Admin Pro Tip: Data-driven Beslutninger med Explore – Available ApS

I rollen som Zendesk-administrator er det let at antage, at det er tydeligt, hvad der er bedst for supportteamet. Der kan være en mavefornemmelse, agentfeedback og enkelte tickets, der fremstår unødigt komplekse. Mavefornemmelser er dog ikke en strategi. Gætteri kan føre til fejlinvesteringer, demotiverede teams og i sidste ende en dårligere kundeoplevelse. Zendesk Explore fungerer som modvægt til dette ved at understøtte beslutninger baseret på data. Artiklen beskriver, hvordan administration kan flyttes fra reaktivt arbejde baseret på antagelser til proaktivt arbejde baseret på konkrete målinger.

Hvorfor data > gætteri i Zendesk-administration

Før arbejdet med dashboards og metrikker påbegyndes, er det centralt at forstå skiftet fra gætteri til data. Det handler ikke kun om visualiseringer, men om at ændre beslutningsgrundlaget i supportorganisationen.

Fra mavefornemmelser til målbare resultater

Subjektive udsagn som:

"Det tager altid for lang tid at få svar fra finansafdelingen."
"Det føles som om, at teamet er blevet langsommere den seneste måned."

…kan indeholde en kerne af sandhed, men er vanskelige at omsætte til systematiske handlinger.

Hvad betyder "altid"? Hvad betyder "langsommere"? Uden data bliver dialogen let til meningsudvekslinger, hvor den mest overbevisende stemme får mest vægt. Beslutninger om ændringer i workflows, køb af apps eller omorganiseringer risikerer at blive baseret på anekdoter.

Med data ændres samtalen, fx:

"Tickets tagget med venter_på_finans har i gennemsnit en ventetid på 48 timer, hvilket er 300% højere end den gennemsnitlige interne svartid. Det påvirker den samlede First Reply Time negativt. Kan årsagen til den lange ventetid undersøges?"

Dermed bliver udsagnet et faktum med en målbar konsekvens. Det muliggør handling, fx dialog med finansafdelingen baseret på data, måling af effekten af ændringer og dokumentation af værdien af initiativer.

Konsekvenserne af gætteri

Administration baseret på gætteri kan have konkrete negative konsekvenser:

Fejlplacerede ressourcer: Tid og budget bruges på problemer, der ikke nødvendigvis er de mest presserende. Eksempelvis kan der investeres i træning i "effektiv kommunikation", mens den reelle årsag er et defekt workflow, der koster 15 minutter pr. ticket.
Demotivation hos agenter: Når agenternes reelle udfordringer overses til fordel for ledelsens antagelser, kan tilliden falde, og produktivitet og moral påvirkes negativt.
Manglende ROI: Afkast (ROI) er svært at dokumentere uden et baseline. Eksempelvis kan tidsbesparelser fra en ny makro-pakke ikke bevises uden målinger før implementering.
Forringet kundeoplevelse: Langsomme svar, inkonsistent kvalitet og uløste problemer kan ofte spores til interne ineffektiviteter, der ikke er blevet identificeret og rettet.

Fordelene ved en data-drevet kultur

En data-drevet tilgang giver typisk det modsatte udfald:

Præcise interventioner: Indsatser kan målrettes der, hvor effekten er størst, fx ticket-typer med høj behandlingstid, agentbehov for støtte eller kundegrupper med lav tilfredshed.
Objektive samtaler: Performance-dialoger kan baseres på fakta frem for følelser, hvilket understøtter en mere retfærdig og konstruktiv kultur.
Beviselig værdi: Business cases for værktøjer eller flere ressourcer kan underbygges ved at vise påvirkning på nøglemetrikker som CSAT eller løsningstid.
Kontinuerlig forbedring: Data skaber et feedback-loop: ændring implementeres, effekt måles, læring opsamles, og processen gentages.

De vigtigste dashboards at starte med

Explore kan virke overvældende med mange rapportmuligheder. En praktisk tilgang er at starte simpelt og udbygge gradvist. Nedenstående tre dashboards dækker tre centrale perspektiver: agent-performance, ticket-volumen og kundetilfredshed.

Dashboard 1: Agent Performance Dashboard

Dashboardet bruges som et dagligt værktøj for teamledere og giver et hurtigt overblik over performance pr. agent og team. Formålet er ikke overvågning, men at identificere trends, fremhæve succeser og opdage støttebehov.

