อัตราการลดจำนวนตั๋วสนับสนุน: สูตรคำนวณและวิธีวัดผล

อัปเดตเมื่อ 3 พฤศจิกายน 2026

อัตราการลดจำนวนตั๋วสนับสนุนคือสัดส่วนของผู้ที่เข้ามาหาความช่วยเหลือในศูนย์ช่วยเหลือของคุณแล้วไม่ได้เปิดตั๋วสนับสนุน สูตรที่น่าเชื่อถือคือ: เซสชันที่เข้ามาหาความช่วยเหลือโดยไม่มีการเปิดตั๋วภายใน 72 ชั่วโมง ลบด้วยเซสชันที่ล้มเหลวอย่างชัดเจน หารด้วยเซสชันที่เข้ามาหาความช่วยเหลือทั้งหมด แล้วคูณด้วย 100 สูตรทั่วไปให้ตัวเลขที่แตกต่างกันมาก ดังนั้นให้เลือกใช้สูตรเดียวและคงกฎของสูตรนั้นไว้

ด้านล่างนี้คือสูตร 5 รูปแบบที่คำนวณจากข้อมูลหนึ่งเดือน รายการตรวจสอบการตั้งค่า การระบุแหล่งที่มาของบทความและวิดีโอ และสิ่งที่การลดจำนวนตั๋วช่วยประหยัดได้

อัตราการลดจำนวนตั๋วสนับสนุนคืออะไร?#

อัตราการลดจำนวนตั๋วสนับสนุนวัดว่าการบริการตนเอง (บทความช่วยเหลือ, วิดีโอ, ผู้ช่วย AI, คำตอบจากชุมชน) ช่วยป้องกันไม่ให้คำถามกลายเป็นตั๋วสนับสนุนได้บ่อยแค่ไหน นี่คือตัวชี้วัดของการบริการตนเอง ไม่ใช่ตัวชี้วัดของทีมสนับสนุน: อัตรานี้จะเพิ่มขึ้นเมื่อลูกค้าพบคำตอบ ไม่ใช่เมื่อเจ้าหน้าที่ทำงานเร็วขึ้น

มีสามคำศัพท์ที่มักสับสนกัน:

การลดจำนวนตั๋ววัดได้ง่ายที่สุดและทำให้ตัวเลขสูงขึ้นได้ง่ายที่สุด: คนที่ยอมแพ้และเลิกใช้งานไปเงียบๆ ก็ถือว่า "ไม่ได้เปิดตั๋ว" เช่นกัน (Gainsight เรียกว่า การลดจำนวนตั๋วเทียม) การแก้ไขปัญหาคือสิ่งที่คุณต้องการจริงๆ การวัดผลที่ดีจะผลักดันให้การลดจำนวนตั๋วเปลี่ยนไปสู่การแก้ไขปัญหา

คุณจะคำนวณอัตราการลดจำนวนตั๋วสนับสนุนได้อย่างไร? เปรียบเทียบ 5 สูตร#

ไม่มีมาตรฐานกลาง ระบบจัดการตั๋ว ผู้ให้บริการแชทบอท และนักวิเคราะห์ต่างก็ใช้สูตรของตนเอง นี่คือ 5 สูตรที่คุณจะพบ รวมถึงการกักกันด้วยแชทบอท:

1. คะแนนการบริการตนเอง (Self-service score) (ใช้โดย Zendesk "หรือที่รู้จักในชื่ออัตราส่วนการบริการตนเองและอัตราส่วนการลดจำนวนตั๋ว")

คะแนนการบริการตนเอง = เซสชันในศูนย์ช่วยเหลือ ÷ ผู้ใช้ที่มีตั๋ว

ข้อดี: ใช้เพียงสองตัวเลขที่คุณมีอยู่แล้ว ข้อเสีย: เป็นอัตราส่วน (เช่น 4:1) ไม่ใช่เปอร์เซ็นต์ และจะเพิ่มขึ้นตามปริมาณการใช้งานแม้ว่าจะไม่มีใครได้รับความช่วยเหลือเลยก็ตาม

2. อัตราตามเซสชัน (Session-based rate) (ผู้ให้บริการศูนย์ช่วยเหลือและแชทบอทหลายราย)

อัตรา = (เซสชันในศูนย์ช่วยเหลือ − เซสชันที่มีตั๋วตามมา) ÷ เซสชัน × 100

ข้อดี: อธิบายเป็นเปอร์เซ็นต์ได้ง่าย ข้อเสีย: การเข้าชมที่ถูกละทิ้งทุกครั้งจะถูกนับเป็นความสำเร็จ ทำให้ตัวเลขสูงเกินจริง

