Seiring bertambahnya permintaan dukungan, membantu setiap pelanggan satu per satu menjadi lebih sulit. Pembelokan kasus menawarkan cara untuk mengurangi beban ini dengan memandu pelanggan untuk menyelesaikan masalah mereka sendiri.
Alat-alat seperti artikel bantuan, chatbot, atau halaman komunitas dapat menjawab pertanyaan umum tanpa membuka tiket dukungan.
Dalam blog ini, kita akan melihat cara mengukur dan meningkatkan defleksi kasus dengan cara yang jelas dan sederhana yang dapat digunakan untuk tim kecil dan besar.
Gambaran Umum Defleksi Kasus
Pembelokan kasus adalah proses yang memungkinkan pelanggan menyelesaikan masalah mereka melalui alat bantu layanan mandiri-seperti FAQ, artikel bantuan, dan chatbot-tanpa mengirimkan tiket dukungan. Ini adalah strategi yang membantu mengurangi volume dukungan sekaligus meningkatkan pengalaman pelanggan melalui resolusi yang lebih cepat dan otonom.
Tips untuk Mengoptimalkan Defleksi Casing:
- Bangun Basis Pengetahuan yang Didukung AI: Buat basis pengetahuan cerdas yang memperbarui dan belajar dari perilaku pengguna untuk menyajikan konten yang paling relevan.
- Menerapkan Alat Bantu Layanan Mandiri: Tawarkan alat bantu yang mudah dinavigasi seperti FAQ, tutorial video, dan panduan untuk memberdayakan pengguna agar dapat menyelesaikan masalah secara mandiri.
- Gunakan Chatbots AI untuk Dukungan Instan: Siapkan chatbot untuk menjawab pertanyaan yang sering muncul dan memandu pengguna ke sumber daya yang bermanfaat secara real time.
- Memanfaatkan Dukungan Proaktif: Memicu pesan bantuan kontekstual atau saran berdasarkan perilaku pengguna untuk menyelesaikan masalah sebelum tiket dibuat.
- Optimalkan Fungsi Pencarian: Tingkatkan alat bantu pencarian pusat bantuan Anda untuk menampilkan hasil yang akurat dengan cepat dan menangani kesalahan ejaan atau istilah yang umum.
- Mengintegrasikan Sistem CRM untuk Pembelokan: Hubungkan alat bantu layanan mandiri dengan CRM Anda untuk mempersonalisasi saran dukungan berdasarkan data pelanggan.
- Agen AI untuk Pembelokan Kasus: Menerapkan agen AI canggih yang mampu menangani kueri yang kompleks tanpa harus meneruskannya ke agen manusia.
- Metrik Waktu Nyata untuk Wawasan Perjalanan Pelanggan: Pantau data keterlibatan secara langsung untuk mengidentifikasi dan meningkatkan titik-titik lemah dalam perjalanan layanan mandiri.
Apa yang dimaksud dengan Case Deflection?
Pembelokan kasus adalah proses membantu pelanggan menemukan jawaban atas pertanyaan mereka tanpa perlu mengajukan tiket dukungan atau berbicara dengan agen AI layanan pelanggan. Hal ini biasanya terjadi melalui sumber daya online seperti FAQ, artikel bantuan, chatbot, atau diskusi komunitas. Tujuannya adalah untuk memberikan informasi yang tepat kepada pelanggan pada waktu yang tepat sehingga mereka dapat menyelesaikan masalah mereka sendiri.
Alih-alih menghubungi tim dukungan untuk setiap masalah, pelanggan dipandu ke alat yang dapat membantu mereka dengan segera. Hal ini tidak hanya mengurangi jumlah permintaan dukungan yang masuk, namun juga membuat pengalaman keseluruhan menjadi lebih cepat dan nyaman.
Pembelokan Kasus vs Layanan Mandiri
Sangat mudah untuk mencampuradukkan swalayan dan pembelokan casing, tetapi keduanya bukanlah hal yang sama. Layanan mandiri memberi pelanggan alat untuk menemukan jawaban sendiri-seperti basis pengetahuan, FAQ, atau artikel bantuan. Ini semua tentang membuat dukungan tersedia tanpa memerlukan seseorang dari tim untuk turun tangan.
