Terug naar blog
Een AI-agent werkt anders dan een telefoonmenu of een scripted chatbot. Gesprekken verlopen niet lineair. Een klant begint misschien met een vraag over een retour, noemt halverwege een leveringsprobleem en vraagt aan het einde naar een kortingscode. Er is geen vaste structuur, geen script om tegen af te meten. Dat roept een vraag op die elk team dat AI inzet vroeg of laat tegenkomt: hoe weet je eigenlijk of het werkt?
Het antwoord komt in de praktijk neer op drie dingen die je over elk gesprek moet kunnen zeggen:
Waar ging het over? Het onderwerp.
Hoe eindigde het? Opgelost, niet opgelost, of doorgeschakeld naar een medewerker.
Hoe voelde de klant zich erbij? De feedback.
Al het andere volgt daaruit. We hebben de analysemogelijkheden in HALO uitgebreid zodat alle drie zichtbaar, verbonden en bruikbaar zijn.
Onderwerpanalyse: begin met wat je AI daadwerkelijk gevraagd wordt
Voor je iets kunt verbeteren, moet je weten waar je moet kijken. Als je AI een breed scala aan vragen afhandelt, is het niet altijd duidelijk waar de grootste problemen zitten. Een categorie die veel volume genereert maar structureel misgaat, kost je veel meer dan een die af en toe een fout maakt. Zonder overzicht op onderwerkniveau blijven die patronen verborgen.
Topic Analysis in HALO groepeert gesprekken automatisch op onderwerp en subonderwerp en visualiseert ze in een Sankey-diagram. Dat diagram koppelt gespreksvolumes direct aan resolutiestatussen en feedbackscores, zodat je in één oogopslag ziet waar aandacht nodig is. Als retourvragen veel onopgeloste gesprekken opleveren, of als een specifiek subonderwerp consistent negatieve feedback krijgt, is dat direct zichtbaar. Zo weet je waar je je tijd in steekt en wat je gerust kunt laten voor wat het is.
Vanuit het diagram klik je direct door naar de onderliggende gesprekken, tot op berichtniveau, en naar de Optimize-weergave om te handelen.
Resolution rate: zet een getal om in een richting
Als je weet welke onderwerpen de meeste gesprekken genereren, is de volgende vraag hoe die gesprekken eindigen. Je overall resolution rate kennen is een begin, maar één percentage geeft je geen richting. Het vertelt je niet waar je moet kijken of wat je moet aanpassen.
De Resolution Rate-uitsplitsing in HALO toont het volledige beeld over vier statussen: Resolved, Undetermined, Unresolved en Handover. Je kunt het hele analyseoverzicht filteren op elke status en direct zien welke onderwerpen of subonderwerpen je cijfers omlaag trekken. Zo wordt een algemeen getal een concrete actie: dicht de kenniskloof in dit subonderwerp, pas de flow aan voor dat type vraag. Teams die dit consistent bijhouden zien hun resolution rate verbeteren, zonder te hoeven gissen waar ze moeten beginnen.
Klantfeedback: wat de cijfers niet altijd laten zien
De resolution status vertelt je hoe een gesprek eindigde, maar niet altijd hoe de klant het ervaren heeft. Die twee lopen niet altijd gelijk. Een gesprek dat HALO als opgelost heeft geclassificeerd, kan toch een ontevreden klant hebben achtergelaten. Zonder feedbackdata naast je operationele metrics weet je dat niet.
De Customer Feedback Score in HALO integreert gebruikersbeoordelingen direct in het analyseoverzicht. Feedback wordt verzameld via de WebConversations-widget aan het einde van een gesprek. Gebruikers kunnen een beoordeling en een korte toelichting achterlaten. Die data staat naast de resolution status en het onderwerp van elk gesprek, zodat je kunt zien of tevredenheid en resolutie in dezelfde richting bewegen. Als dat niet zo is, is dat meestal een signaal dat het onderzoeken waard is. Een gesprek dat als opgelost is gemarkeerd maar consistent lage beoordelingen krijgt, wijst vaak op een antwoord dat technisch correct is maar in de praktijk niet helpt.
Teams die geen gebruik maken van WebConversations kunnen feedback uit andere systemen via de API doorzetten, zodat het in dezelfde weergave verschijnt.
Als er iets misgaat, kun je het terugvinden en meteen oplossen
De nieuwe functies bouwen voort op iets wat altijd al deel uitmaakte van HALO: volledige toegang tot elk individueel gesprek. Elke interactie is terug te lezen. Je ziet welke agents betrokken waren, welke handovers plaatsvonden en waar de informatie in elk antwoord vandaan kwam. Als een antwoord gebaseerd was op kenniscontent, kun je doorklikken naar de exacte bron. Ging er iets fout, dan trace je dat terug naar het specifieke document of de flow die het veroorzaakte, zodat je het aan de basis kunt oplossen zonder je hele kennisbank door te hoeven spitten.
Die traceerbaarheid is het fundament. Wat je er vervolgens mee kunt doen, is waar het interessant wordt.
Vanuit de Optimize-weergave kunnen teamleden individuele antwoorden beoordelen en foute reacties markeren. Maar je doet meer dan markeren: je stuurt actief bij hoe HALO reageert. Een antwoord te lang? Maak het korter. Toon klopt niet? Pas hem aan. Antwoord gaat de verkeerde kant op? Corrigeer het. HALO onthoudt die aanpassingen, niet als logboek, maar als input die invloed heeft op hoe het systeem vergelijkbare vragen in de toekomst afhandelt. Je kunt ook gerichte kennis toevoegen aan een specifieke vraag, zonder de rest van je kennisbase aan te raken of een volledige herconfiguratie te starten.
Dit is een mogelijkheid die al vanaf het begin in HALO zit, en waar we niet altijd genoeg aandacht aan hebben besteed. In een markt waar de meeste platforms de AI nog steeds als een black box behandelen, eenmalig configureren en hopen dat het goed gaat, is deze mate van in-context kwaliteitscontrole uitzonderlijk. We kennen geen concurrent die het op dezelfde manier aanpakt. Het resultaat is een AI die nauwkeuriger wordt door het werk dat je team al doet, niet door aparte onderhoudscycli of periodieke hertraining. Hoe meer je team ermee werkt, hoe minder handmatige inspanning het kost om de kwaliteit op peil te houden.
Een AI die je blijft verbeteren
De meeste AI-tooling geeft beperkt inzicht in wat er achter de schermen gebeurt. Prima als alles werkt, maar het maakt verbeteren lastig als dat niet zo is. HALO is gebouwd vanuit de overtuiging dat je team op elk moment moet kunnen zien, bevragen en corrigeren wat de AI doet.
Beheer je AI voor klantenservice, of je nu zelf iets hebt gebouwd, tools aan elkaar hebt geknoopt of werkt met een platform dat dit inzicht niet biedt, dan komt het verschil tussen een AI draaien en een AI echt managen precies hierop neer: kun je zien wat hij doet, en kun je daar iets mee?
De nieuwe analysefeatures maken dat concreter. Gebruik je HALO al, dan zijn de Resolution Rate-uitsplitsing, Customer Feedback Score en Topic Analysis nu beschikbaar in je analyseoverzicht.