3. อัตราเซสชันที่ปรับปรุงแล้ว (Adjusted session rate) (ทีมที่เน้นการวิเคราะห์; ก้าวไปสู่คำจำกัดความที่เข้มงวดขึ้น เช่น Intercom และ Metabase)

อัตรา = (เซสชันที่เข้ามาหาความช่วยเหลือ − เซสชันที่มีตั๋วตามมา − เซสชันอื่นที่ล้มเหลวอย่างชัดเจน) ÷ เซสชันที่เข้ามาหาความช่วยเหลือ × 100

ข้อดี: ตัดบอท เจ้าหน้าที่ การเรียกดูทั่วไป และความล้มเหลวที่ชัดเจนออกไป และใช้ช่วงเวลาการติดต่อกลับ ข้อเสีย: ต้องเชื่อมโยงการเข้าชมกับตั๋ว และยังคงนับรวมคนที่จากไปอย่างเงียบๆ

4. การลดจำนวนตั๋วผ่านแบบฟอร์มติดต่อ (Contact-form deflection) (ทีมที่แนะนำบทความในแบบฟอร์มตั๋ว)

อัตรา = ผู้ที่ออกจากแบบฟอร์มหลังจากเห็นบทความแนะนำ โดยไม่มีตั๋วภายใน 72 ชั่วโมง ÷ ผู้ที่เริ่มกรอกแบบฟอร์ม × 100

ข้อดี: นับคนที่กำลังจะเขียนเข้ามา ข้อเสีย: ครอบคลุมเพียงจุดเข้าใช้งานเดียว

5. การลดลงจากฐานเดิม (Baseline reduction) (หัวหน้าฝ่ายสนับสนุนที่รายงานต่อฝ่ายการเงิน)

การลดลง = (ตั๋วต่อลูกค้า 1,000 รายก่อนหน้า − ปัจจุบัน) ÷ ก่อนหน้า × 100

ข้อดี: วัดผลลัพธ์ที่ธุรกิจให้ความสำคัญ ข้อเสีย: ปนเปื้อนด้วยการเปลี่ยนแปลงผลิตภัณฑ์ ฤดูกาล และการเติบโต

ไม่ใช่การลดจำนวนตั๋ว: การกักกันด้วยแชทบอท (Chatbot containment) (ผู้ให้บริการแชทบอท)

การกักกัน = (การสนทนากับบอท − การสนทนาที่ส่งต่อให้เจ้าหน้าที่) ÷ การสนทนากับบอท × 100

มันวัดผลที่ตัวบอท ไม่ใช่เนื้อหาช่วยเหลือของคุณ และนับผู้ใช้ที่หงุดหงิดจนปิดแชทว่าเป็นความสำเร็จ

คำจำกัดความของ Intercom คือคำจำกัดความที่เข้มงวดที่สุดที่เผยแพร่: "จำนวนเซสชันที่แก้ไขได้ซึ่งแก้ไขโดยการสนับสนุนแบบบริการตนเอง หารด้วยจำนวนเซสชันทั้งหมดที่แก้ไขได้ซึ่งเข้ามาหาความช่วยเหลือ" โดยที่ "ผู้ใช้ที่หยุดหาความช่วยเหลือจะไม่ถูกนับรวม" และเซสชันคือช่วงเวลา 24 ชั่วโมง สูตรที่ 3 ไม่สามารถไปถึงจุดนั้นได้โดยไม่ถามผู้เข้าชมทุกคน ดังนั้นมันจึงยังนับคนที่จากไปอย่างเงียบๆ: ให้มองว่าเป็นค่าเพดาน สำหรับค่าพื้นฐาน ให้เลือกนับเฉพาะเซสชันที่มีสัญญาณเชิงบวก (เช่น การโหวตว่า มีประโยชน์) และไม่มีตั๋วภายในช่วงเวลาดังกล่าว ตามที่ Metabase แนะนำ หากทำได้ให้รายงานทั้งสองค่า ช่องว่างระหว่างค่าทั้งสองคือการละทิ้งอย่างเงียบๆ

