Chat

Este reporte proporciona una visión completa de las interacciones y las transferencias. Permite examinar en detalle las interacciones que fueron transferidas a atención de ejecutivos, así como las características de estas transferencias, como cuántas fueron transferidas, a qué motor de transferencia, qué agentes atendieron dichas interacciones, la duración de las sesiones, entre otros aspectos.

Todos los gráficos que aparecen en el reporte incluyen una leyenda interactiva que permite una exploración más dinámica de los datos. Cada elemento de la leyenda representa un grupo de datos. Al hacer clic en uno de estos elementos, los valores asociados a esa variable desaparecen del gráfico, lo que permite enfocarse en el comportamiento de las demás categorías y mejora la interpretación.

Desempeño de atenciones

Este gráfico de barras permite analizar la distribución y evolución del manejo de interacciones a lo largo del tiempo, con el objetivo de identificar el balance entre las interacciones que son resueltas automáticamente por el bot y las que requieren intervención humana. Este análisis ayuda a evaluar la eficiencia del sistema automatizado, detectar patrones de demanda en distintos períodos y optimizar la asignación de recursos humanos y tecnológicos para mejorar la experiencia del cliente.

Interpretación de los datos

• Eje X: Representa el tiempo, dividido en intervalos específicos, según el rango seleccionado para el registro. Esto permite observar cómo varían las interacciones en diferentes períodos.
• Eje Y: Indica el número total de interacciones, facilitando una comparación clara del volumen en cada intervalo.

Cada barra representa el total de interacciones durante un período de tiempo específico y está dividida en dos colores para distinguir:

• Interacciones transferidas a ejecutivos: Casos que necesitaron intervención humana.
• Interacciones resueltas automáticamente: Casos que el bot resolvió sin intervención humana.

El gráfico ofrece una visión integral sobre la eficiencia de la automatización y la carga en los recursos humanos.

Caso de uso

Descripción: Una empresa de servicios financieros implementa un sistema de atención automatizado que incluye un chatbot para consultas frecuentes y ejecutivos para casos complejos. El equipo desea medir la efectividad del chatbot, optimizar recursos y mejorar la experiencia del cliente.

Uso del gráfico:

• Evaluar la eficiencia del chatbot:
  • Una alta proporción de interacciones resueltas automáticamente indica que el bot está manejando consultas frecuentes con éxito.
  • Si aumentan las transferencias a ejecutivos, podría implicar que los clientes tienen requerimientos más complejos o que el bot necesita ajustes.
• Identificar picos de demanda: Analizando los intervalos de tiempo, se pueden detectar períodos con mayor volumen de interacciones (como campañas promocionales o fechas clave), lo que ayuda a planificar mejor la asignación de recursos humanos y tecnológicos.
• Optimizar la experiencia del cliente: Si los períodos de alta demanda coinciden con un aumento en las transferencias a ejecutivos, podría ser necesario mejorar los flujos del bot o reforzar la capacitación del equipo.
• Monitorear mejoras implementadas: Comparar datos antes y después de realizar ajustes en el bot o en el sistema de atención permite medir la efectividad de las acciones implementadas.

Tiempo de vida de la sesión

Este gráfico tiene como objetivo analizar métricas relacionadas con la duración y el tiempo de espera (en segundos) en cola de las interacciones de un tenant a lo largo del tiempo. Proporciona información clave para evaluar el desempeño del sistema o proceso monitoreado, identificar tendencias y detectar áreas de mejora.

Interpretación de los datos

• Eje X: Representa el tiempo, dividido en días (formato de fecha), lo que permite observar la evolución de las métricas a lo largo de diferentes períodos.
• Eje Y: Representa los valores de las métricas en segundos, lo que facilita comparar la duración o el tiempo de espera en los diferentes períodos.

