Average Handle Time (AHT)

Apa Itu Average Handle Time (AHT)?

Average handle time (AHT) adalah rata-rata total waktu yang dihabiskan agen dukungan untuk menangani satu interaksi pelanggan secara aktif. AHT mencakup waktu bicara, waktu hold, dan pekerjaan pasca-panggilan (after-call work/ACW), seperti menulis catatan, memperbarui data, atau mengirim komunikasi tindak lanjut. AHT adalah salah satu metrik yang paling banyak dipantau di contact center dan operasional layanan pelanggan di seluruh dunia.

Jika digabungkan dengan tingkat resolusi dan CSAT, AHT memberikan gambaran lengkap apakah tim Anda cepat, efektif, atau keduanya.

Cara Menghitung Average Handle Time

AHT = (Total Waktu Bicara + Total Waktu Hold + Total Pekerjaan Pasca-Panggilan) / Jumlah Interaksi yang Ditangani

Sebagai contoh, jika seorang agen menangani 40 panggilan dalam sehari dengan 120 menit waktu bicara, 20 menit waktu hold, dan 40 menit pekerjaan pasca-panggilan, maka AHT-nya adalah:

(120 + 20 + 40) / 40 = 4,5 menit per panggilan

Hal penting yang perlu diperhatikan dalam pengukuran:

Tolok Ukur Industri

Tolok ukur AHT sangat bervariasi antarindustri, mencerminkan perbedaan kompleksitas masalah dan ekspektasi pelanggan:

Wawasan Riset: Menurut McKinsey, contact center terdepan mulai beralih dari sekadar mengoptimalkan AHT menjadi menyeimbangkan kecepatan dengan kualitas resolusi. Dukungan berbasis AI mendorong pergeseran ini dengan memangkas waktu penanganan untuk masalah rutin sambil menjaga kualitas pada masalah yang kompleks.

Mengapa Ini Penting

AHT berdampak langsung pada tiga area penting dalam operasional dukungan Anda:

Kesalahan paling umum yang dilakukan tim adalah menjadikan AHT sebagai target tersendiri. AHT yang lebih rendah hanya bernilai jika diimbangi dengan first contact resolution dan CSAT yang kuat.

Bagaimana AI Meningkatkan Metrik Ini

AI untuk contact center menurunkan AHT melalui berbagai mekanisme:

Keunggulan Maven AGI

Maven AGI menurunkan AHT dari dua sisi. Pertama, Agent Maven menyelesaikan 80-93% masalah tanpa agen manusia, sehingga interaksi tersebut sepenuhnya keluar dari perhitungan AHT Anda. Kedua, untuk tiket yang tetap sampai ke agen manusia, AI Copilot dari Maven menyediakan konteks lengkap dan saran respons untuk mempercepat penyelesaian.

Pendekatan Maven AGI: Cara paling efektif untuk menurunkan AHT adalah menyelesaikan sebagian besar tiket sebelum sampai ke agen. Agen AI dari Maven AGI menangani volume tersebut, sementara AI Copilot memberi agen manusia konteks yang mereka butuhkan untuk menyelesaikan masalah yang tersisa lebih cepat. Hasilnya adalah AHT yang lebih rendah, biaya per tiket yang lebih rendah, dan CSAT yang lebih tinggi.

Pertanyaan yang Sering Diajukan

Berapa average handle time yang ideal?

Tolok ukur lintas industri sekitar 6 menit. Namun, angka "ideal" bergantung pada konteks Anda. Ritel menargetkan 3-5 menit, sementara dukungan teknis mungkin menargetkan 8-10 menit. Kuncinya adalah memastikan AHT Anda sejalan dengan tingkat resolusi yang kuat. AHT 3 menit tidak ada artinya jika pelanggan harus menelepon kembali.

Apa perbedaan AHT dengan waktu penyelesaian?

AHT mengukur waktu aktif agen per interaksi: waktu bicara, hold, dan pekerjaan pasca-panggilan. Waktu penyelesaian mengukur total waktu dari tiket dibuat hingga terselesaikan, yang dapat mencakup beberapa interaksi serta waktu tunggu di antara kontak.

Haruskah saya berusaha meminimalkan AHT?

Tidak dengan mengorbankan kualitas. Menekan agen untuk meminimalkan AHT dapat berujung pada resolusi yang tidak tuntas, kontak berulang, dan Customer Effort Score yang lebih rendah. Tujuannya adalah memangkas waktu yang tidak perlu (hold, riset, administrasi) sambil tetap menyediakan waktu yang dibutuhkan untuk resolusi yang menyeluruh.

Apakah AI dapat secara khusus mengurangi pekerjaan pasca-panggilan?

Ya. AI unggul dalam tugas pasca-interaksi seperti merangkum percakapan, memberi tag pada tiket, memperbarui data CRM, dan membuat email tindak lanjut. Menurut Forrester, pekerjaan pasca-panggilan biasanya mencakup 15-25% dari AHT, dan otomatisasi berbasis AI dapat mengurangi ACW hingga 30-50%, sehingga memberikan peningkatan produktivitas agen yang terukur.