คำแนะนำของเรา: รายงานสูตรที่ 3 (พร้อมค่าพื้นฐานจากสัญญาณเชิงบวก) เป็นรายเดือนเพื่อเป็นอัตราการลดจำนวนตั๋วของคุณ และใช้สูตรที่ 5 เป็นรายไตรมาสเพื่อดูผลลัพธ์ทางธุรกิจ ใช้สูตรที่ 4 หากคุณแนะนำบทความในแบบฟอร์มติดต่อของคุณ เก็บคะแนนของ Zendesk (สูตรที่ 1) ไว้เฉพาะเมื่อทีมของคุณติดตามผลอยู่แล้ว และห้ามนำไปแสดงบนแผนภูมิเดียวกับที่เป็นเปอร์เซ็นต์เด็ดขาด

หนึ่งเดือน ห้าคำตอบ: ตัวอย่างการทำงานจริง#

นี่คือข้อมูลสมมติหนึ่งเดือนสำหรับบริษัท SaaS ที่มีลูกค้า 25,000 ราย ซึ่งนำมาคำนวณผ่านทั้ง 5 สูตร

บริษัทเดียวกัน เดือนเดียวกัน: 10:1, 93%, 67%, 18% และ 20% ไม่มีสูตรใดผิด พวกเขาตอบคำถามที่แตกต่างกัน นี่คือเหตุผลที่เกณฑ์มาตรฐานของผู้ให้บริการ (เช่น เครื่องคำนวณของ Chatling ที่ระบุว่า 40–60% คือ "ดี") ไม่มีความหมายหากคุณไม่ทราบว่าสูตรใดที่ใช้คำนวณ และเหตุผลที่คุณควรเปรียบเทียบตัวเลขของคุณกับตัวเลขของตัวคุณเองในช่วงเวลาต่างๆ เท่านั้น

คุณจะวัดอัตราการลดจำนวนตั๋วสนับสนุนทีละขั้นตอนได้อย่างไร?#

1. กำหนดเซสชันที่เข้ามาหาความช่วยเหลือ#

   นับเซสชันที่ผู้ใช้ค้นหาในศูนย์ช่วยเหลือของคุณ เปิดบทความ ดูวิดีโอช่วยเหลือ หรือถามผู้ช่วย AI ของศูนย์ช่วยเหลือ ตัดบอท เจ้าหน้าที่ของคุณเอง (กรองด้วย IP หรือบทบาทที่ล็อกอิน) และการเข้าชมที่ดูแค่หน้าแรกออก นี่คือตัวหารของคุณ

2. เชื่อมโยงการเข้าชมศูนย์ช่วยเหลือกับตั๋วสนับสนุน#

   คุณต้องทราบว่าบุคคลเดียวกันเปิดตั๋วหลังจากเข้าชมหรือไม่ วิธีทั่วไปคือ: ระบุผู้ใช้ที่ล็อกอินในเครื่องมือวิเคราะห์ของคุณและส่ง User ID เดียวกันไปยังระบบจัดการตั๋ว หรือจับคู่ด้วยอีเมลเมื่อมีคนส่งแบบฟอร์มติดต่อ บันทึกข้อมูลอย่างน้อย: ID เซสชัน, คำค้นหาและจำนวนผลลัพธ์, การดูบทความ, การโหวตว่ามีประโยชน์, การเริ่มกรอกแบบฟอร์มติดต่อ, การคลิกบทความแนะนำ, การละทิ้งแบบฟอร์ม และตั๋วพร้อม ID ผู้ขอและแท็กหัวข้อ ผู้เข้าชมที่คุณไม่สามารถเชื่อมโยงได้ (มักเป็นส่วนใหญ่ของศูนย์ช่วยเหลือสาธารณะ) ควรอยู่ในประมาณการแยกต่างหาก ไม่ใช่ปนอยู่ในอัตราที่เชื่อมโยงได้ หากไม่มีการเชื่อมโยงใดๆ คุณจะรายงานได้เพียงสูตรที่ 1 และ 5 เท่านั้น

3. เลือกช่วงเวลาการติดต่อกลับและกำหนดให้คงที่#

   เซสชันจะนับว่าลดจำนวนตั๋วได้ก็ต่อเมื่อบุคคลนั้นไม่ได้เปิดตั๋วภายในช่วงเวลาที่กำหนด คำจำกัดความที่เผยแพร่ใช้ 24 ชั่วโมง (เซสชันของ Intercom), 48 ชั่วโมง (กฎการติดต่อกลับของ Helply) หรือ 72 ชั่วโมง (Metabase); ช่วงเวลาที่สั้นเกินไปจะพลาดคนที่พยายามใหม่ในวันถัดไป ไม่ว่าคุณจะเลือกอะไร ให้คงไว้อย่างนั้น มิฉะนั้นเส้นแนวโน้มของคุณจะวัดการเปลี่ยนแปลงกฎของคุณแทน