Kasus defleksidi sisi lain, adalah hasil dari layanan mandiri yang bekerja dengan baik. Ketika pelanggan menemukan jawaban yang tepat dan tidak mengajukan tiket dukungan, itulah pembelokan kasus. Itu berarti alat bantu swalayan telah melakukan tugasnya.
| Fitur | Layanan Mandiri | Defleksi Kasus |
|---|---|---|
| Definisi | Alat dan sumber daya yang memungkinkan pelanggan menyelesaikan masalah mereka sendiri | Hasil ketika pelanggan menggunakan layanan mandiri dan menghindari pembuatan tiket dukungan |
| Tujuan | Memberdayakan pelanggan untuk menemukan jawaban secara mandiri | Mengurangi volume permintaan dukungan dengan menyelesaikan masalah tanpa interaksi agen |
| Contoh | Basis pengetahuan, FAQ, artikel bantuan, video tutorial | Pelanggan membaca artikel bantuan dan tidak menghubungi dukungan |
| Melibatkan | Menyediakan alat bantu dan informasi pendukung | Mengukur keefektifan alat-alat tersebut |
| Tujuan | Membuat dukungan dapat diakses tanpa bantuan langsung | Menurunkan jumlah kasus dukungan yang masuk |
| Hubungan | Ini adalah metode atau alat | Ini adalah hasil atau dampak |
Singkatnya, swalayan vs pembelokan kasus adalah tentang alat versus hasil. Layanan mandiri adalah apa yang Anda tawarkan. Pembelokan kasus terjadi ketika alat bantu tersebut benar-benar mengurangi permintaan dukungan yang masuk.
Jenis Defleksi Kasus
Kasus defleksi tidak selalu terlihat sama. Faktanya, ada dua jenis utama yang bekerja dengan cara yang berbeda-eksplisit dan implisit. Mengetahui cara kerja keduanya dapat membantu Anda lebih memahami bagaimana pelanggan menemukan jawaban tanpa memerlukan dukungan langsung.
1. 1. Defleksi Kasus Eksplisit
Hal ini terjadi ketika pelanggan diperlihatkan dengan jelas solusi sebelum mereka mengirimkan permintaan bantuan-dan mereka memilih untuk tidak melanjutkan. Misalnya, jika seseorang mulai mengisi formulir dukungan tetapi melihat daftar artikel bantuan terkait yang menjawab pertanyaan mereka, dan mereka berhenti mengirimkan formulir tersebut, itu adalah pembelokan kasus secara eksplisit.
Pelanggan melihat jawabannya, membacanya, dan tidak memerlukan bantuan lagi. Jenis ini mudah dilacak karena tindakannya jelas. Ini menunjukkan bahwa alat bantu swalayan melakukan tugasnya pada saat yang tepat, tepat sebelum tiket dibuat.
2. Defleksi Kasus Implisit
Yang satu ini sedikit lebih sulit dikenali. Pembelokan kasus implisit terjadi ketika pelanggan mengunjungi halaman bantuan atau membaca artikel dan tidak pernah menghubungi bagian dukungan-jadi tidak ada tanda yang jelas bahwa mereka membutuhkan bantuan sejak awal.
Karena tidak ada formulir yang dimulai atau tiket yang dibuat, Anda tidak selalu tahu apakah pelanggan memiliki masalah atau hanya menjelajah. Namun seiring berjalannya waktu, jika banyak pelanggan menggunakan sumber daya bantuan Anda dan permintaan dukungan menurun, ini merupakan pertanda bahwa pembelokan kasus implisit sedang terjadi.
Bagaimana Cara Mengukur Defleksi Casing?
Anda tidak dapat meningkatkan kasus defleksi jika Anda tidak tahu bagaimana kinerjanya. Untuk melakukan itu, Anda perlu melacak apa yang berhasil dan apa yang tidak. Dua langkah utama membantu Anda mengukurnya dengan benar: melihat jumlah percobaan dan memeriksa berapa banyak yang berhasil.
1. Upaya Pembelokan Kasus
A upaya pembelokan kasus adalah ketika pelanggan ditawari opsi layanan mandiri sebelum mereka menghubungi dukungan. Ini bisa melalui artikel bantuan yang ditampilkan di chatbot, saran di bawah formulir kontak, atau hasil pencarian di pusat bantuan.
Bahkan jika pelanggan tidak menemukan jawabannya, hal ini tetap dianggap sebagai upaya. Hal ini menunjukkan bahwa sistem telah mencoba membantu sebelum meneruskan kasus tersebut ke tim dukungan. Dengan melacak upaya-upaya ini, Anda dapat mengetahui seberapa sering pelanggan dipandu untuk menyelesaikan masalahnya sendiri.