Nøglemetrikker

Tickets håndteret (pr. agent): Søjlediagram med antal løste tickets pr. agent i en valgt periode (fx seneste 7 dage). Indikerer produktivitet, men bør ses sammen med andre metrikker.
Gennemsnitlig håndteringstid (pr. agent): Gennemsnitlig tid fra tildeling til lukning. Indikerer effektivitet, men bør ikke bruges isoleret, da lav tid også kan skyldes kompromis med kvalitet.
Kundetilfredshed (CSAT score): Gennemsnitlig CSAT for tickets håndteret af agenten. En central metrik, da den afspejler kundens oplevelse.
Første responstid (First Reply Time – FRT): Gennemsnitstid til første svar på en ny ticket. Kritisk for kundens første indtryk.
Løsning ved første kontakt (First Contact Resolution – FCR): Andel tickets løst i første interaktion uden opfølgning. Høj FCR indikerer kompetence og effektivitet.

Anvendelse

Dashboardet gennemgås typisk i ugentlige teammøder. Først vurderes samlet teamperformance, derefter individuelt niveau. Ved lav CSAT kan øvrige metrikker indikere årsager, fx høj volumen og lav håndteringstid, som kan pege på hastværk. Det kan danne grundlag for coaching med fokus på kvalitet. Omvendt kan høj CSAT og lav produktivitet indikere behov for værktøjer eller træning i hurtigere håndtering af komplekse sager.

Dashboard 2: Ticket Volume & Trends Dashboard

Dashboardet giver strategisk overblik over, hvad der kommer ind, hvornår det kommer ind, og hvordan det udvikler sig over tid. Det understøtter capacity planning og ressourceallokering.

Nøglemetrikker

Nye tickets over tid: Linjediagram med antal nye tickets pr. dag/uge/måned. Bruges til at identificere sæsonudsving, pludselige stigninger (fx produktproblemer) og væksttrends.
Tickets efter gruppe/support-level: Fordeling af nye tickets på supportgrupper (fx Tier 1, Tier 2, Teknisk Support). Understøtter vurdering af arbejdsfordeling.
Tickets efter kanal: Fordeling efter kanal (e-mail, chat, webformular, voice). Viser kundernes foretrukne kontaktveje og ressourcebehov pr. kanal.
Tickets efter brand/organisation: Viser hvilke brands eller B2B-kunder der skaber flest henvendelser, hvilket kan indikere behov for træning eller specifikke problemer.
Top 10 ticket-emner (via tags): Søjlediagram med de 10 mest anvendte tags på nye tickets i en periode. Giver et hurtigt billede af de mest hyppige henvendelser.

Anvendelse

Dashboardet er ofte et fast punkt på månedlige møder med ledelsen. En stigning i tickets med tagget login_problem kan fx bruges til proaktiv dialog med produktteamet: "Der ses en 20% stigning i login-problemer den seneste måned. Er der ændringer i seneste release?" Det flytter funktionen fra reaktiv til proaktiv. Historiske data bruges også til at forudsige travle perioder (fx efter produktlancering) og planlægge bemanding.

Dashboard 3: Customer Satisfaction (CSAT) Dashboard

Dashboardet fokuserer på at forstå årsager til tilfredshed og utilfredshed og fungerer som et barometer for kundeoplevelsen.

Nøglemetrikker

Overordnet CSAT score over tid: Linjediagram med gennemsnitlig CSAT (fx andel "god" rating) over tid. Bruges til at følge ugentlige og månedlige trends.
CSAT score pr. agent: Identificerer variation i kundeoplevelse på agentniveau.
CSAT score pr. gruppe: Viser hvilke teams der leverer den bedste kundeoplevelse og kan understøtte vidensdeling.
CSAT score pr. ticket-emne (via tags): Sammenligning af CSAT på tværs af tags viser, hvilke emner der trækker scoren ned. Eksempel: fakturering med lav CSAT kan indikere problemer i fakturerings-workflow eller vidensniveau.
Utilfredse kommentarer (word cloud): Word cloud baseret på kommentarer fra "dårlige" ratings giver hurtigt indblik i hyppige klagepunkter som "langsom", "ventetid" og "compliceret".

