Sådan sporer du NPS og CSAT fra samtaler under opkald med AI-stemmeagenter
Din e-mailundersøgelse efter opkald har en svarprocent på 9 %, og de svar, du får, hælder mod dine mest vrede og mest tilfredse kunder. Det tavse flertal, de 80 %, der føler sig "fine" eller "stort set okay", klikker aldrig igennem. Du træffer beslutninger om kundeoplevelse baseret på en forvrænget stump feedback, der overser de kunder, der har størst sandsynlighed for at churne uden varsel.
Denne guide fører dig gennem opbygningen af AI-stemmeagenter, der indsamler NPS- og CSAT-scorer under live-telefonsamtaler, automatisk analyserer stemning fra hvert opkald og dirigerer feedback til dit CRM i realtid. Til sidst har du et fungerende feedbacksystem bygget på Retell AI, der fanger scoret og kvalitativ kundeindsigt fra 100 % af dine opkald.
Et telefonbaseret AI-feedbacksystem, der fanger NPS- og CSAT-data i live-kundesamtaler og derefter dirigerer struktureret indsigt til din analysestak uden opfølgende undersøgelser eller manuel QA.
Ved slutningen af denne tutorial vil dit system:
Før du starter, skal du bruge:
Før du tilføjer feedbacklogik, har du brug for en fungerende agent, der kan holde en naturlig samtale. Opret en konto på retellai.com, og opret en ny AI-stemmeagent fra dashboardet. Vælg en stemme, der passer til dit brand (platformen understøtter ultrarealistiske ElevenLabs v3-stemmer med følelsesmæssigt udtryk). Konfigurer en simpel hilsen, og kør et testopkald fra den indbyggede telefonsimulator.
Du bør nu høre din agent svare, tale naturligt og gennemføre en grundlæggende interaktion. Dette bekræfter din lydpipeline, latens (forvent omkring 600 ms end-to-end) og stemmekvalitet, før du lægger undersøgelseslogik oveni.
Dine feedbackspørgsmål skal ankomme på det rette tidspunkt: efter den primære opgave er løst, men før den, der ringer, kobler af. Brug det agentiske frameworks drag-and-drop-builder til at oprette et samtaleflow, der håndterer den opkaldendes kerneanmodning først og derefter overgår til en feedbackprompt.
Strukturer flowet som: hilsen, opgaveløsning, tilfredshedstjek, NPS-spørgsmål, valgfri åben opfølgning, afslutning. For CSAT skal du lade agenten stille et enkelt tilfredshedsspørgsmål på en skala fra 1 til 5, efter den opkaldendes problem er løst. For NPS skal du stille spørgsmålet "hvor sandsynligt er det, at du vil anbefale" på en skala fra 0 til 10. Hold begge spørgsmål samtaleorienterede: "Før jeg slipper dig, på en skala fra 1 til 5, hvor tilfreds var du med den hjælp, du fik i dag?" fungerer bedre end robotagtigt undersøgelsessprog. Gem begge scorer som variabler i opkaldstilstanden til senere udtrækning.
Eksplicitte undersøgelsesspørgsmål fanger, hvad kunder siger, de føler. Analyse efter opkald fanger, hvad de faktisk følte, gennem tone, tempo, ordvalg og tøvemønstre. I agentindstillingerne skal du aktivere de indbyggede analysekategorier: stemning (positiv, neutral, negativ), løsningsstatus (løst, uløst, eskaleret) og opkaldsintention. Tilføj derefter tilpassede kategorier, der er specifikke for din feedback-brugssituation: "tilfredshedsscore" (numerisk udtrækning), "NPS-score" (numerisk udtrækning), "ordret feedback" (tekstudtrækning) og "produktomtale" (Boolean-flag).
Platformen behandler disse efter hvert opkald og gør dem tilgængelige via API og dashboard. Du bør nu se strukturerede analysedata dukke op i dine opkaldslogfiler inden for sekunder efter, at hvert testopkald slutter.
Scorer, der ligger i et dashboard, forbedrer ikke kundeoplevelsen. Konfigurer webhook-endpoints til at skubbe strukturerede feedbackdata til dit CRM og dine BI-værktøjer efter hvert opkald. I agentindstillingerne skal du opsætte en POST-webhook, der udløses ved opkaldets afslutning. Payloaden bør indeholde: den opkaldendes telefonnummer, opkaldsvarighed, NPS-score, CSAT-score, stemningsklassificering, løsningsstatus og det ordrette transskriptionsuddrag, der indeholder kvalitativ feedback.
