Custom Metrics via Ticket Fields – Available ApS

I en kontekst, hvor kundeservice i stigende grad fungerer som en strategisk differentiator, er standardrapportering i Zendesk ofte ikke tilstrækkelig. Indbyggede metrikker som Første svartid og Kundetilfredshed (CSAT) er centrale, men de afspejler ikke altid den forretningskontekst, der definerer succes. Custom metrics via ticket fields kan anvendes som en mekanisme til at udvide Zendesk fra et supportværktøj til en platform for business intelligence.

Hvad er Custom Metrics, og hvorfor er de afgørende?

Custom metrics er brugerdefinerede beregninger, der opbygges ved at udnytte data indsamlet via skræddersyede ticketfelter. De gør det muligt at kvantificere, analysere og rapportere på specifikke KPI’er (Key Performance Indicators), som er kritiske for forretningen, men som Zendesks standardmetrikker ikke dækker.

De bygger på fire grundprincipper:

Custom Ticket Fields: Data, der er unikke for forretningen, såsom ordreværdi, produktlinje, kundesegment eller region.
Combined Logic: Kombination af flere felter for at skabe nuanceret indsigt, f.eks. opløsningstid for “højprioritets”-tickets fra “VIP”-kunder.
Calculated Values: Anvendelse af matematiske operationer som sum, gennemsnit, ratio og procentdel for at skabe meningsfulde værdier.
Business Rules: Implementering af forretningslogik direkte i rapporteringen, f.eks. definitionen af en “håndteret sag” i et komplekst workflow.

Begrænsningerne ved standardmetrikker

Standardmetrikker er designet til at være generelle, mens forretningsbehov ofte er specifikke. Der kan være behov for at måle på:

Business-specifikke KPI’er: Hvordan påvirker support salget? Hvad er den gennemsnitlige ordreværdi for de sager, der håndteres? Hvilke produkter genererer flest henvendelser?
Custom workflows: Interne processer kan være unikke, og der kan være behov for at måle effektiviteten af specifikke arbejdsgange, f.eks. tiden til godkendelse af en refusion.
Integration data: Zendesk anvendes ofte sammen med andre systemer, og supportdata kan beriges med information fra CRM, ERP eller webshop.
Strategisk business intelligence: Ledelsen kan have behov for svar på forretningskritiske spørgsmål ud over support-operationelle. Custom metrics kan fungere som bro mellem supportdata og strategisk beslutningstagning.

Byggestenene: Custom Ticket Fields

Før custom metrics kan opbygges, skal der være data at beregne på. Disse data indsamles via custom ticket fields. Valg af felttype har betydning for datakvalitet og senere rapporteringsmuligheder.

Dropdown- og multi-select felter

Disse felter understøtter konsistent data ved at kræve valg fra en foruddefineret liste, hvilket reducerer stavefejl og variationer.

Anvendelse: Kategorisering af tickets efter produkttype, årsag til henvendelse, kundesegment (f.eks. Enterprise, SMB, Private) eller prioritet.
Best practice: Hold valgmulighederne gensidigt eksklusive og dækkende. Undgå “Andet”, hvis muligt.

Numeriske felter

Numeriske felter er nødvendige, når der skal udføres beregninger.

Anvendelse: Indsamling af ordreværdi, antal returnerede varer, tid brugt i minutter eller en tilfredshedsscore fra 1-10.
Best practice: Angiv en klar enhed (f.eks. DKK, antal, minutter) i feltnavnet for at undgå tvivl.

Dato- og tidsfelter

Tidsbaserede analyser kræver præcise datapunkter.

Anvendelse: Registrering af forventet leveringsdato, startdato på et abonnement eller deadline for en opgave.
Best practice: Vær opmærksom på tidszoner, især ved internationalt arbejde.

Checkbox felter

Checkbox-felter egner sig til simple ja/nej-scenarier.

Anvendelse: Markering af VIP-kunder, angivelse af om en sag er relateret til en juridisk sag, eller om en kunde har accepteret et tilbud.
Best practice: Bruges til at skabe klare, binære segmenter, der kan anvendes i filtre og beregninger.

Trin-for-trin: Sådan oprettes custom metrics i Explore

En værdifuld custom metric kræver planlægning og præcision.

Trin 1: Definér mål og forretningsspørgsmål

Start med formålet: Hvilket forretningsmæssigt spørgsmål skal besvares?

Dårligt eksempel: “Der ønskes en metric for ordreværdi.”
Godt eksempel: “Der ønskes indsigt i, om supportteamet har en positiv indvirkning på kundeloyalitet ved at sammenligne ordreværdien før og efter en supportinteraktion.”

Trin 2: Design og konfigurer felter

På baggrund af målet designes de nødvendige custom ticket fields. Rapportering bør tænkes ind fra starten: Er dropdowns bedre end tekstfelter? Skal et felt være obligatorisk? Felterne skal tilføjes til relevante ticket forms, så de kan udfyldes af agenter.

Trin 3: Byg metric’en i Zendesk Explore

Naviger til Zendesk Explore, og opret en ny query baseret på det relevante dataset (typisk Support: Tickets).
I panelet Calculations (målinger) vælges Add standard calculated metric.
Angiv et beskrivende navn, f.eks. “AVG Ordreværdi pr. Løst Sag”.
Indtast formlen i formelfeltet. En typisk formel består af en aggregator (SUM, COUNT, AVG), et felt (f.eks. Ticket field value) og ofte filtre.

Eksempel på formel:
IF ([Ticket status] = "Solved") THEN [Ticket field - Ordreværdi] ENDIF
Formlen sikrer, at ordreværdien kun medregnes for løste sager.