2. Pembelokan Kasus yang Berhasil
A pembelokan kasus yang berhasil terjadi ketika pelanggan mendapatkan bantuan yang mereka butuhkan dan tidak menindaklanjuti permintaan dukungan. Misalnya, jika mereka membaca artikel yang disarankan dan meninggalkan halaman tanpa mengirimkan tiket, maka hal tersebut dianggap sukses.
Untuk mengukur hal ini, banyak perusahaan melacak berapa banyak pelanggan yang melihat konten bantuan dan tidak menghubungi bagian dukungan dalam waktu tertentu, seperti 24 atau 48 jam. Tidak selalu tepat, tetapi seiring waktu, angka-angka tersebut dapat memberikan gambaran yang baik tentang seberapa baik alat bantu swalayan Anda bekerja.
Bagaimana Cara Mengukur Tingkat Defleksi Casing?
Tingkat kemandirian pelanggan yang tinggi ditunjukkan secara efektif tingkat defleksi kasus sekitar 58% dariyang sering dianggap sebagai standar yang kuat.
Setelah Anda mengetahui apa yang dianggap sebagai upaya defleksi dan keberhasilan, langkah selanjutnya adalah mengukur tingkat defleksi kasus. Hal ini memberi tahu Anda seberapa sering alat bantu layanan mandiri Anda benar-benar mencegah tiket dukungan dibuat.
Untuk menemukan tarifnya, Anda menggunakan rumus sederhana:
Rumus: Tingkat Kasus Defleksi = (Defleksi yang Berhasil ÷ Total Upaya Defleksi) × 100
Katakanlah 500 orang melihat artikel bantuan yang disarankan sebelum mengirimkan tiket. Dari jumlah tersebut, 300 orang menemukan jawabannya dan tidak melanjutkan. Itu artinya:
(300 ÷ 500) × 100 = 60% tingkat defleksi casing
Angka ini membantu Anda memahami seberapa baik sistem dukungan Anda bekerja. Angka yang lebih tinggi berarti lebih banyak pelanggan yang mendapatkan bantuan yang mereka butuhkan tanpa membuka kasus. Angka yang lebih rendah mungkin berarti konten bantuan Anda tidak berguna, atau tidak muncul pada waktu yang tepat.
Melacak tingkat pembelokan kasus secara teratur dapat membantu tim memutuskan apa yang perlu ditingkatkan-seperti menambahkan artikel yang lebih baik, mengubah cara saran ditampilkan, atau menyesuaikan alur chatbot.
Kiat untuk Mengoptimalkan Defleksi Casing
Untuk membuat pembelokan casing berfungsi dengan baik, penting untuk membangun pengaturan yang tepat dan terus memperbaikinya dari waktu ke waktu. Di bawah ini adalah cara sederhana dan efektif untuk meningkatkan defleksi dengan membuat dukungan yang lebih mudah diakses dan digunakan oleh pelanggan Anda.
1. Membangun Basis Pengetahuan yang Didukung AI
Basis pengetahuan yang baik adalah dasar dari sistem layanan mandiri. Basis pengetahuan ini harus mencakup jawaban yang jelas dan mudah diikuti untuk pertanyaan-pertanyaan umum. Ketika didukung oleh AI, basis pengetahuan ini dapat menyarankan artikel terkait, mempelajari konten mana yang paling membantu, dan bahkan menyoroti kesenjangan di mana artikel baru diperlukan. Hal ini memastikan bahwa pelanggan selalu memiliki akses ke informasi terbaru dan bermanfaat tanpa perlu menunggu dukungan.
Basis Pengetahuan AI: Panduan Utama untuk tahun 20252. Menerapkan Alat Layanan Mandiri
Alat bantu layanan mandiri dapat mencakup hal-hal seperti halaman FAQ, panduan langkah demi langkah, tutorial video, atau forum komunitas. Alat bantu ini memungkinkan pengguna menemukan jawaban sendiri, tepat saat mereka membutuhkannya. Semakin mudah alat bantu ini digunakan dan ditemukan, semakin besar kemungkinan pengguna akan menyelesaikan masalah tanpa mengirimkan tiket - yang mengarah ke pembelokan kasus pelanggan.
3. Gunakan Chatbot AI untuk Dukungan Instan
Chatbot dapat menangani pertanyaan umum secara real-time, sehingga menghemat waktu bagi pelanggan dan tim dukungan. Chatbot yang terlatih dengan baik dapat memandu pengguna ke artikel bantuan yang tepat, memandu mereka melalui tugas-tugas sederhana, atau mengumpulkan informasi dasar sebelum terhubung ke agen langsung. Ketika diatur dengan benar, ini meningkatkan tingkat defleksi chatbot dan mengurangi jumlah kasus dukungan.