1. Líneas con puntos:
   • Cada línea representa una métrica específica. Por ejemplo:
     • max queue: Máximo tiempo en cola.
     • min queue: Mínimo tiempo en cola.
     • avg queue: Tiempo promedio en cola.
     • max duration: Duración maxima de la interacción.
     • min duration: Duración mínima de la interacción.
     • avg duration: Duración promedio de la interacción
   • Los puntos en las líneas resaltan valores específicos en cada día.
2. Áreas sombreadas:
   • Las áreas reflejan rangos de valores entre métricas específicas (por ejemplo, entre valores mínimos y máximos).
3. Leyenda:
   • Identifica claramente cada línea y área, asociando los colores con las métricas correspondientes.

Aspectos que se pueden deducir del análisis de los datos que muestra el gráfico:

• Tendencias generales:
  • Las métricas de la cola muestran una disminución constante en los valores máximos y promedios con el paso de los días.
  • Las métricas de duración tienen una variabilidad más controlada, con valores promedio y mínimos relativamente constantes.
• Anomalías o picos:
  • Puede observarse si en un período particular hay picos de métricas (ej., un aumento en el tiempo máximo en cola), lo cual podría indicar problemas específicos en el sistema.
• Variabilidad:
  • Las áreas sombreadas destacan la diferencia entre los valores máximos y mínimos, indicando la consistencia (o falta de ella) en el desempeño del sistema.

Caso de uso

Descripción: Un equipo de operaciones de atención al cliente utiliza este gráfico para monitorear métricas de espera y duración en un sistema automatizado de colas.

Análisis del gráfico:

• Identificación de cuellos de botella: Un aumento en el tiempo máximo en cola podría señalar sobrecarga en el sistema, lo que requeriría ajustes en la capacidad de atención.
• Medición de eficiencia: Una disminución constante en los valores promedio y máximos de cola indica mejoras en la gestión del sistema.
• Análisis de consistencia: Comparar los valores máximos, mínimos y promedio permite evaluar si las mejoras implementadas están reduciendo la variabilidad en el tiempo de espera.
• Planeación de recursos: Los patrones detectados ayudan a asignar personal y recursos en períodos críticos con mayor demanda.

Motor de transferencia

Este gráfico muestra la distribución de las sesiones atendidas por ejecutivos según el motor de chat utilizado. Su objetivo es identificar qué motores son más utilizados y analizar su relevancia en las interacciones que requieren atención humana.

Interpretación de los datos

El gráfico de pastel divide las sesiones atendidas por ejecutivos según el motor de chat utilizado, como Kyubo, Open Messaging y Pure Cloud. Cada segmento representa un motor e incluye el número total de sesiones procesadas, facilitando la comparación de su uso relativo.

Caso de uso

Descripción: Un administrador de atención al cliente puede usar este gráfico para evaluar el rendimiento y la carga de trabajo de los motores de chat implementados.

Uso del gráfico:

• Identificar el motor predominante: Analiza qué motor gestiona más sesiones (por ejemplo, Kyubo), lo que podría reflejar su confiabilidad o su configuración para manejar más interacciones.
• Detectar motores subutilizados: Examina motores que atienden pocas sesiones (como Open Messaging) para determinar si esto se debe a configuraciones limitadas, fallos o menor relevancia en ciertos canales.
• Planificación de recursos: Asigna más recursos al motor que soporta la mayor carga para garantizar un rendimiento óptimo y reducir los tiempos de espera.
• Optimización del sistema: Redistribuye la carga entre motores para evitar saturaciones y mejorar la eficiencia general.

Transferencia a ejecutivo

Este gráfico muestra cómo se distribuyen las transferencias a ejecutivos a lo largo del tiempo y permite comparar el rendimiento de los diferentes motores de transferencia utilizados. Al analizar las curvas, se pueden identificar patrones de actividad, como picos o caídas en las transferencias, lo que ayuda a comprender en qué momentos los usuarios requieren más asistencia de un ejecutivo y qué motor es más efectivo o popular en esos momentos. Esta información es útil para optimizar el uso de los motores de transferencia, asignar recursos de manera más eficiente y mejorar la experiencia del cliente.

Interpretación de los datos

El gráfico de curvas ilustra el número de transferencias a ejecutivos realizadas a lo largo del período de tiempo consultado, con cada curva representando un motor de transferencia diferente.

