Connaissez-vous les types de détournement d'affaire ?
On parle de détournement de cas lorsque les clients sont en mesure de trouver eux-mêmes les réponses à leurs questions sur votre site web ou votre plateforme en utilisant le libre-service sans avoir à contacter votre équipe d'assistance à la clientèle. Un taux de détournement de cas plus élevé signifie que davantage de personnes trouvent des réponses à leurs questions grâce à un système de gestion des connaissances efficace. Par conséquent, votre équipe de support client passe moins de temps à aider les clients qui ont des problèmes qui auraient pu être résolus en libre-service et plus de temps à aider les clients qui ont des problèmes plus complexes. Mais quels sont les différents types de déviation de cas et comment fonctionnent-ils ?
Les deux types de déviation de cas sont explicites et implicites. Le détournement de cas explicite est plus évident et plus facile à mesurer. C'est le cas lorsqu'un client commence à créer un ticket d'aide, puis abandonne la page parce qu'il a trouvé la réponse tout seul. La notion d'implicite est un peu plus large : il s'agit de tout ce qui implique qu'un cas a été détourné, et cela se produit sans qu'un client n'atterrisse sur la page "Créer un ticket". Il s'agit de certaines pages vues de contenu utile en libre-service ou lorsqu'un client évalue le libre-service comme étant utile.
Pour en savoir plus sur l'identification du type de détournement de dossier, téléchargez l'infographie.
En bref, non, le détournement de cas et le libre-service ne sont pas la même chose, mais ils sont étroitement liés. On parle de détournement de cas lorsqu'un ticket ou un cas client est évité parce que le client utilise un canal en libre-service, comme une page de FAQ ou une base de connaissances, plutôt qu'un agent du support client. L'objectif du détournement de cas est de réduire la charge de travail des agents du support client et d'améliorer l'efficacité en permettant aux clients de trouver eux-mêmes les réponses à leurs questions. Le libre-service, quant à lui, désigne toute solution de service à la clientèle qui permet aux clients de trouver des informations ou de résoudre des problèmes par eux-mêmes (site web, application, chatbot, etc.). En résumé, le détournement de cas consiste à éviter qu'un client ne contacte l'assistance grâce à un contenu en libre-service réussi, mais le libre-service englobe un éventail plus large de solutions de service à la clientèle.
La mesure de la déviation des cas implique la collecte et l'analyse des données du service client afin de déterminer le pourcentage de demandes ou de problèmes qui ont été résolus avec succès par des canaux en libre-service plutôt que de nécessiter l'assistance d'un agent du service client. Cela implique de suivre le nombre d'utilisateurs qui sont arrivés sur une page de création de dossier ou de ticket et qui ne l'ont pas terminée, ainsi que de suivre la déviation implicite. Le détournement implicite est plus difficile à mesurer, mais il peut l'être en examinant les commentaires sur le contenu du libre-service - par exemple lorsqu'un client attribue une note de 5 sur 5 à un élément du contenu du libre-service ou indique que "oui, cela a été utile" lorsqu'on le lui demande.
Pour augmenter le taux de renvoi des dossiers, il faut optimiser votre système de gestion des connaissances et l'expérience des clients en libre-service. Il est important de s'assurer que vos plateformes de libre-service sont faciles à utiliser, intuitives et qu'elles fournissent des informations exactes et à jour. Si une plateforme en libre-service contient toutes les bonnes informations, mais qu'elle est maladroite et difficile à naviguer, elle ne contribuera probablement pas à augmenter la déflexion des cas. Les entreprises peuvent également utiliser des outils alimentés par l'IA pour augmenter le nombre de dossiers rejetés. L'une d'entre elles consiste à utiliser des chatbots pour aider les clients à répondre à leurs questions et les diriger vers des ressources en libre-service. Une autre façon est d'utiliser l'IA pour fournir des résultats plus personnalisés et pertinents et d'utiliser l'apprentissage automatique pour produire de meilleurs résultats basés sur des données clients continues.
