Отведение тикетов (deflection)
Высокий deflection — обычно следствие нескольких слоёв самообслуживания, а не одного «чат-бота».
Откуда берутся отведения
- Грамотная база знаний с понятной структурой и поиском.
- Контекстные подсказки в продукте: «вижу, вы ищете отмену подписки, вот статья».
- FAQ и автоматические ответы в виджете чата.
- Чат-боты на основе LLM, отвечающие на типовые вопросы.
Как мерят
- Доля посещений статей базы знаний / FAQ, после которых клиент НЕ открыл тикет в течение N часов.
- Доля диалогов в чат-боте, завершившихся без переключения на оператора.
- Сравнение объёма обращений до и после внедрения новых статей и подсказок.
Когда применять и когда нет
Применять
- При построении самообслуживания и базы знаний
- В оценке эффективности чат-ботов
- В планировании нагрузки на команду поддержки
Не применять
- В B2B со сложными интеграциями — deflection может быть низким, и это нормально
- Как самоцель: если метрика растёт за счёт того, что клиенту трудно достучаться до оператора, это плохой deflection
Примеры применения
В SaaS-продукте 40% обращений в поддержку — это «как пригласить пользователя» и «как настроить уведомления». Команда переписала статьи в базе знаний, добавила контекстные подсказки в эти разделы продукта и обновила приветственное письмо после регистрации. Через два месяца число тикетов на эти темы упало в три раза, а deflection rate по типовым вопросам поднялся с 18% до 55%. Высвободившееся время операторов ушло на работу со сложными случаями.
Часто задаваемые вопросы
Зависит от продукта. В массовых SaaS-сервисах со зрелой базой знаний 30–60% типовых вопросов могут решаться без участия оператора. В сложных B2B-продуктах хороший deflection часто ниже, но даже 15–25% — заметная экономия.
Часть deflection — да, если бот реально закрывает вопрос. Но если бот «отбивает» обращение и клиент потом всё равно ищет оператора в обход, это плохой deflection: проблема не решена, и в долгую падает CSAT.