4. ลบความล้มเหลวที่ชัดเจนออก#

   ให้นำเซสชันที่จบลงด้วยการค้นหาที่ไม่พบผลลัพธ์ หรือมีการโหวตว่า "ไม่เป็นประโยชน์" ออกไป เพราะคนกลุ่มนี้ไม่ได้รับคำตอบแม้ว่าจะไม่ได้ส่งตั๋วเข้ามาก็ตาม ให้นับแต่ละเซสชันเพียงครั้งเดียว: เซสชันที่ล้มเหลวและนำไปสู่การเปิดตั๋วได้ถูกนับรวมอยู่ในจำนวนตั๋วแล้ว

5. รายงานแยกตามหัวข้อ ไม่ใช่แค่ยอดรวม#

   จัดกลุ่มเซสชันและตั๋วตามหัวข้อเดียวกัน เช่น การเรียกเก็บเงิน, SSO, การส่งออกข้อมูล และอื่นๆ ยอดรวม 67% อาจบดบังหัวข้อที่มีปัญหา 30% ซึ่งเป็นสาเหตุของตั๋วครึ่งหนึ่งของคุณ ให้ใช้แท็กตั๋วของคุณเป็นรายการหัวข้อ และจับคู่บทความช่วยเหลือแต่ละบทความเข้ากับหนึ่งแท็ก

6. แสดงผลควบคู่ไปกับปริมาณตั๋ว#

   รายงานอัตราการลดตั๋ว (deflection rate) ควบคู่ไปกับจำนวนตั๋วต่อลูกค้าที่ใช้งานจริง 1,000 ราย หากอัตราการลดตั๋วเพิ่มขึ้นแต่จำนวนตั๋วต่อลูกค้าไม่ลดลง แสดงว่าคุณกำลังนับเซสชันผิดกลุ่ม

คุณจะระบุว่าบทความและวิดีโอช่วยลดตั๋วได้อย่างไร?#

นี่คือจุดที่จะนำไปสู่การตัดสินใจที่มีประโยชน์ โดยมี 3 วิธี ตั้งแต่แบบง่ายที่สุดไปจนถึงแบบเข้มงวดที่สุด:

1. เปรียบเทียบหัวข้อก่อนและหลัง เมื่อคุณเผยแพร่หรือเขียนบทความใหม่สำหรับหัวข้อใดหัวข้อหนึ่ง ให้เปรียบเทียบจำนวนตั๋วต่อลูกค้า 1,000 รายของหัวข้อนั้นในช่วง 4 สัปดาห์ก่อนและหลังเผยแพร่ ตรวจสอบให้แน่ใจว่าหัวข้ออื่นๆ ยังคงที่ในช่วงเวลาเดียวกัน หากทุกอย่างลดลงพร้อมกัน แสดงว่าอาจเป็นปัจจัยตามฤดูกาล

2. อัตราปรับปรุงระดับบทความ ใช้สูตรที่ 3 สำหรับแต่ละบทความ: จำนวนเซสชันที่เข้าชมบทความนี้ ลบด้วยจำนวนเซสชันที่มีการเปิดตั๋วในหัวข้อเดียวกันภายใน 72 ชั่วโมง และลบด้วยการโหวตว่า "ไม่เป็นประโยชน์" จัดลำดับบทความตามจำนวนตั๋วที่ยังคงเกิดขึ้นหลังจากอ่านบทความนั้น บทความที่อยู่บนสุดของรายการคือคิวที่คุณต้องนำไปเขียนใหม่

3. ทดสอบรูปแบบวิดีโอ เพื่อเรียนรู้ว่าการเพิ่มวิดีโอสอนใช้งานช่วยลดตั๋วได้จริงหรือไม่ ให้เพิ่มวิดีโอลงในบทความที่คล้ายกันครึ่งหนึ่ง (เช่น 10 จาก 20 บทความสอนใช้งานที่มีผู้เข้าชมมากที่สุด โดยเลือกสลับกันหรือสุ่ม) และปล่อยอีกครึ่งหนึ่งไว้ตามเดิม หลังจากผ่านไป 4-6 สัปดาห์ ให้เปรียบเทียบจำนวนตั๋วต่อหัวข้อระหว่างสองกลุ่ม และเชื่อถือผลลัพธ์ก็ต่อเมื่อแต่ละกลุ่มมีจำนวนตั๋วมากพอที่จะแสดงความแตกต่าง (หลักสิบต่อเดือน ไม่ใช่แค่ไม่กี่ใบ) ให้ดูอัตราการรับชมวิดีโอจนจบด้วย: วิดีโอที่คนส่วนใหญ่หยุดดูที่ 25% แสดงว่ายังทำงานได้ไม่ดี งานวิจัยด้านการใช้งานของ Nielsen Norman Group พบว่าผู้คนใช้วิดีโอ เป็นแหล่งข้อมูลรอง โดยเฉพาะสำหรับกระบวนการที่ยาวและมีหลายขั้นตอน ดังนั้นควรทดสอบวิดีโอกับงานที่มีหลายขั้นตอนก่อน