Anvendelse

Dashboardet bruges til at finde forklaringer på ændringer i CSAT. Ved fald i overordnet CSAT undersøges først, om det relaterer sig til en specifik agent, et team eller en type henvendelse. Word cloud kan give den kvalitative forklaring, som tallene ikke alene viser. Indsigter bruges til målrettet træning, fx træning i forventningsafstemning og statusopdateringer, hvis "ventetid" fylder.

Bonus: SLA Performance Dashboard

Ved arbejde med Service Level Agreements (SLA’er) er et SLA-dashboard centralt for at følge op på kundeløfter.

Nøglemetrikker

SLA overholdelsesprocent: Overordnet andel af overholdte SLA’er.
SLA-præstation pr. metrik: Overholdelse pr. SLA-metrik (fx Første svar, Næste svar, Opfyldelsestid).
SLA-præstation pr. gruppe: Overholdelse fordelt på teams.
SLA breaches over tid: Linjediagram med antal brud over tid; stigning indikerer et tydeligt advarselssignal.

Almindelige fejl i rapportering og hvordan de undgås

Adgang til data er ikke det samme som korrekt fortolkning. Nedenfor er typiske faldgruber samt måder at undgå dem på.

Fejl 1: At måle for mange ting på én gang

Dashboards kan blive overfyldte med mange grafer, farver og tal, hvilket ofte medfører, at de ikke bliver brugt.

Hvordan det undgås:

Start med et formål for hvert dashboard.
Afklar hvilket specifikt spørgsmål dashboardet skal besvare.
Hvis dashboardet besvarer mere end 2-3 centrale spørgsmål, er det ofte for komplekst.
Hold det simpelt og egnet til at blive forstået på under 60 sekunder.
Brug detaljerede rapporter til fordybelse ved behov.

Fejl 2: Ignorering af kontekst

Tal uden kontekst giver information, men ikke indsigt. Eksempel: "FRT er steget med 2 timer" kræver forklaring (produktudgivelse, helligdag, ferie, systemnedetid).

Hvordan det undgås:

Sammenlign med forrige uge, samme uge sidste år og målværdier.
Notér eksterne faktorer, der kan påvirke tallene.
Tilføj en kort kontekstsektion i ugentlige rapporter, fx: "Uge 32 var påvirket af ferieperioden, hvilket sænkede ticket-volumen med 15%."

Fejl 3: Forkert brug af tidsrammer

For korte perioder kan give misvisende konklusioner. En enkelt dags CSAT kan blive kraftigt påvirket af få utilfredse kunder.

Hvordan det undgås:

Brug rullende gennemsnit, fx "seneste 7 dage" frem for "i går".
Til strategiske beslutninger (fx capacity planning) anvendes typisk mindst 3-6 måneders data for at identificere reelle trends.

Fejl 4: At stole blindt på standardrapporterne

Standardrapporter i Explore er et udgangspunkt, men er ikke tilpasset specifikke workflows, tags eller interne SLA’er.

Hvordan det undgås:

Brug standardrapporter som inspiration.
Byg egne rapporter, der afspejler konkrete workflows og mål.
Etabler en konsekvent og veldefineret tag-strategi.
Sikr datakvalitet (tags, brugerdefinerede felter m.m.), da rapporter ellers bliver ubrugelige: "garbage in, garbage out".

5 must-have metrics for supportteams

Der findes mange metrikker, men følgende fem dækker centrale aspekter af supportperformance og balancerer effektivitet, kvalitet og kundeoplevelse.

1. Første responstid (First Reply Time – FRT)

Hvad det er: Gennemsnitlig tid til første offentlige svar på en ny ticket.
Hvorfor det er vigtigt: FRT påvirker kundens første indtryk. Hurtig respons signalerer, at henvendelsen er modtaget og håndteres, og reducerer utålmodighed og usikkerhed.
Mål: Svar inden for defineret FRT-SLA, typisk inden for 8 arbejdstimer. Både gennemsnit og median overvåges, da enkelte komplekse sager kan forvrænge gennemsnittet.

2. Gennemsnitlig håndteringstid (Average Handle Time – AHT)

Hvad det er: Samlet tid fra tildeling til lukning, inkl. research, kundekommunikation, intern kommunikation og interne noter.
Hvorfor det er vigtigt: Direkte mål for effektivitet og omkostning pr. ticket. Bør ikke bruges isoleret, da fokus på lav AHT kan føre til utilstrækkelige svar eller for hurtig lukning.
Mål: Bruges som pejlemærke frem for en streng KPI. Pludselige stigninger kan indikere komplekse sager eller vidensmangler og bruges som grundlag for coaching.

