שיעור פתרון

מהו שיעור פתרון

שיעור פתרון (Resolution rate) הוא מדד שירות לקוחות שבודק באיזה אחוז מהפניות לתמיכה הבעיה של הלקוח נפתרה במלואה. בניגוד לשיעור הסטה, שבודק רק אם הפנייה לא הגיעה לנציג אנושי, שיעור הפתרון עונה על שאלה חשובה יותר: האם הבעיה של הלקוח באמת נפתרה?

לצוותי תמיכה שבוחנים כלי AI, ההבחנה הזו קריטית. שיעור הסטה גבוה נראה טוב בדשבורד, אבל הוא לא אומר דבר על כך אם הלקוח יצא מרוצה או פשוט ויתר. שיעור הפתרון סוגר את הפער הזה.

איך מחשבים שיעור פתרון

שיעור פתרון = (בעיות שנפתרו / סך הבעיות) x 100

לדוגמה, אם הצוות שלכם מטפל ב-500 פניות בשבוע ו-425 מהן נפתרות במלואן ללא צורך בפנייה חוזרת, שיעור הפתרון שלכם הוא 85%.

בעיה נחשבת "נפתרה" כאשר:

• השאלה של הלקוח קיבלה מענה מלא
• כל פעולה שהתבקשה בוצעה (החזר כספי עובד, החשבון עודכן, המנוי שונה)
• לא נדרשה פנייה חוזרת באותו נושא בתוך 48 שעות

הנקודה האחרונה קריטית. כלים רבים סופרים פנייה כפתורה ברגע שהיא נסגרת, גם אם הלקוח פונה שוב למחרת באותה בעיה. מעקב אחר פניות חוזרות בחלון של 48 שעות נותן תמונה כנה יותר של פתרון אמיתי.

נתוני השוואה לשיעור פתרון

נתוני ההשוואה בתעשייה משתנים לפי ערוץ ומורכבות, אבל זה מה שהנתונים מראים:

• בוטים מסורתיים מבוססי כללים: 10-30% פתרון (רוב הבעיות מועברות לנציגים אנושיים)
• כלי AI מהדור הראשון: 30-50% פתרון (הבנת שפה טובה יותר, אבל יכולת מוגבלת לבצע פעולות)
• סוכני AI מודרניים: 70-93% פתרון (הקשר שיחה מלא, יכולת לבצע פעולות, עיגון בידע)

לפי דוח מדדי שירות הלקוחות של Freshworks לשנת 2025, שניתח יותר מ-1.2 מיליארד פניות ביותר מ-32,000 צוותים, אוטומציה מבוססת AI יכולה לקצר את זמני הפתרון בעד 40% ולטפל באופן מיידי בחלק משמעותי מהפניות.

שיעור הפתרון בפנייה ראשונה (FCR) בתעשייה עומד על כ-70-75%, אבל הנתון הזה כולל נציגים אנושיים. בפתרון על ידי AI בלבד הטווח רחב בהרבה, ותלוי מאוד בפלטפורמה ובאופן שבו מגדירים "פתרון".

למה שיעור פתרון חשוב יותר מהסטה

רוב כלי התמיכה מבוססי AI מכוונים להסטה. הם מדווחים על מדדים כמו "70% מהלקוחות לא הגיעו לנציג אנושי". זה נשמע מרשים, אבל הסטה מעידה רק שהלקוח לא הסלים את הפנייה. היא לא מגלה לכם:

• אם הבעיה של הלקוח באמת נפתרה
• אם הלקוח עזב מתוסכל ונטש בשקט
• אם הלקוח מצא פתרון עוקף בעצמו וויתר לגמרי על התמיכה שלכם
• אם הלקוח יחזור מחר עם אותה בעיה

שיעור פתרון מציב שאלה קשה יותר: מתוך מי שפנה ל-AI שלכם, אצל כמה הבעיה טופלה במלואה? זה רף גבוה יותר, והוא דורש AI טוב יותר. אבל זה המדד היחיד שתואם את מה שלקוחות באמת רוצים.

מחקר בתעשייה: Gartner מציינת שהסטה בשירות עצמי מסווה לעיתים קרובות ביקוש שלא נענה, וממליצה למדוד הכלה אמיתית (פתרון) לצד הסטה כדי להימנע ממדדי KPI מטעים.