4. Memanfaatkan Dukungan Proaktif
Dukungan proaktif berarti menawarkan bantuan bahkan sebelum pelanggan memintanya. Ini bisa berupa pesan yang muncul berdasarkan halaman yang mereka kunjungi atau saran ketika mereka mengalami kebuntuan. Dengan menghubungi lebih awal, Anda membantu pengguna menemukan jawaban dengan cepat, sehingga meningkatkan kemungkinan pembelokan kasus terjadi sebelum frustrasi meningkat.
5. Mengoptimalkan Fungsi Pencarian
Banyak orang lebih suka mengetikkan pertanyaan mereka ke dalam kotak pencarian daripada mengeklik menu. Itulah mengapa fitur pencarian di pusat bantuan Anda harus cerdas dan dapat diandalkan. Fitur ini harus menampilkan hasil yang paling membantu terlebih dahulu, mengenali frasa umum atau salah eja, dan meningkat dari waktu ke waktu berdasarkan apa yang diklik pengguna. Alat pencarian yang lebih baik akan menghasilkan defleksi yang lebih sukses.
6. Mengintegrasikan Sistem CRM untuk Pembelokan
Menghubungkan pusat bantuan atau chatbot Anda dengan sistem CRM memungkinkan Anda untuk memahami setiap pengguna dengan lebih baik. Jika sistem Anda mengetahui produk apa yang digunakan pelanggan, masalah apa yang pernah mereka hadapi sebelumnya, atau paket apa yang mereka gunakan, maka sistem Anda dapat menawarkan saran dukungan yang lebih akurat. Hal ini membuat layanan mandiri menjadi lebih pribadi dan meningkatkan peluang keberhasilan pembelokan kasus.
Perangkat Lunak Dukungan Pelanggan AI TerbaikStrategi Pembelokan Kasus Tingkat Lanjut untuk Tim Dukungan Pelanggan
Setelah praktik-praktik pembelokan kasus dasar diterapkan, tim dukungan pelanggan dapat mengadopsi strategi lanjutan untuk lebih meningkatkan hasil. Pendekatan ini menggunakan teknologi modern dan alur kerja yang lebih cerdas untuk memandu pelanggan secara lebih efektif dan mengurangi jumlah kasus dukungan.
1. Menambah Chatbots dengan Pencarian AI
Chatbot tradisional terkadang kesulitan untuk menemukan jawaban yang tepat, tetapi jika digabungkan dengan pencarian bertenaga AI, chatbot menjadi jauh lebih efektif. Pengaturan ini memungkinkan chatbot untuk memindai basis pengetahuan yang besar dengan cepat dan memberikan hasil yang tepat. Ini membantu pelanggan mendapatkan jawaban yang relevan dengan lebih cepat, meningkatkan peluang keberhasilan pembelokan kasus tanpa menunggu bantuan manusia.
2. Memanfaatkan Jawaban Generatif atau Cuplikan Cerdas
Teknologi penjawaban generatif dapat membuat jawaban yang ringkas dan mudah dipahami dengan mengumpulkan informasi dari berbagai sumber. Cuplikan cerdas adalah jawaban singkat yang ditampilkan di bagian atas hasil pencarian. Kedua alat bantu ini mengurangi waktu yang dihabiskan pelanggan untuk mencari solusi dengan memberikan jawaban yang instan dan akurat. Pendekatan ini meningkatkan pengalaman pengguna dan meningkatkan tingkat pembelokan kasus dengan menawarkan bantuan langsung sebelum kasus dukungan dibuka.
3. Strategi Defleksi Multisaluran
Pelanggan menggunakan banyak saluran untuk mencari dukungan, seperti situs web, aplikasi seluler, media sosial, dan platform perpesanan. Strategi pembelokan multisaluran memastikan bahwa opsi layanan mandiri dan konten yang bermanfaat tersedia di semua titik kontak ini. Konsistensi ini membantu pelanggan mendapatkan jawaban di mana pun mereka berada, meningkatkan defleksi secara keseluruhan dan mengurangi beban kerja tim dukungan.