3. Kundetilfredshed (CSAT)

Hvad det er: Andel kunder, der giver en "god" rating i CSAT-undersøgelsen efter lukket ticket.
Hvorfor det er vigtigt: Direkte kundestemme og en central indikator for hjælpsom og tilfredsstillende service. Høj CSAT korrelerer med loyalitet.
Mål: Over 90% CSAT. Trenden vurderes som vigtigere end enkeltstående niveauer, med fokus på løbende forbedring uge for uge.

4. Løsning ved første kontakt (First Contact Resolution – FCR)

Hvad det er: Andel tickets løst i første interaktion uden, at kunden svarer igen eller opretter ny ticket om samme emne.
Hvorfor det er vigtigt: Driver både tilfredshed og effektivitet. Opfølgninger koster tid og skaber frustration. Høj FCR indikerer kompetente agenter, god videnbase og effektive processer.
Mål: Måling kan være vanskelig i Explore. En metode er et brugerdefineret dropdown-felt, hvor agenten markerer, om sagen blev løst ved første kontakt. Målsætning: over 75% FCR.

5. Genåbningsrate (Reopen Rate)

Hvad det er: Andel lukkede tickets, som kunden åbner igen.
Hvorfor det er vigtigt: Indikerer, at problemet ikke blev løst korrekt første gang. Høj genåbningsrate kan pege på kompetencegab, uklare svar eller tekniske problemer, der ikke er adresseret.
Mål: Overvåges løbende, med reaktion ved stigning over en fast grænse (fx 5%). Genåbnede tickets analyseres for fælles årsager.

Sådan bruges data til at optimere workflows

Data skal ikke kun observeres, men omsættes til handling. Nedenfor er fire eksempler på, hvordan data fra Explore kan bruges til at optimere workflows i Zendesk.

Case 1: Identificering af flaskehalse i ticket-flowet

Problemet: Oplevelse af, at mange tickets "hang fast", uden klar årsag.

Data-analysen: Rapport viste gennemsnitlig tid i hver status (Ny, Åben, Afventende, Løst). Tiden i "Afventende" var næsten lige så høj som i "Åben".

Handlingen: Yderligere analyse viste, at over 60% af "Afventende"-tickets ventede på svar fra en specifik intern afdeling. Data blev præsenteret i et møde, og der blev etableret en intern SLA. Derudover blev en automatisering oprettet, som sendte påmindelse til den interne gruppe, hvis en ticket havde været "Afventende" i mere end 24 timer.

Resultatet: Gennemsnitlig tid i "Afventende" faldt med 40% inden for en måned, og samlet løsningstid faldt markant.

Case 2: Optimering af makroer og automatiseringer

Problemet: Mange makroer var gamle, overlappede, og det var uklart, hvilke der blev brugt.

Data-analysen: Rapport viste makroer og antal anvendelser i seneste måned. 20% af makroerne stod for 80% af anvendelserne (Pareto). Mange makroer var aldrig brugt.

Handlingen: En oprydning blev gennemført: ubrugte makroer blev slettet, populære makroer blev gennemgået for effektivitet og præcision, og mindre populære men nyttige makroer blev vurderet til sammenlægning eller opdatering.

Resultatet: Makro-menuen blev mere overskuelig, det blev hurtigere at finde den rette makro, og svarene blev mere konsistente, hvilket sparede tid pr. ticket.

Case 3: Proaktiv træning af agenter baseret på data

Problemet: Træning var ofte generel og baseret på antagelser om behov.

Data-analysen: Data fra Agent Performance Dashboard blev kombineret med ticket-emner. En agent med lav CSAT havde mange lavt-ratede tickets relateret til et specifikt komplekst produkt.

Handlingen: Coaching blev målrettet produktet: "Der ses udfordringer med tickets relateret til 'Produkt X'. Der afsættes en time til gennemgang af de mest almindelige problemer." En workshop for hele teamet blev også afholdt, da flere agenter havde udfordringer på området.

Resultatet: Agentens CSAT steg markant i de efterfølgende uger. Træningen blev mere relevant og effektiv.

Case 4: Justering af SLA’er baseret på reelle data

Problemet: SLA’er var fastsat for længe siden baseret på et skøn. SLA for "Næste svar" blev ofte ikke overholdt.