For teams, der bruger Make-integration eller n8n-integration, skal du bygge et workflow, der modtager webhooken, parser JSON-payloaden og skriver dataene til din CRM-kontaktpost. Indstil webhook-timeout til 5 sekunder, da CRM-API'er kan være langsomme i spidsbelastningstimer. Du bør nu se feedbackdata dukke op i dit CRM inden for sekunder efter, at et testopkald slutter.
En kritikerscore uden opfølgning er et spildt signal. Konfigurer dit samtaleflow, så enhver NPS-score på 0-6 eller CSAT-score på 1-2 udløser en øjeblikkelig viderestilling af opkald til en customer success-medarbejder med fuld samtalekontekst. For opkald uden for åbningstid skal du lade webhooken udløse en presserende sag i dit supportsystem med den opkaldendes oplysninger, deres score, den ordrette årsag og et foreslået svar baseret på problemkategorien.
Indstil eskaleringstærsklen omhyggeligt. At viderestille efter hver lav score overvælder dit team. Start med kun at dirigere scorer på 0-4 på NPS til live-medarbejdere, og markér scorer på 5-6 til opfølgning næste hverdag. Du bør nu se kritikeropkald dirigere korrekt til dit team med fuld kontekst vedhæftet.
Opkaldende deler mere ærlig feedback, når samtalen føles informeret og relevant. Forbind en vidensbase, der auto-synkroniserer fra dine FAQ-sider, produktdokumentation og politikvejledninger. Dette giver agenten nok kontekst til at løse den opkaldendes primære problem godt, hvilket direkte påvirker den tilfredshedsscore, de giver bagefter.
Upload dine top 50 opkaldsspørgsmål og -svar som et udgangssæt. Streaming-RAG-systemet sikrer, at agenten trækker fra aktuelle oplysninger under opkaldet. Du bør nu se agenten besvare produkt- og servicespørgsmål præcist under testopkald.
Kør simuleringstest, der dækker: en tilfreds opkaldende, der giver en 9 i NPS og 5 i CSAT, en neutral opkaldende, der giver en 7 i NPS, en frustreret opkaldende, der giver en 3 i NPS og udløser eskalering, en opkaldende, der nægter at besvare undersøgelsen, og en opkaldende, der giver detaljeret åben feedback. For hvert scenarie skal du verificere, at scorer fanges korrekt i opkaldsloggen, at stemningsanalysen matcher den simulerede tone, at webhook-payloads ankommer i dit CRM med korrekte værdier, og at eskaleringsudløsere aktiveres ved de rette tærskler.
Gennemgå hver test-transskription af opkald for kejtede overgange mellem servicedelen og undersøgelsesdelen. Overleveringen skal føles som en naturlig forlængelse af samtalen, ikke et tilstandsskift. Ret alle overgange, der føles robotagtige, før du implementerer.
Forbind dit telefonsystem via SIP-trunking, eller tildel et Retell-nummer for at begynde at håndtere live-opkald. I de første to uger skal du gennemgå opkaldstransskriptioner dagligt og holde øje med undersøgelsesspørgsmål, der forvirrer opkaldende, høje skip-rater på specifikke spørgsmål og uoverensstemmelser mellem stemningsanalyse og eksplicitte scorer. Opsæt en ugentlig gennemgang med analysedashboardet for AI-kundesupport for at spore feedbackvolumen, gennemsnitlige scorer og trendlinjer.
Planlæg en tuningsperiode på 2 uger. De fleste teams ser 70-80 % gennemførelsesrater på undersøgelser i uge et (sammenlignet med under 10 % for e-mailundersøgelser), hvilket forbedres, efterhånden som du finjusterer spørgsmålstiming og -formulering. I uge tre bør du have et statistisk signifikant datasæt, der repræsenterer hele din opkaldspopulation, ikke en selvvalgt stump.
At bede om feedback, før den opkaldendes problem er løst, giver unøjagtige scorer og højere frafald. Konfigurer din agent til at bekræfte løsning ("Er der andet, jeg kan hjælpe med?"), før den overgår til feedback. Opkaldende, der føler sig hørt, vurderer mere ærligt.