Trin 4: Test og valider

En metric har kun værdi, hvis den er korrekt.

Manuel test: Udvælg et mindre antal tickets, og beregn værdien manuelt. Stemmer resultatet med metric’en?
Edge cases: Håndtering af tomme felter skal være korrekt, herunder NULL-værdier.
Korrelogram: Placér metric’en side om side med relaterede standardmetrikker for at vurdere, om udviklingen er plausibel.

Avancerede eksempler på custom metrics

Nedenstående eksempler illustrerer anvendelsen af custom metrics.

1. Omsætning pr. ticket type

Formål: At forstå hvilke typer henvendelser der genererer mest omsætning.
Nødvendige felter: Dropdown “Ticket Type” (f.eks. Salg, Support, Spørgsmål), numerisk “Ordreværdi”.
Formel i Explore:
```
IF ([Ticket field - Ticket type] = "Salg") THEN [Ticket field - Ordreværdi] ENDIF
```
Metric’en kan derefter grupperes efter “Ticket type” for at skabe overblik.

2. Opløsningsrate pr. produkt

Formål: At identificere produkter med lav eller høj opløsningsrate, hvilket kan indikere udfordringer med dokumentation eller produktkvalitet.
Nødvendige felter: Dropdown “Produkt”.

Formel i Explore:

// Opret først en metric for løste tickets pr. produkt
IF ([Ticket status] = "Solved") THEN [Ticket ID] ENDIF

// Opret derefter en metric for totale tickets pr. produkt
[Ticket ID]

// Brug derefter "Result manipulation" i query'en til at beregne ratioen:
// COUNT(Solved tickets) / COUNT(Total tickets)

3. Første kontakts opløsning (FCR) pr. kundesegment

Formål: At måle evnen til at løse kundens problem i første interaktion, segmenteret efter kundens værdi.
Nødvendige felter: Dropdown “Kundesegment” (VIP, Standard), checkbox “Løst i Første Henvendelse” (udfyldes af agent).
Formel i Explore:
```
IF ([Ticket field - Løst i Første Henvendelse] = TRUE) THEN [Ticket ID] ENDIF
```
Metric’en anvendes som tæller og COUNT(Tickets) som nævner for at beregne procentdelen. Gruppér efter “Kundesegment”.

Best practices for bæredygtig og værdiskabende reporting

Planlægning er nøglen: Før oprettelse af felter bør der udarbejdes en “data-dictionary”. Dokumentér hvert felts formål, datatype og mulige værdier. Dette understøtter konsistens og gør onboarding lettere.
Sikr datakvalitet: Datakvalitet er afgørende. Gør felter obligatoriske, hvor nødvendigt. Brug dropdowns til at begrænse fri tekst. Træn agenter i korrekt dataindtastning og forklar betydningen.
Start simpelt og iterér: Undgå at bygge en kompleks metric fra start. Begynd med en simpel version, test den, og udbyg derefter. Det gør validering og justering lettere.
Gør insights handlingsorienterede: En rapport er et værktøj, og værdien skabes gennem handling. Ved deling af dashboards bør der medfølge en analyse: “Hvad betyder tallene, og hvilke handlinger skal iværksættes for at forbedre dem?”

Integration med eksterne systemer: Den sande 360-graders visning

Størst effekt opnås ved at kombinere Zendesk-data med data fra andre systemer. Via webhooks, API’er eller native integrationer (f.eks. Salesforce) kan data indlæses i custom ticket fields.

CRM-data: Indlæs kundens livstidsværdi (LTV) eller kontraktstørrelse i Zendesk. Dette muliggør analyse af, om der bruges proportionalt mere tid på de mest værdifulde kunder.
ERP-data: Importér ordreinformation som ordrenummer eller forsendelsesstatus direkte på ticketen. Dette muliggør metrikker som “Gennemsnitlig tid fra ordre til support-henvendelse”.
Financial data: Ved at forbinde support-omkostninger (agenttid) med ordreværdi kan “Support Cost of Revenue” beregnes, og rentabiliteten af supportafdelingen kan måles.

Fejlfinding og udfordringer

Selv med god planlægning kan der opstå udfordringer.

Problem: Metric viser null eller forkerte data.
- Løsning: Kontrollér, at feltet er aktivt på den anvendte ticket form. Verificér, at feltet er udfyldt på de tickets, der analyseres. Gennemgå formlen for syntaksfejl, især IF/THEN/ENDIF-logik og håndtering af tomme felter.
Problem: Data er inkonsistent (f.eks. “København”, “KBH”, “Cph” for samme by).
- Løsning: Inkonsistens skyldes ofte fritekstfelter. Konvertér feltet til et dropdown-felt. Eksisterende data kan standardiseres via “Bulk Update” i Zendesk. Overvej at anvende “Business Rules” (automatiseringer og makroer) til automatisk udfyldning baseret på andre kriterier.
Problem: Dashboards er langsomme at loade.
- Løsning: Meget komplekse calculated metrics kan påvirke performance i Explore. Vurder om formlen kan forenkles. I nogle tilfælde er det bedre at opbygge logikken i flere enklere metrikker og kombinere dem i query’en frem for én stor, kompleks formel.

Konklusion: Fra data til strategisk værdi

Custom metrics via ticket fields er både en teknisk og strategisk disciplin. Ved at designe dataindsamling omhyggeligt og opbygge relevante beregninger kan Zendesk anvendes til proaktiv forretningsindsigt. Det understøtter dokumentation af supportafdelingens værdi, optimering af processer baseret på data og bedre beslutninger, der kan styrke både kundetilfredshed og bundlinje. Det er her, rå data omsættes til strategisk værdi.