อัตราการลดตั๋วที่ดีควรเป็นเท่าไหร่?#

ไม่มีเกณฑ์มาตรฐานสาธารณะที่เชื่อถือได้ เพราะไม่มีใครใช้สูตรเดียวกัน ช่วงตัวเลขที่คุณเห็นในโพสต์ของผู้ให้บริการมักไม่มีแหล่งที่มาที่ชัดเจน ให้วัดผลเทียบกับแนวโน้มของตัวคุณเองจะดีที่สุด

เพื่อให้เห็นภาพว่าบริการตนเองนั้นทำได้ยากเพียงใด ผลสำรวจลูกค้า 5,728 รายของ Gartner พบว่า มีเพียง 14% ของปัญหาบริการลูกค้าเท่านั้นที่ได้รับการแก้ไขอย่างสมบูรณ์ผ่านบริการตนเอง และแม้แต่ปัญหาที่ลูกค้าเรียกว่า "ง่ายมาก" ก็มีเพียง 36% เท่านั้น (Gartner, 2024) ในการสำรวจเดียวกัน 73% ของลูกค้าเคยใช้บริการตนเองในช่วงใดช่วงหนึ่งของเส้นทางลูกค้า คนส่วนใหญ่พยายามใช้ แต่ส่วนใหญ่ไม่ได้จบปัญหาที่จุดนั้น

ผลสำรวจเดียวกันระบุสาเหตุที่พบบ่อยที่สุดของความล้มเหลวคือ ใน 43% ของกรณี ลูกค้าไม่สามารถหาเนื้อหาที่เกี่ยวข้องกับปัญหาของตนได้ ผลสำรวจก่อนหน้านี้ของ Gartner ที่ใช้กลุ่มตัวอย่างต่างกัน ระบุอัตราการแก้ไขปัญหาด้วยบริการตนเองได้สำเร็จอยู่ที่ 9% ในปี 2019 และ 13% ในปี 2020: ซึ่งต่ำเสมอมาทุกครั้งที่มีการวัดผล (อ่านเพิ่มเติมได้ใน สถิติบริการตนเองของลูกค้า) นั่นคือปัญหาด้านเนื้อหาที่คุณสามารถวัดผลได้โดยตรง ผ่านการค้นหาที่ไม่พบผลลัพธ์

การลดตั๋วช่วยประหยัดค่าใช้จ่ายได้เท่าไหร่?#

เงินที่ประหยัดได้ต่อเดือน = จำนวนตั๋วที่ลดลง × ต้นทุนต่อตั๋ว โดยจำนวนตั๋วที่ลดลง = ตั๋วรายเดือน × สัดส่วนที่เป็นคำถามวิธีใช้งาน × สัดส่วนที่บริการตนเองแก้ไขได้

สำหรับต้นทุนต่อการติดต่อ ให้ใช้ตัวเลขต้นทุนรวมของคุณหากมี เพื่อเป็นข้อมูลอ้างอิง เกณฑ์มาตรฐานต้นทุนของ Gartner ในเดือนกุมภาพันธ์ 2024 ระบุ ค่ามัธยฐานอยู่ที่ $1.84 ต่อการติดต่อผ่านบริการตนเอง และ $13.50 ต่อการติดต่อที่มีเจ้าหน้าที่ช่วย เช่น โทรศัพท์, แชท และอีเมล (Gartner, 2024; รายงานฉบับเต็มสำหรับลูกค้า) บริการตนเองไม่ได้ฟรีทั้งหมด: สำหรับตัวเลขสุทธิ ให้หักต้นทุนของการติดต่อผ่านบริการตนเองออกไป ด้วยค่ามัธยฐานของ Gartner จะเท่ากับ $13.50 − $1.84 ≈ $11.66 ที่ประหยัดได้ต่อการติดต่อที่ลดลง