En opkaldende, der giver en CSAT på 4, men viser frustrationsmarkører (hævet stemme, gentagne spørgsmål, lange pauser) gennem hele opkaldet, er en churn-risiko, som en score alene ville overse. Krydsreferer stemning efter opkald med eksplicitte scorer ugentligt. Markér uoverensstemmelser til manuel gennemgang. Det er her, platformens akustiske stemningsregistrering gennem tone, tempo og toneleje tilføjer et lag, som traditionelle undersøgelser ikke kan replikere.
At stille begge spørgsmål lige efter hinanden skaber undersøgelsestræthed. Placer CSAT-spørgsmålet umiddelbart efter løsningen (måler interaktionen). Placer NPS-spørgsmålet til sidst i samtalen som en afslutning (måler relationen). Adskil dem med mindst to samtalevendinger.
Bed ikke hver opkaldende om et detaljeret ordret svar. Konfigurer agenten til at stille det åbne spørgsmål "Hvad kunne vi forbedre?" på 20-30 % af opkaldene, randomiseret. Dette giver dig nok kvalitative data uden at få hver opkaldende til at føle sig forhørt.
En prompt, der lyder som "På en skala fra nul til ti, hvor sandsynligt er det, at du vil anbefale vores virksomhed til en ven eller kollega?" læses som et manuskript fra 2005. Skriv det om samtaleorienteret: "Et sidste spørgsmål. Hvis en ven spurgte om os, hvor sandsynligt ville du så anbefale os? Nul betyder slet ikke, ti betyder absolut." Test flere formuleringer, og sammenlign gennemførelsesrater.
Standardstemningskategorierne (positiv, neutral, negativ) er et udgangspunkt, ikke en endelig konfiguration. En opkaldende, der forhandler en pris, kan registreres som "negativ", selv når vedkommende er en helt tilfreds kunde. Kalibrer dine stemningstærskler ved hjælp af 50-100 rigtige opkald, før du stoler på de automatiserede scorer til eskaleringsudløsere.
Hvis din agent håndterer den primære opgave dårligt, kan ingen mængde undersøgelsesoptimering rette op på din CSAT. Spor løsningsrater sammen med tilfredshedsscorer. En callcenter-automatiseringsstrategi, der kun sporer feedback uden at spore løsning, måler symptomet, ikke årsagen.
NPS måler langsigtet loyalitet (ville du anbefale os?). CSAT måler øjeblikkelig tilfredshed (var denne interaktion god?). At spore begge på det samme dashboard uden at adskille analysen fører til forvirrede handlingsplaner. Byg separate trendvisninger og separate eskaleringsworkflows for hver metrik.
At dirigere hver lav score til en automatiseret "vi er kede af det"-e-mail ødelægger tillid. Kritikere, der scorer 0-4, har brug for et menneskeligt tilbagekald inden for 24 timer med fuld samtalekontekst. Automatiser dirigeringen og kontekstleveringen. Hold genopretningssamtalen menneskelig.
Matic Insurance implementerede AI-stemmeagenter til automatisering af opkaldsworkflow og opretholdt en NPS på 90 efter AI-implementering, mens de automatiserede 50 % af lavværdiopgaver og reducerede behandlingstiden for krav fra 12,4 til 5,8 minutter (en reduktion på 53 %). Teamet håndterede 8.000+ opkald i 1. kvartal 2025 med konsekvente tilfredshedsmetrikker. Læs hele historien.
Pine Park Health brugte AI-stemmeagenter til patientplanlægning og oplevede en stigning på 38 % i planlægnings-NPS, samtidig med at de udfyldte tidligere underudnyttet udbyderkapacitet. Kombinationen af hurtigere opkaldsløsning og konsekvent servicekvalitet drev tilfredshedsforbedringen. Læs hele historien.
Medical Data Systems håndterer 100 % af indgående opkald med AI, med kun en viderestillingsrate på 30 % og cirka 280.000 $ opkrævet pr. måned. Evnen til at spore stemning og løsning på hvert opkald, ikke et udsnit, gav teamet indsigt i kundeoplevelsen inden for finansielle tjenester, som manuel QA aldrig leverede.
Sporing af NPS og CSAT fra samtaler under opkald betyder at indsamle tilfredshedsscorer under eller umiddelbart efter et opkald, i stedet for gennem en separat opfølgende undersøgelse. AI-stemmeagenter stiller vurderingsspørgsmålene naturligt i samtalen og fanger både den numeriske score og kvalitativ kontekst fra interaktionen.