• Eje X: representa el tiempo, segmentado en intervalos definidos, lo que permite analizar la evolución y los patrones de las transferencias a lo largo del período seleccionado.

• Eje Y: indica el número de interacciones transferidas a ejecutivos, facilitando la comparación del volumen de transferencias en cada intervalo de tiempo.

Cada curva tiene un color distinto para distinguir entre los motores de transferencia. Esto permite ver el número de sesiones que resultaron en transferencia a un ejecutivo, cuántas fueron atendidas por cada motor, y en qué horarios. De esta manera, es más fácil detectar patrones de uso y desempeño de cada motor.

Caso de uso

Descripción: En una plataforma de atención al cliente que utiliza múltiples motores para gestionar las transferencias a ejecutivos, el objetivo es optimizar la eficiencia de los motores y mejorar la experiencia del cliente.

• Identificar el motor predominante: El gráfico ayuda a identificar qué motor está gestionando más sesiones (por ejemplo, Kyubo). Esto puede indicar que ese motor es más confiable o está mejor configurado para manejar un mayor volumen de interacciones, lo que puede guiar decisiones sobre su uso.
• Detectar motores subutilizados: Al observar qué motores manejan menos sesiones (como Open Messaging), se puede identificar si la baja actividad se debe a una configuración limitada, fallos en el motor o si simplemente no es tan relevante en ciertos canales. Esto facilita decisiones sobre posibles ajustes.
• Planificación de recursos: El gráfico permite asignar más recursos (ejecutivos, capacidad de motor) al motor que gestiona el mayor volumen de interacciones, lo que garantiza un rendimiento óptimo y reduce los tiempos de espera de los clientes.
• Optimización del sistema: Si un motor está saturado o sobrecargado, el gráfico puede ayudar a redistribuir la carga entre los motores, equilibrando el trabajo y mejorando la eficiencia general del sistema.

Transferencia de canal

El objetivo de este gráfico es mostrar cómo se distribuyen las sesiones transferidas a ejecutivos según el canal de origen, proporcionando una visión clara de qué canales generan más interacciones que requieren atención humana. Esto permite identificar áreas donde se podría mejorar el sistema de autoatención, así como detectar canales que necesitan más soporte humano. Al analizar la proporción de transferencias por canal, es posible optimizar tanto la automatización como la asignación de recursos humanos, mejorando la eficiencia y reduciendo los tiempos de espera en los canales más demandados.

Interpretación de los datos

La interpretación de los datos del gráfico se centra en analizar la proporción de sesiones transferidas a ejecutivos desde diferentes canales de origen. Cada porción del gráfico de pastel representa un canal, y su tamaño indica qué porcentaje del total de transferencias proviene de ese canal.

• Canales con porciones grandes: Representan los que generan más interacciones que requieren atención humana, reflejando áreas donde puede ser necesario ajustar el sistema de autoatención o asignar más recursos.
• Canales con porciones pequeñas: Indican una menor cantidad de transferencias, lo que podría sugerir que son más efectivos resolviendo consultas de forma automatizada o tienen menor uso.

Caso de uso

Descripción: En una plataforma de atención al cliente que opera en múltiples canales, como chat web, redes sociales, correo electrónico y aplicaciones móviles, el objetivo es analizar la distribución de transferencias a ejecutivos para optimizar recursos y mejorar la experiencia del cliente.

• Identificar el canal predominante: El gráfico ayuda a determinar qué canal genera el mayor número de transferencias a ejecutivos (por ejemplo, el chat web). Esto puede indicar que ese canal tiene una alta demanda de soporte humano, ya sea por su popularidad o por limitaciones en el sistema de autoatención.
• Detectar canales subutilizados: Los canales con menor proporción de transferencias (como redes sociales) pueden reflejar un menor volumen de interacciones o un sistema de autoatención más eficiente. Esto permite evaluar si el canal está cumpliendo su función o requiere ajustes.
• Optimización del sistema: Si un canal específico genera muchas transferencias, el análisis puede revelar fallos en la automatización o procesos que no resuelven las consultas de los usuarios. Esto permite priorizar mejoras en el sistema de autoatención y equilibrar los recursos entre canales para maximizar la eficiencia global.