เรามี เครื่องคำนวณการลดตั๋ว ฟรีที่ช่วยคำนวณด้วยตัวเลขของคุณ: จำนวนตั๋วต่อเดือน, สัดส่วนคำถามวิธีใช้งาน, อัตราการลดตั๋ว, เวลาที่ใช้ต่อตั๋ว และต้นทุนต่อตั๋วหรือค่าแรงรายชั่วโมงของเจ้าหน้าที่ เครื่องมือจะแสดงจำนวนตั๋วที่ลดลง, ชั่วโมงการทำงานของเจ้าหน้าที่ที่ประหยัดได้ และเงินที่ประหยัดได้ต่อเดือนและต่อปี ตัวอย่างเช่น ตั๋ว 2,000 ใบต่อเดือน, คำถามวิธีใช้งาน 40% และบริการตนเองแก้ไขได้ 30% จะทำให้ตั๋วลดลง 240 ใบต่อเดือน; ที่ต้นทุน $15 ต่อตั๋ว จะประหยัดได้ $3,600 ต่อเดือน ให้ใช้อัตราที่อิงจากตั๋วที่นี่ ไม่ใช่อัตราเซสชัน: การลดลงของตั๋วต่อลูกค้า 1,000 รายตามสูตรที่ 5 เป็นข้อมูลที่สะท้อนความเป็นจริงได้ดีกว่า ในขณะที่ 67% ของเซสชันไม่ใช่ 67% ของตั๋ว

คุณจะเพิ่มอัตราการลดตั๋วได้อย่างไร?#

ให้เริ่มจากข้อมูลการวัดผลข้างต้น ตามลำดับนี้:

1. เขียนบทความที่ขาดหายไป รายการการค้นหาที่ไม่พบผลลัพธ์คือรายการสิ่งที่ต้องทำที่จัดลำดับความสำคัญไว้แล้ว ลูกค้าได้บอกคำที่พวกเขาใช้ค้นหาให้คุณทราบแล้ว นี่คือ วิธีเปลี่ยนการค้นหาในศูนย์ช่วยเหลือให้เป็นรายการบทความที่ต้องเขียน
2. แก้ไขบทความที่ยังทำให้เกิดตั๋ว เขียนใหม่ในบทความที่มีตั๋วเกิดขึ้นมากที่สุดหลังการเข้าชมและมีอัตราความช่วยเหลือต่ำที่สุด: ปรับชื่อเรื่องให้ชัดเจน, ตอบคำถามก่อน, ใช้ป้ายกำกับที่แม่นยำ, ระบุสิ่งที่ต้องเตรียมก่อน คู่มือของเราเรื่อง การเขียนบทความศูนย์ช่วยเหลือ จะแสดงวิธีทำ
3. เพิ่มวิดีโอสำหรับงานที่มีหลายขั้นตอน จากนั้นตรวจสอบด้วยการทดสอบรูปแบบข้างต้นว่าช่วยได้จริงหรือไม่
4. วางคำตอบไว้ในจุดที่ผู้คนมักติดปัญหา เชื่อมโยงบทความจากหน้าจอในผลิตภัณฑ์ของคุณ และแนะนำบทความบนแบบฟอร์มติดต่อสอบถาม
5. รักษาเนื้อหาให้เป็นปัจจุบัน บทความที่ไม่ตรงกับ UI อีกต่อไปจะสร้างตั๋วแทนที่จะป้องกัน นี่คือ วิธีอัปเดตเอกสารให้ทันสมัยเมื่อ UI ของคุณเปลี่ยนแปลง

กำลังสร้างฐานความรู้ตั้งแต่เริ่มต้นใช่ไหม? เริ่มต้นด้วย วิธีสร้างฐานความรู้ด้วย AI

การวัดผลและเพิ่มอัตราการลดตั๋วด้วย Clevera#

Clevera คือแพลตฟอร์ม AI ที่เปลี่ยนการบันทึกหน้าจอให้เป็นวิดีโอสอนใช้งานพร้อมเสียงบรรยาย, บทความช่วยเหลือแบบทีละขั้นตอน และหน้าเว็บในศูนย์ช่วยเหลือของคุณ รองรับ 74 ภาษา ศูนย์ช่วยเหลือจะให้ข้อมูลด้านบริการตนเองตามการวัดผลข้างต้น ในขณะที่ระบบ Help Desk ของคุณยังคงเก็บข้อมูลตั๋วอยู่

