Ukázka výstupu

Jak vypadá výstup auditu – než řeknete ano

U nové spolupráce je férové vidět dopředu, co dostanete. Tady je zkrácená ukázka, jak vypadá výstup vstupního auditu podpory – od dat po jeden konkrétní první krok.

Ilustrační příklad na smyšlených datech fiktivního e-shopu – slouží jen k ukázce formátu a hloubky. U vás pracujeme výhradně s vašimi reálnými daty a závěry jsou vždy konkrétní pro váš provoz.
ukázkový e-shop · 1 248 ticketů / 3 měsíce · e-mail + chat

Shrnutí

Většina objemu podpory padá na pár opakovaných témat, která dnes tým řeší ručně dokola. Zhruba dvě třetiny dotazů jde odbavit chytřeji – znalostní bází, šablonami a jasnějšími stavy objednávky – bez nabírání lidí. Největší tlak je na dotazech „kde je balík" a na době odezvy u reklamací.

Klíčová čísla

1 248
ticketů za 3 měsíce
63 %
objemu = jen 5 témat
19 h
průměrná první odezva
38 %
dotazů s frustrací

Na co se nejvíc ptají (top témata)

Kde je můj balík?22 %
Vrácení zboží15 %
Reklamace12 %
Dotaz na fakturu8 %
Změna objednávky6 %

Tři největší úzká hrdla

1. Opakované „kde je balík" bez samoobsluhy.Pětina všech ticketů. Zákazník nemá kam sám zjistit stav → píše na podporu. Plně deflektovatelné.
2. Pomalá odezva u reklamací.Reklamace čekají nejdéle (p95 přes 60 h) a generují nejvíc frustrace – řeší se od nuly bez šablony.
3. Know-how drží jeden člověk.Složitější případy umí vyřešit jen jeden agent → úzké místo při nemoci/dovolené, dlouhý onboarding nováčků.

Hlubší pohled: kdy, kde a jak rychle

Prioritizace v praxi nefunguje.Tickety označené „urgentní" měly medián vyřízení 31 h – pomaleji než běžná priorita (17 h). Priorita se v systému nastavovala, ale fronta se podle ní neřadila.
E-mail má dvojnásobný negativní signál oproti chatu.44 % e-mailových ticketů obsahuje frustraci vs. 21 % u chatu – stejný typ dotazů, jiná zkušenost podle kanálu.
Negativní signál roste tři měsíce v řadě.31 % → 36 % → 41 % – nejde o jednorázový výkyv, trend se zhoršuje.

Doporučení podle priority

  1. Znalostní báze pro top 5 témat + stavová stránka objednávky. Odhad: deflekce zhruba 35–45 % opakovaných dotazů.
  2. Šablony a makra pro reklamace a vrácení – zkrácení doby odezvy a sjednocení kvality odpovědí.
  3. Automatická kategorizace příchozích zpráv – tým vidí prioritu dřív, než ticket otevře.
První krok (týden 1)

Sepsat a zveřejnit jeden článek „Kde je můj balík a co znamenají stavy objednávky" + automatickou odpověď, která na něj odkáže. Nejnižší úsilí, nejvyšší okamžitý dopad – sundá z týmu největší jednotlivou kategorii dotazů.

Modelový výsledek za ~30 dní
Před
22 %
ticketů „Kde je můj balík?"
Po (~30 dní)
~10 %
většinu odbaví KB článek

Typický oborový odhad (ne měřený výsledek u klienta DHIT): u podobně postavených úzkých hrdel bývá reálné snížit objem dotazů o cca ~40–55 % původního po jednom dobře sepsaném článku + automatické odpovědi. ~12 procentních bodů z celkového objemu = řekněme 150 méně ticketů měsíčně u našeho modelového e-shopu. Skutečný pokles vždy závisí na kvalitě KB článku a tom, kde se zákazník naviguje.

Jak to vypadá u B2B SaaS podpory

Druhý ilustrační příklad – tentokrát SaaS produkt, jehož tým podpory se topí v dotazech „Jak nastavím X?" a „Kde najdu Y?". Typ firmy, kde nejslabším místem bývá onboarding a KB, ne doprava.

Ilustrační příklad na smyšlených datech fiktivního B2B SaaS – stejně jako výše slouží jen k ukázce formátu. U vás pracujeme výhradně s vašimi reálnými daty.
ukázkový B2B SaaS · 840 ticketů / 3 měsíce · e-mail + in-app chat
840
ticketů za 3 měsíce
57 %
objemu = jen 4 témata
11 h
průměrná první odezva
43 %
ticketů „Jak nastavím X?"

Tři největší úzká hrdla

1. Chybí onboarding obsah.43 % ticketů = otázky na základní funkce produktu. Zákazník nemá kde se sám naučit → píše podpoře. Plně deflektovatelné KB + in-app průvodcem.
2. Nekonzistentní odpovědi na stejné dotazy.Tým odpovídá pokaždé jinak – zákazník dostane jiný postup podle toho, kdo zrovna odpoví. Zdrojem frustrace i interně.
3. Složitější L2 případy blokují L1 frontu.Není jasná eskalační linka – L1 drží ticket i 2–3 dny, než ho eskaluje. Mezitím zákazník urguje.
Modelový výsledek za ~30 dní
Před
38 %
ticketů „Jak nastavím X?"
Po (~30 dní)
~14 %
onboarding průvodce + KB sekce

U B2B SaaS supportu tvoří „Jak nastavím X?" typicky 35–45 % objemu a jsou plně deflektovatelné. Typický oborový odhad (ne měřený výsledek u klienta DHIT): dobře napsaný onboarding průvodce + in-app odkaz na KB snižuje tento typ ticketů na 30–40 % původního počtu za prvních 30 dní. Skutečný pokles vždy závisí na kvalitě obsahu a tom, jak dobře produkt zákazníka naviguje – ne na naší vůli.

Skutečný audit jde do větší hloubky a navazuje na krátký discovery hovor, kde čísla zasadíme do kontextu vašeho byznysu. Výše jsou zkrácené ilustrace formátu – modelové výsledky vycházejí z běžných oborových odhadů – DHIT zatím žádného klienta s tímto výsledkem nemá, ne ze záruky.

Chcete takový rozbor pro svůj provoz?

Vstupní audit je malý první krok, bez závazku – jeho cenu navíc odečteme od případné navazující práce.

Chci vstupní audit →

Stáhnout ukázku jako PDF →

Souvisí: Co audit zkoumá · Vyzkoušet na svých datech (CSV demo) →