Detalle de transferencias al agente

Esta tabla tiene como objetivo proporcionar un desglose detallado de las sesiones transferidas a ejecutivos, mostrando información clave como el nombre del agente, la fecha de atención, el canal de origen, y el motor de chat utilizado. Esto permite analizar la carga de trabajo de cada agente, identificar patrones de desempeño según el canal y el horario, y evaluar la eficiencia de la asignación de recursos. Además, facilita detectar posibles áreas de mejora en la distribución de las transferencias y optimizar los procesos de atención al cliente.

Interpretación de los datos

Presenta una tabla que detalla las sesiones que han sido transferidas a ejecutivos, complementando la información visual proporcionada en el gráfico de pastel anterior. La tabla desglosa las sesiones según la fecha y el agente que las atendió, permitiendo un análisis más profundo.

Dispone de las siguientes columnas:

• Nombre del agente: Nombre del agente que atendió la interacción.
• Fecha: Fecha de atención.
• Canal: Canal a través del cual se originó la sesión.
• Total transferido: Número de transferencias que ha recibido el agente en la fecha correspondiente en la columna Fecha.
• Motor de chat: Motor de chat a través del cual el ejecutivo atendió la interacción.
• Última transferencia: Hora de la última transferencia al ejecutivo.

La tabla de detalles proporciona una visión clara de cómo se distribuyen las sesiones transferidas a ejecutivos entre los diferentes agentes, ayudando a identificar la carga de trabajo de cada agente y su desempeño en función del canal de origen.

Caso de uso

Descripción: En una plataforma de atención al cliente que utiliza múltiples canales y ejecutivos para gestionar las interacciones, el objetivo es optimizar la asignación de recursos, identificar tendencias en la atención y evaluar el desempeño de los agentes.

Uso de la tabla:

• Evaluar la carga de trabajo: La tabla permite analizar qué agentes están gestionando un mayor número de transferencias, lo que ayuda a identificar desequilibrios en la distribución de tareas y a tomar decisiones para balancear la carga de trabajo entre los agentes disponibles.
• Detectar patrones de canal: Al revisar la cantidad de sesiones transferidas según el canal de origen, se pueden identificar canales que generan más demandas, lo que permite enfocar esfuerzos en mejorar la automatización o asignar más recursos a esos canales específicos.
• Monitorear eficiencia por agente: Al incluir información como el motor de chat y la hora de la última transferencia, la tabla ayuda a identificar agentes que están resolviendo interacciones de manera más eficiente, permitiendo reconocer su desempeño o replicar prácticas exitosas.
• Optimizar horarios y recursos: Al analizar las fechas y horarios de las transferencias, se pueden identificar períodos de mayor demanda para asignar más ejecutivos en esos momentos y garantizar una atención oportuna.

Detalle del tiempo de la sesión

El objetivo de esta tabla es proporcionar un desglose detallado y diario de las sesiones que han sido transferidas a un ejecutivo, con un enfoque en el análisis de la duración de las interacciones y la eficiencia del proceso de atención. A través de columnas como la ID de sesión, Canal, Agente, y Tiempo en cola, se puede evaluar el tiempo de espera, la carga de trabajo de cada agente, y los posibles cuellos de botella en el sistema de atención. Las vistas adicionales como Diálogos, Debug, y Health permiten una revisión más detallada de la sesión, facilitando la identificación de problemas técnicos, la calidad de la interacción, y el estado general de la atención, lo que contribuye a mejorar la eficiencia del servicio al cliente y optimizar los recursos asignados.

Interpretación de los datos

Columnas de la Tabla:

• ID de Sesión: Identificador único para rastrear interacciones.
• Canal: Canal por el cual se originó la sesión de interacción (Teams, WhatsApp, Telegram, etc).
• Agente: Nombre del agente que atendió la interacción.
• Tiempo en cola: Tiempo de espera de la interacción en cola antes de ser atendidas.