ข้อมูลเชิงลึกในทุกแผน ศูนย์ช่วยเหลือของ Clevera แต่ละแห่งจะแสดง จำนวนการเข้าชมหน้าเว็บ, ผู้เข้าชม, ความสำเร็จในการค้นหา, อัตราไม่พบผลลัพธ์, อัตราการคลิกผ่าน, อัตราความช่วยเหลือ ต่อหน้า และ ผู้ช่วยตอบคำถาม ซึ่งเป็นสัดส่วนของคำถามที่ ถาม AI แล้วได้รับคำตอบจากหน้าเว็บของคุณ โดยนับจำนวนผู้อ่านโดยไม่ใช้คุกกี้และไม่นับรวมบอท คุณสามารถดูย้อนหลังได้ 30 วันสำหรับแผน Free, 90 วันสำหรับ Starter และ 12 เดือนสำหรับ Pro และ Custom

ช่องว่างของเนื้อหาพร้อมปุ่มเขียนบทความ การค้นหาที่ไม่พบผลลัพธ์จะถูกแสดงรายการพร้อมจำนวนผู้ค้นหาและเวลาที่ค้นหา ปุ่ม เขียนบทความ จะเปิดหน้า Compose โดยใช้คำค้นหานั้นเป็นหัวข้อ และบทความจะถูกเพิ่มเข้าไปในศูนย์ช่วยเหลือสำหรับการเผยแพร่ครั้งถัดไปของคุณ (มีค่าใช้จ่ายเป็นเครดิตเหมือนบทความทั่วไป)

คำแนะนำบทความบนแบบฟอร์มติดต่อสอบถาม ในแผน Starter ขึ้นไป แบบฟอร์มติดต่อสอบถามของศูนย์ช่วยเหลือจะแนะนำบทความของคุณสูงสุด 3 บทความในขณะที่ผู้อ่านกำลังพิมพ์ และทุกข้อความจะแจ้งให้คุณทราบว่ามีการแนะนำบทความใดไปบ้าง นี่คือการตั้งค่าสำหรับสูตรที่ 4; คุณสามารถนับจำนวนการเริ่มกรอกแบบฟอร์มและการละทิ้งได้ในระบบวิเคราะห์ของคุณเอง

ส่งข้อมูลการเข้าชมหน้าเว็บไปยังระบบวิเคราะห์ของคุณ ในแผน Starter ขึ้นไป คุณสามารถเพิ่ม Google Analytics 4, Plausible, PostHog หรือ Segment เพื่อให้ข้อมูลการเข้าชมหน้าศูนย์ช่วยเหลือไปปรากฏควบคู่กับข้อมูลผลิตภัณฑ์ของคุณ การเชื่อมโยงการเข้าชมเหล่านั้นเข้ากับตั๋วยังคงเป็นหน้าที่ของคุณ: ซึ่งต้องใช้ ID ผู้ใช้หรืออีเมลที่ระบบ Help Desk ของคุณมีอยู่ด้วย

ปิดช่องว่างให้เร็วขึ้น บันทึกงานเพียงครั้งเดียว Clevera จะเขียนบทความช่วยเหลือพร้อมภาพหน้าจอให้คุณ และยังสามารถสร้างวิดีโอสอนการใช้งานที่มีเสียงบรรยายจากการบันทึกเดียวกันเพื่อทดสอบรูปแบบของคุณได้อีกด้วย ระบบวิเคราะห์วิดีโอจะแสดงอัตราการรับชมจนจบและจุดที่ผู้ชมรับชมถึง โดยในแพ็กเกจ Pro และ Custom ระบบ Autopilot สามารถเปลี่ยนคำถามที่คุณวางลงไป (สูงสุด 30 คำถาม) และการค้นหาที่ไม่พบผลลัพธ์ ให้กลายเป็นบทความร่างที่รอการอนุมัติจากคุณ

ศูนย์ช่วยเหลือรวมอยู่ในทุกแพ็กเกจ รวมถึงแพ็กเกจฟรี แพ็กเกจ Starter ราคา $29 ต่อเดือนเมื่อเรียกเก็บเงินรายปี ($36 ต่อเดือน) โดยเพิ่มโดเมนของคุณเองและการเชื่อมต่อระบบวิเคราะห์ ส่วนแพ็กเกจ Pro เริ่มต้นที่ $86.80 ต่อเดือนเมื่อเรียกเก็บเงินรายปีสำหรับผู้สร้าง 2 คน ($124 ต่อเดือน) ราคา ณ วันที่ 3 พฤศจิกายน 2026 ดู ราคา