Data-analysen: Rapport viste faktisk svartid på kundens opfølgende beskeder. SLA på 2 timer var urealistisk; gennemsnittet var tættere på 5 timer, bl.a. fordi opfølgninger ofte krævede dyb research.

Handlingen: Data blev præsenteret for ledelsen, og SLA for "Næste svar" blev justeret til 8 arbejdstimer. Samtidig blev SLA for "Første svar" strammet, og der blev fokuseret på tydelig forventningsafstemning om svartider ved opfølgning.

Resultatet: SLA-overholdelse forbedredes markant. Den samlede kundeoplevelse blev forbedret gennem mere realistiske forventninger, og stressniveauet blandt agenter faldt.

Røde flag: Når rapportering bliver for kompleks

For meget eller for kompleks rapportering kan blive en byrde. Nedenfor er typiske advarselstegn.

Rødt flag 1: Dashboards, der tager minutter at indlæse

Hvis et dashboard tager mere end 10-15 sekunder at indlæse, er det ofte for komplekst, og brugen falder.

Årsag: For mange komplekse metrikker på store datamængder over lange perioder.
Løsning: Opdel i mindre dashboards, brug Explore’s pre-aggregated data hvor muligt, og optimer queries.

Rødt flag 2: For mange kagediagrammer

Kagediagrammer er ofte svære at aflæse, da vinkler og størrelser er vanskelige at sammenligne hurtigt.

Årsag: De er nemme at lave og ser ofte "pæne" ud.
Løsning: Brug søjlediagrammer til kategorisammenligning og linjediagrammer til trends. Brug kun kagediagrammer til meget simple andele (fx "gode" vs. "dårlige" CSAT-ratings).

Rødt flag 3: Ingen ved, hvad tallene betyder

Et dashboard kan være veldesignet, men uden fælles forståelse af metrikkerne bliver det ikke anvendt.

Årsag: Manglende kommunikation og uddannelse; antagelse om fælles "data-sprog".
Løsning: Tilføj ordliste eller forklarende noter i dashboardet (tekstfelter i Explore). Ved introduktion af nye dashboards gennemgås metrikker, betydning og relevans. Indarbejd som del af onboarding.

Rødt flag 4: Datasiloer og modstridende rapporter

Forskellige systemer kan vise forskellige tal, fx antal kunder eller CSAT, hvilket skaber uklarhed.

Årsag: Forskellige systemer, definitioner og manglende alignment.
Løsning: Etabler fælles definitioner (fx "kunde", CSAT-måling), arbejd mod integration hvor muligt, og vær bevidst om forskelle samt kunne forklare dem.

Grønne flag: Sunde data-praksisser

Tegn på en velfungerende data-drevet tilgang inkluderer følgende.

Grønt flag 1: Enkelhed og klarhed

Dashboards er lette at læse, har et tydeligt formål, og de vigtigste indsigter fremgår hurtigt uden behov for dataekspertise.

Grønt flag 2: Regelmæssig review-proces

Review af dashboards er en fast del af ugentlige og månedlige møder, hvilket viser, at data bruges løbende og er forankret i organisationens praksis.

Grønt flag 3: Delt ejerskab af data

Data anvendes bredt: teamledere til coaching, agenter til egen performance, og ledelse til strategisk planlægning. Det understøtter ansvarlighed og fælles mål.

Grønt flag 4: Data fører til handling

Dashboards og rapporter vurderes som succesfulde, når de fører til konkrete ændringer, fx opdatering af en makro eller omstrukturering af et team. Data fungerer som katalysator for forbedring.

Konklusion: Fra data til viden

Zendesk Explore er et stærkt værktøj, men værdien opstår først, når rå data omsættes til meningsfuld viden og derefter til handling. Det kræver tålmodighed, nysgerrighed og vilje til at udfordre antagelser.

En praktisk tilgang er at starte simpelt med tre grundlæggende dashboards: Agent Performance, Ticket Volume & Trends og CSAT. De fem centrale metrikker bør forstås, herunder deres indbyrdes relationer. Samtidig er det vigtigt at være opmærksom på faldgruber og fastholde sunde data-praksisser, når grønne flag viser sig.

En data-drevet tilgang kan ændre supportarbejdet fra reaktivt til proaktivt, styrke effektivitet og kvalitet og i sidste ende forbedre kundeoplevelsen gennem mere målrettede og dokumenterbare beslutninger.