Nej. Det no-code agentiske framework inkluderer forudbyggede skabeloner til indsamling af undersøgelser. Du kan konfigurere feedbackprompter, scoringslogik og webhook-dirigering udelukkende gennem en drag-and-drop-grænseflade. Teams med udviklere kan bruge API'et til dybere tilpasning, men det er ikke påkrævet.
De fleste teams går fra oprettelse til en live-feedbackindsamlingsagent på 3-5 dage. Konfiguration af undersøgelsesflowet tager et par timer. At forbinde webhooks til dit CRM tilføjer endnu en dag. Tuningsperioden på 2 uger efter lancering er, hvor du optimerer spørgsmålsformulering og eskaleringstærskler til din specifikke opkaldspopulation.
Platformen opkræver 0,07 $ pr. minut uden platformgebyrer. Et opkald på 3 minutter, der løser et problem og indsamler både NPS og CSAT, koster omkring 0,21 $. Sammenlign det med et teammedlem i en dedikeret AI-telefonsvarer til 15-25 $ i timen, der udfører det samme arbejde manuelt med en svarprocent på 10 % på undersøgelser. Hver konto inkluderer 10 $ i gratis kreditter til at teste hele workflowet.
AI-stemningsanalyse scorer konsekvent 100 % af opkaldene, mens manuel QA typisk gennemgår 2-5 % af opkaldene med variabilitet mellem bedømmere. Platformen registrerer akustiske signaler (tone, tempo, toneleje) og kontekstuelle sprogmønstre, som menneskelige bedømmere ofte overser i stor skala. Brug de første 50 opkald til at validere AI-stemning mod manuelle scorer og kalibrere tærskler.
Ja. For indgående opkald håndteret af en AI-drevet IVR eller supportagent skal du indlejre undersøgelsen ved slutningen af den løste interaktion. For udgående kampagner, der bruger batchopkald, skal du tilføje et CSAT-spørgsmål efter det primære opkaldsmål (mødebekræftelse, opfølgning eller leadkvalificering). Begge opkaldstyper dirigerer feedback gennem den samme pipeline til analyse efter opkald.
Agenten accepterer afvisningen elegant og afslutter opkaldet uden at presse. Afvisningsrater spores som en separat metrik. Høje afvisningsrater (over 30 %) indikerer normalt dårlig spørgsmålstiming eller -formulering, ikke opkaldendes modvilje. Stemningsanalyse udtrækker stadig tilfredshedssignaler fra resten af samtalen, så du får delvis indsigt selv uden en eksplicit score.
Retell AI er SOC 2 Type II-certificeret og tilbyder HIPAA-overensstemmelse med en selvbetjenings-BAA. For implementeringer inden for sundhedssektoren kan PII-redaktion konfigureres til at fjerne personligt identificerbare oplysninger fra gemte transskriptioner, samtidig med at feedbackscorer og anonymiserede stemningsdata bevares.
Traditionelle IVR-undersøgelser afspilles, efter agenten lægger på, og fanger opkaldende, der allerede er på vej ud. Svarprocenter for opkald fra en AI-bookingagent eller supportinteraktioner falder typisk under 10 % via IVR. AI-stemmeagenter indsamler feedback under samtalen, når den opkaldende stadig er engageret. Teams, der bruger denne tilgang, rapporterer konsekvent gennemførelsesrater på 60-80 % og fanger det "tavse flertal", som traditionelle undersøgelser helt overser.
Du har nu et system med en AI-stemmeagent, der indsamler NPS og CSAT under live-telefonsamtaler, analyserer stemning fra 100 % af opkaldene, dirigerer struktureret feedback til dit CRM i realtid og eskalerer kritikersvar med fuld kontekst til menneskelig opfølgning.
For at udvide herfra kan du overveje at implementere det samme feedbackflow på tværs af udgående kampagner med AI-telemarketing, bygge prædiktive churn-modeller ved hjælp af stemningsdataene eller forbinde feedbacktendenser til produkt- og serviceændringer for at måle effekt over tid.
Kom godt i gang gratis med 10 $ i forbrugskreditter på retellai.com.
See how much your business could save by switching to AI-powered voice agents.
Total Human Agent Cost
AI Agent Cost
Estimated Savings
Et demonummer fra Retell Clinic Office
Start building smarter conversations today.
.avif)
.avif)