Vistas adicionales por sesión:

• Diálogos: Muestra el historial de conversación en formato de chat.
• Debug: Detalla errores y registros técnicos.
• Health: Indica el estado general de la sesión (éxito, problemas).

Cada columna incluye filtros para buscar y organizar datos, facilitando un análisis eficiente.

Diálogos

Esa vista muestra los detalles de la conversación durante la sesión. A la derecha, se visualizan los diálogos en un formato similar a la interfaz de un chat. Al hacer clic en un diálogo específico, se despliega una tabla con los detalles de esa interacción en formato clave-valor.

1. conversationPart: Indica quién está participando en esta parte de la conversación (Client-Bot-Agent).
2. text: Este campo muestra el mensaje enviado por la conversationPart
3. options: Son las opciones que el sistema ofrece al cliente en respuesta al mensaje, en caso de que la entidad de respuesta del bot sea de tipo menú.
4. date: Muestra la fecha y hora exactas en que conversationPart envió el mensaje.
5. currentIntent: Intención que se está ejecutando en la interacción actual.
6. previousIntent: Intención que se ejecutó previa a la interacción actual.
7. confidence: Representa el nivel de certeza con el que el motor cognitivo ha identificado la intención.
8. cognitiveEngine: Indica el motor cognitivo que está manejando la conversación.
9. minConfidence: Es el umbral mínimo de confianza necesario para que una intención sea considerada válida.
10. isOnChat: Indica si la conversación se está llevando a cabo en un chat en línea.
11. conversationId: Identificador único que permite rastrear y asociar todas las partes de una misma conversación.
12. partName: Especifica el nombre de la parte o segmento de la conversación que está siendo manejado.
13. correlationTrace: Es un campo para rastrear cualquier correlación entre partes de la conversación.
14. subLevel: Representa el nivel dentro de la estructura del flujo de conversación.

Debug

Proporciona información técnica sobre errores o problemas específicos de la sesión.

Health

Monitorea indicadores de éxito o problemas en las sesiones para identificar áreas de mejora.

Caso de uso

• Descripción: En una plataforma de atención al cliente que gestiona múltiples canales y requiere la intervención de ejecutivos para resolver casos complejos, se necesita un desglose detallado del tiempo de las sesiones para mejorar la eficiencia en la atención, identificar cuellos de botella, y optimizar la asignación de recursos.

Uso de la tabla:

• Evaluación del tiempo de espera: Al revisar el "Tiempo en cola", los administradores pueden identificar sesiones que han permanecido demasiado tiempo sin ser atendidas, lo que puede señalar problemas de capacidad o demoras en el proceso de atención. Este análisis puede ayudar a priorizar mejoras en el sistema de distribución de tareas y recursos.
• Análisis de la carga de trabajo de los agentes: La tabla permite evaluar qué agentes están gestionando más sesiones y cuánto tiempo están invirtiendo en cada una. Esto ayuda a identificar posibles sobrecargas de trabajo, lo que permite redistribuir tareas y mejorar la eficiencia del equipo.
• Monitoreo de la eficiencia de los motores cognitivos: A través de la vista "Diálogos", se puede analizar cómo los motores cognitivos interactúan con los clientes. Al revisar las intenciones, el nivel de confianza y las interacciones, los administradores pueden ajustar el sistema de autoatención para optimizar el flujo de interacciones antes de que se transfieran a los ejecutivos.
• Detección de problemas técnicos: Con la vista "Debug", es posible identificar problemas técnicos recurrentes que afectan el tiempo de atención o la calidad de la interacción. Si los errores se están repitiendo con frecuencia, se puede tomar acción para resolverlos y evitar que afecten el rendimiento del sistema.
• Monitoreo de la calidad de las sesiones: La vista "Health" ayuda a identificar si una sesión ha tenido éxito o ha tenido problemas. Si las sesiones están marcadas con problemas, se pueden investigar las causas (ya sea problemas de comunicación, fallos en el motor de chat, o en el flujo de atención) y tomar decisiones para mejorar la experiencia del cliente.