Bekende webshop laat klachtenstapel slinken door datagedreven verbeteren
In de blog ‘In 8 stappen je prestaties datagedreven verbeteren’ namen we je stapsgewijs mee door dit proces. Maar hoe ziet dat er dan in de praktijk uit? We maken het tastbaar aan de hand van een sprekend voorbeeld.
De casus
Bij een bekende Nederlandse webshop is het aantal klachten dat binnenkomt bij de klantenservice te hoog. Daarnaast neemt het oplossen van de klachten te veel tijd in beslag, waardoor de klachtenstapel blijft groeien. Op basis van data wil het MT van de webshop dit probleem aanpakken.
Stap 1: bepaal je doel en scope
Het doel van de webshop is helder: het hoge aantal openstaande klachten en de lange oplostijd verminderen. De webshop kiest ervoor de scope te beperken tot het klantsupport team en de stakeholders die nodig zijn om de klachten op te lossen. Dit betekent dat de processen en data van de andere teams niet worden meegenomen. Anders wordt de analyse te veelomvattend.
Stap 2: verschaf inzichten in proces en benodigde data
Inzicht krijg je door de juiste vragen te stellen. In het geval van de webshop worden er twee problemen getackeld. Per probleem analyseren we welke data nodig is om het doel te behalen.
Om de grondoorzaak van het hoge aantal openstaande klachten te vinden, willen we weten:
- Hoeveel klachten zijn er per periode?
- Wanneer zijn de klachten binnengekomen?
- Hoeveel klachten sturen klanten gemiddeld?
- Hoeveel openstaande klachten zijn er?
- Waar gaan de klachten over?
De grondoorzaken van de te hoge oplostijd maken we inzichtelijk door de volgende vragen te stellen:
- Hoe lang staan klachten gemiddeld open?
- Hoeveel contactmomenten zijn er gemiddeld nodig om een klacht op te lossen?
- Hoe verloopt het proces in detail?
- Waar zitten de verspillingen in het proces?
- Wie is er verantwoordelijk voor welk deel van het proces?
Stap 3: bereid de data voor
Bij de webshop uit ons voorbeeld is er veel ruwe data beschikbaar. Zo documenteert het bedrijf ieder contactmoment met de klant. En wordt er een call-log per klant aangemaakt, waarin ook informatie over de klacht en de duur van het gesprek wordt verzameld. Nuttige data voor het vertrekpunt van een analyse.
Optie: creëer meer werkbare data
De webshop kan meer werkbare data creeën door telefoongesprekken via de speech-to-text techniek te verwerken. Zo kunnen we de call reason afleiden, het herhaalverkeer analyseren en het sentiment van de klant inzichtelijk maken. Hierdoor begrijp je de klant beter en kun je de klantreis optimaliseren. Dit zal leiden tot reductie van de totale oplostijd.
Schoon je data op
In de opgeslagen data van de webshop worden veel verschillende tijd-en-datum notaties gebruikt. Daarnaast zijn er meerdere klachtcategorieën die ongeveer dezelfde strekking hebben en zijn er meerdere telefoongesprekken van korter dan tien seconden. Een aantal medewerkers neemt een middag de tijd om de datanotaties op gelijke wijze te schrijven, categorieën samen te voegen en ruis van te korte telefoongesprekken te verwijderen.
Stap 4: analyseer proces en data
In deze stap komt de webshop erachter dat 39% van de tickets met klachten binnenkomt op woensdagmiddag. Ook is te zien dat de meeste tickets beantwoord worden op dinsdagochtend, wanneer er ook de meeste outbound calls gepleegd worden.
Voer een nulmeting uit
Het huidige aantal klachten en de gemiddelde doorlooptijd vormen de basis voor de nulmeting. De webshop breidt de nulmeting verder uit met de antwoorden op de vragen uit stap 2.
Stap 5: identificeer grondoorzaken
Uit de data-analyse van de webshop bleek dat de meeste klachten op woensdagmiddag binnenkomen. Dit is ook moment dat het klantsupport team de hoogste bezetting heeft. Uit de interviews komt naar voren dat de bezetting van het team wordt ingedeeld op senioriteit. In de middag werken vaak parttimers of studenten. Terwijl in de ochtenden de senior agents vaak werken. De grondoorzaak van het hoge aantal openstaande klachten is het gebrek aan kennis bij de parttimers en studenten. De klachten blijven langer liggen doordat de senior agents alleen ‘s ochtends de klachten kunnen oppakken, terwijl dan ook andere klachten binnenstromen. Het hoge klachtenaantal op woensdagmiddag wordt gemiddeld pas maandagmiddag afgehandeld. Dit verklaart ook de hoge doorlooptijd.
Combineer data-analyse met interviews
Verdiepende vragen om de grondoorzaak van het hoge aantal openstaande klachten te achterhalen:
- Is er een terugkerend patroon te ontdekken bij binnenkomst van de openstaande klachten?
- Zijn er opvallende verschillen tussen de openstaande klachten per klant? Zo ja, waar komen die door?
- Waarom blijven de klachten lang openstaan?
- Kunnen de openstaande klachten op onderwerp geclusterd worden of zijn ze losstaand?
De grondoorzaken van de te hoge oplostijd maken we inzichtelijk door de volgende vragen te stellen:
- Zijn er meerdere contactmomenten nodig? En zo ja, waarom?
- Waardoor ontstaan er verspillingen in het proces?
Stap 6: genereer en prioriteer verbeteringen
Bij de webshop wordt het duidelijk dat parttimers en studenten over onvoldoende kennis beschikken om alle openstaande klachten af te handelen. Een van de medewerkers oppert dat er kennisdeling nodig is, waar andere medewerkers liever een gebalanceerde planning zien op basis van senioriteit. Het MT ziet graag een klachtencoördinator om de klachten te verdelen onder medewerkers op basis van skills en kennis. Middels de impact-gemak matrix wordt gekozen om alle oplossingen te implementeren, gezien de grote impact van al deze oplossingen.
Stap 7: implementeer verbeteringen
De supportdesk-medewerkers kiezen een klachtencoördinator die de binnenkomende klachten categoriseert en verdeelt onder het team op basis van skills en kennis. Daarnaast wordt er een nieuwe planningstool aangekocht waarin skills en kennis bijgehouden worden. Door deze vernieuwde planning is het team op elk moment goed uitgebalanceerd.
Stap 8: meet de verbetering
Door de resultaten van de nulmeting met de eindmeting te vergelijken, blijkt dat de openstaande klachtenstapel met 30% is gedaald en de gemiddelde oplostijd met twee werkdagen is afgenomen. Een duidelijke datagedreven prestatieverbetering die de webshop een hoop oplevert.
Lees ook ons andere blog
We hopen dat dit praktijkvoorbeeld van datagedreven verbeteren je waardevolle inzichten en handvatten heeft gegeven. Wil je de ‘theorie’ achter alle stappen nog eens rustig teruglezen? Dat doe je hier.
Gratis online advies
Wil je met jouw organisatie ook aan de slag met datagedreven verbeteren? Conclusion Consulting doorloopt graag samen met jou het stappenplan. Laat je als een van de eerste vijf geïnteresseerden je gegevens achter? Dan ontvang je een gratis online adviesgesprek.
Aan de slag met datagedreven verbeteren?
