lavere. På torsdage har I været nede på 66.9%.

Du bemærker også noget andet: Jeres taletid er gået ned i løbet af ugen. På mandage har I talt med kunderne i i gennemsnit 45 sekunder, mens I på fredage kun har talt med dem i i gennemsnit 30 sekunder.

I var bedst til at leve op til servicemålet i ugens første dage. Ugens første dage har imidlertid også været der, hvor I modtog de fleste opkald, og hvor I brugte længst til på at tale med dem, der ringede.

Det her scenario var et eksempel, og alle antagelser i scenariet blev gjort af en fiktiv person. Ikke to organisationer er ens, og i hvert enkelt tilfælde vil en masse forskellige faktorer påvirke det samlede billede.

I dette scenario kiggede den fiktive receptionsleder på data baseret på klokkeslæt, måned og ugedage. Nogle ting stod helt klart:

  • Teamet var ikke gode til at overholde deres servicemål.

  • Der var mange opkald, som slet ikke blev besvaret.

Imidlertid kan mange faktorer have bidraget til det. For eksempel ...

  • Havde receptions-teamet dem samme bemanding i hele det år, rapporten omfattede? I løbet af ugens forskellige dage? I løbet af dagens forskellige timer?

  • Gjorde nogle receptionister, fx de mest erfarne, det bedre end andre?

En smule yderligere analyse i Zylinc Advanced Statistics ville hurtigt kunne besvare de spørgsmål, fx ved hjælp af en Brugere pr. ID-rapport, men viden om organisationen og dens forskellige interessenter er også vigtig, så man kan fortolke data i den rigtige kontekst.

  • Havde teamet stor udskiftning blandt personalet, så de var nødt til at bruge en masse tid på oplæring af nye receptionister, inden de kunne hjælpe kunderne optimalt?

  • Kørte organisationen kampagner, eller sendte man nye produkter på gaden, der kan have påvirket antallet af opkald, man fik?

  • Kan kundebasen have ændret sig siden servicemålet blev fastlagt?

  • Hvor længe er det siden, servicemålet blev fastlagt? Er det stadig realistisk?

  • Anser organisationen korte taletider for at være et problem eller et tegn på effektiv kundeservice?

Alle disse faktorer, og mange flere, kan have påvirket receptions-teamets evne til at overholde servicemålet. Derfor er viden om organisationen og dens forskellige interessenter ekstremt nyttig at have, når du skal analysere data, lave konklusioner, komme med anbefalinger og træffe beslutninger.

Dette scenario var et eksempel, men hvis det har fået dig til at tænke over, hvordan du kan bruge Zylinc Advanced Statistics til fakta-baseret analyse i jeres organisation, har scenariet opfyldt sit mål.