เริ่มใช้งานฟรี หรืออ่าน วิธีนับข้อมูลเชิงลึกของเว็บไซต์เอกสาร

คำถามที่พบบ่อย#

คุณคำนวณอัตราการลดจำนวนตั๋ว (Ticket deflection rate) อย่างไร? นำเซสชันในศูนย์ช่วยเหลือที่ผู้ใช้เข้ามาหาความช่วยเหลือและไม่ได้นำไปสู่การเปิดตั๋วภายในระยะเวลาที่กำหนด (มักเป็น 72 ชั่วโมง) ลบด้วยเซสชันที่ล้มเหลวอย่างเห็นได้ชัด หารด้วยเซสชันที่เข้ามาหาความช่วยเหลือทั้งหมด แล้วคูณด้วย 100 ตัวอย่างเช่น (12,000 − 1,400 − 2,600) ÷ 12,000 = 67%

คะแนนการบริการตนเองของ Zendesk กับอัตราการลดจำนวนตั๋วแตกต่างกันอย่างไร? คะแนนการบริการตนเองของ Zendesk จะนำเซสชันในศูนย์ช่วยเหลือมาหารด้วยจำนวนผู้ใช้ในตั๋วและให้ผลลัพธ์เป็นอัตราส่วน เช่น 4:1 แต่อัตราการลดจำนวนตั๋วคือเปอร์เซ็นต์ของเซสชันที่จบลงโดยไม่มีการเปิดตั๋ว ซึ่งทั้งสองค่าอาจเคลื่อนที่ไปในทิศทางตรงกันข้ามได้: ปริมาณการเข้าชมที่มากขึ้นจะทำให้อัตราส่วนสูงขึ้นแม้ว่าจะไม่มีการหลีกเลี่ยงตั๋วเพิ่มขึ้นเลยก็ตาม

อัตราการลดจำนวนตั๋วที่สูงนั้นดีเสมอไปหรือไม่? ไม่เสมอไป อัตราที่เกิดจากการที่ผู้ใช้ละทิ้งเซสชันอาจสูงขึ้นในขณะที่ลูกค้ากลับรู้สึกหงุดหงิดมากขึ้น ให้ตรวจสอบเทียบกับจำนวนตั๋วต่อลูกค้า 1,000 ราย คะแนนความช่วยเหลือ และการค้นหาที่ไม่มีผลลัพธ์ ในธุรกิจ B2B การที่ตั๋วจากบัญชีสำคัญถูกลดจำนวนลงอาจเป็นสัญญาณที่ทีมดูแลบัญชีของคุณมองไม่เห็น

ระยะเวลาในการติดตามผล (Re-contact window) ควรนานเท่าใด? คำจำกัดความที่เผยแพร่ทั่วไปใช้เวลา 24, 48 หรือ 72 ชั่วโมง ยิ่งระยะเวลานานขึ้นก็ยิ่งเข้มงวดขึ้น ระยะเวลาสำคัญน้อยกว่าการรักษาให้คงที่ เพื่อให้แนวโน้มของคุณสามารถเปรียบเทียบกันได้ในแต่ละเดือน

คุณสามารถวัดการลดจำนวนตั๋วโดยไม่เชื่อมโยงการเข้าชมกับตั๋วได้หรือไม่? ได้บางส่วน หากไม่มีการเชื่อมโยงข้อมูล คุณสามารถรายงานอัตราส่วนของ Zendesk และการเปลี่ยนแปลงของจำนวนตั๋วต่อลูกค้า 1,000 ราย รวมถึงสัญญาณจากเนื้อหา เช่น การค้นหาที่ไม่มีผลลัพธ์และคะแนนความช่วยเหลือ รายงานการค้นหาของ Zendesk ยังนับ "ตั๋วที่ถูกสร้างขึ้น" ซึ่งคือการค้นหาที่นำไปสู่การเปิดตั๋ว แต่คุณจะไม่สามารถบอกได้ว่าการเข้าชมครั้งใดที่ช่วยหลีกเลี่ยงการเปิดตั๋วได้

วิดีโอช่วยลดจำนวนตั๋วได้มากกว่าบทความหรือไม่? ไม่มีคำตอบทั่วไปที่เชื่อถือได้ ขึ้นอยู่กับลักษณะงาน ให้ทดสอบกับเนื้อหาของคุณเอง: เพิ่มวิดีโอลงในบทความที่คล้ายกันครึ่งหนึ่ง แล้วเปรียบเทียบจำนวนตั๋วต่อหัวข้อหลังจากผ่านไปสี่ถึงหกสัปดาห์