מה מניע שיעורי פתרון גבוהים

כמה גורמים מבדילים בין צוותים עם 30% פתרון לבין אלה שמגיעים ל-90% ומעלה:

• עיגון בידע: AI ששואב מתיעוד מאומת, מפניות קודמות ומנתוני מוצר, במקום לייצר תשובות מאפס. כך מצטמצמות הזיות ונבנה אמון.
• יכולת לבצע פעולות: פתרון בעיה פירושו פעמים רבות לעשות משהו, לא רק לענות על שאלה. עיבוד החזר כספי, עדכון חשבון או שינוי מנוי דורשים מה-AI להתממשק עם מערכות ה-backend.
• הקשר לאורך שיחות: לקוחות לא אמורים להסביר את הבעיה מחדש בכל פעם. AI שזוכר אינטראקציות קודמות ושולף את היסטוריית החשבון פותר בעיות מהר ובדיוק רב יותר.
• הסלמה חכמה: לדעת מתי לא לפתור חשוב לא פחות. כשבעיה דורשת שיקול דעת אנושי, ה-AI צריך להעביר אותה עם ההקשר המלא, כך שהנציג לא יתחיל מאפס.
• שיפור מתמשך: מעקב אחר הנושאים שנפתרים לעומת אלה שמוסלמים, והזנת הנתונים בחזרה כדי לשפר את ה-AI לאורך זמן.

שיעור פתרון לעומת מדדי תמיכה אחרים

• לעומת שיעור הסטה: הסטה מודדת מניעת פניות. פתרון מודד אם הבעיה נפתרה. לקוח שנוטש צ'טבוט בתסכול נספר כ"הוסט" אבל לא כ"נפתר".
• לעומת פתרון בפנייה ראשונה (FCR): FCR בודק אם בעיה נפתרה באינטראקציה הראשונה, כולל על ידי נציגים אנושיים. שיעור הפתרון של AI מודד פתרון אוטומטי מלא, ללא מעורבות אנושית.
• לעומת CSAT: פתרון מניע שביעות רצון, אבל השניים מודדים דברים שונים. CSAT משקף תחושה. שיעור פתרון משקף תוצאות תפעוליות. שניהם חשובים.
• לעומת זמן טיפול ממוצע (AHT): AHT מודד מהירות. שיעור פתרון מודד אפקטיביות. מרדף אחרי סגירת פניות מהירה יותר עלול דווקא לפגוע בפתרון, אם הבעיות לא מטופלות עד הסוף.

שיעורי פתרון מוכחים אצל לקוחות Maven AGI

ב-Maven AGI מדד המפתח הוא פתרון, לא הסטה. כך זה נראה בפועל:

• Mastermind (EdTech): 93% משיחות הצ'אט החי נפתרו. הוטמע תוך 6 שבועות.
• Enumerate (PropTech): שיעור פתרון של 91% בכל ערוצי התמיכה.
• Papaya Pay (FinTech): 90% פתרון אוטונומי.
• K1x (FinTech): שיעור פתרון של 80%, שיפור פי 10 לעומת כלי ה-AI הקודם. עלה לאוויר תוך 1 שבוע.

הגישה של Maven AGI: פתרון הוא המדד היחיד ש-Maven AGI ממטבת אליו. בכל הטמעה אצל לקוח עוקבים אחר השאלה אם הבעיה באמת נפתרה, ולא אם נמנעה פנייה. ההתמקדות בתוצאות ולא בנפח היא שמובילה לשיעורי פתרון של 80-93% בתעשיות כמו EdTech, FinTech, PropTech ו-SaaS.

שאלות נפוצות

מהו שיעור פתרון טוב?

זה תלוי בערוץ, ובשאלה אם מודדים פתרון אנושי או פתרון של AI. בצוותי תמיכה אנושיים, נתוני ההשוואה לפתרון בפנייה ראשונה עומדים על כ-70-75%. בפתרון על ידי AI בלבד, צ'טבוטים ותיקים מגיעים ל-10-30%, ואילו סוכני AI מודרניים שמסוגלים לבצע פעולות מגיעים ל-80-93%.

במה שונה שיעור פתרון משיעור הסטה?

שיעור הסטה מודד כמה פניות לא הגיעו לנציג אנושי. שיעור פתרון מודד כמה בעיות של לקוחות באמת נפתרו. פנייה יכולה "להיות מוסטת" בלי שהבעיה תיפתר. פתרון הוא המדד התובעני והכן יותר.

איך משפרים את שיעור הפתרון?

התמקדו בשלושה תחומים: עיגון טוב יותר בידע (ספקו ל-AI מידע מדויק ועדכני), אינטגרציות לביצוע פעולות (אפשרו ל-AI לעבד החזרים ולעדכן חשבונות, ולא רק לענות על שאלות), ולולאות משוב (עקבו אחר נושאים שבהם ה-AI נכשל ושפרו אותם לאורך זמן).

האם AI באמת יכול לפתור 90% ומעלה מפניות התמיכה?

כן, אבל רק עם הארכיטקטורה הנכונה. צ'טבוטים מבוססי כללים נעצרים ב-10-30%. פלטפורמות AI אגנטי שמשלבות הבנת שפה, אחזור ידע ואינטגרציות backend מגיעות בעקביות ל-80-93% בסביבות ייצור.