4. Agen AI untuk Pembelokan Kasus
Agen AI melampaui chatbot dasar dengan menangani percakapan yang lebih kompleks dan menawarkan bantuan yang dipersonalisasi. Agen virtual ini dapat memahami maksud pelanggan, memberikan panduan langkah demi langkah, dan mengeskalasi masalah hanya jika diperlukan. Dengan mengelola berbagai macam permintaan secara mandiri, agen AI secara signifikan meningkatkan volume kasus yang dibelokkan.
5. Metrik Waktu Nyata untuk Wawasan Perjalanan Pelanggan
Melacak interaksi pelanggan secara real time membantu tim dukungan untuk mengetahui mana yang berhasil dan mana yang tidak. Metrik seperti rasio pentalan pada artikel bantuan, keterlibatan chatbot, dan waktu yang dihabiskan untuk mencari jawaban memberikan wawasan ke dalam Peta perjalanan pelanggan. Dengan menggunakan data ini, tim dapat dengan cepat menyesuaikan konten atau alat untuk meningkatkan metrik pembelokan kasus dan membuat pengalaman dukungan menjadi lebih lancar.
Optimalkan Strategi Pembelokan Kasus Anda dengan ControlHippo
Otomatiskan dukungan dan selesaikan pertanyaan lebih cepat dengan alat bantu bertenaga AI dari ControlHippo.
Dampak dari Pembelokan Kasus
Menggunakan pembelokan kasus secara efektif dapat membawa perubahan positif ke berbagai bagian bisnis. Ini membantu mengurangi beban kerja, meningkatkan pengalaman pelanggan, dan membuat tim dukungan menjadi lebih produktif.
Di bawah ini, kami melihat cara utama pembelokan kasus berdampak pada operasi, pelanggan, dan tim.
1. Manfaat Operasional
Ketika lebih sedikit pelanggan yang membuka tiket dukungan, jumlah keseluruhan kasus akan menurun. Hal ini mengurangi tekanan pada sistem dukungan dan mengurangi biaya operasional. Dengan jumlah kasus yang lebih sedikit, perusahaan dapat menggunakan sumber daya mereka secara lebih efisien, dengan berfokus pada masalah yang kompleks daripada pertanyaan rutin. Hal ini akan menghasilkan alur kerja yang lebih lancar dan penyelesaian masalah yang lebih cepat.
2. Dampak pada Pengalaman Pelanggan
Pelanggan menghargai jawaban yang cepat dan mudah. Pembelokan kasus memberikan akses langsung ke informasi tanpa menunggu agen dukungan. Hal ini mempercepat penyelesaian masalah dan mengurangi rasa frustrasi. Bahkan, hingga 70% pelanggan mengandalkan layanan mandiri untuk menyelesaikan masalah mereka-menyoroti betapa berharganya ketika mereka dapat menemukan solusi sendiri. Hal ini membangun kepercayaan dan meningkatkan persepsi mereka terhadap kualitas layanan perusahaan.
3. Dampak pada Efisiensi Tim
Tim dukungan akan mendapatkan keuntungan ketika pertanyaan-pertanyaan sederhana dibelokkan. Mereka dapat menghabiskan lebih banyak waktu untuk menangani masalah-masalah yang menantang dan membutuhkan perhatian. Hal ini meningkatkan kepuasan kerja dan mengurangi kelelahan karena anggota tim tidak dibebani oleh permintaan yang berulang-ulang. Selain itu, hal ini memungkinkan tim untuk fokus pada peningkatan produk dan layanan, yang selanjutnya meningkatkan dukungan secara keseluruhan.
Kesimpulan
Pembelokan kasus adalah tentang membantu orang menemukan jawaban sendiri, tanpa perlu menunggu dukungan. Jika dilakukan dengan baik, hal ini akan mempermudah pelanggan dan tim dukungan.
Dengan alat bantu yang tepat-seperti chatbot, artikel yang membantu, dan opsi layanan mandiri-semua orang akan menghemat waktu, dan pengalaman dukungan akan terasa lebih lancar dan ramah. Ini adalah cara sederhana untuk menawarkan bantuan yang lebih baik sekaligus menjaga segala sesuatunya berjalan lebih efisien di belakang layar. Jadi, mulailah menerapkan praktik-praktik ini dan optimalkan pembelokan kasus.
Diperbarui : 20 Juni 2025
Jainy Patel is a content strategist who specializes in omnichannel communication solutions. She develops innovative marketing strategies that unify messaging across various channels, ensuring a consistent and engaging customer journey. Jainy is passionate about optimizing communication processes and crafting targeted content that resonates with audiences at every touchpoint.