NPS en CSAT bijhouden uit telefoongesprekken met AI-stemagenten
Je e-mailenquête na het gesprek heeft een responspercentage van 9%, en de reacties die je wel krijgt neigen naar je meest boze en meest tevreden klanten. De zwijgende meerderheid, de 80% die zich "prima" of "redelijk oké" voelt, klikt nooit door. Je maakt CX-beslissingen op basis van een vertekend flintertje feedback dat juist de klanten mist die het meest waarschijnlijk zonder waarschuwing opzeggen.
Deze gids leidt je door het bouwen van AI-stemagenten die NPS- en CSAT-scores verzamelen tijdens live telefoongesprekken, sentiment automatisch analyseren uit elk gesprek en feedback in realtime naar je CRM routeren. Aan het einde heb je een werkend feedbacksysteem gebouwd op Retell AI dat scoregebaseerd en kwalitatief klantinzicht vastlegt uit 100% van je gesprekken.
Een telefoongebaseerd AI-feedbacksysteem dat NPS- en CSAT-gegevens vastlegt binnen live klantgesprekken en vervolgens gestructureerde inzichten naar je analytics-stack routeert zonder vervolgenquêtes of handmatige QA.
Aan het einde van deze tutorial zal je systeem:
Voordat je begint, heb je nodig:
Voordat je feedbacklogica toevoegt, heb je een werkende agent nodig die een natuurlijk gesprek kan voeren. Meld je aan op retellai.com en maak een nieuwe AI-stemagent aan vanuit het dashboard. Kies een stem die bij je merk past (het platform ondersteunt ultra-realistische ElevenLabs v3-stemmen met emotionele expressie). Configureer een eenvoudige begroeting en voer een testgesprek uit vanuit de ingebouwde telefoonsimulator.
Je zou nu je agent moeten horen opnemen, natuurlijk spreken en een basisinteractie afronden. Dit bevestigt je audiopijplijn, latency (reken op zo'n 600 ms end-to-end) en stemkwaliteit voordat je enquêtelogica toevoegt.
Je feedbackvragen moeten op het juiste moment komen: nadat de primaire taak is opgelost maar voordat de beller afhaakt. Gebruik de drag-and-drop-builder van het agentic framework om een gespreksflow te maken die eerst de kernvraag van de beller afhandelt en daarna overgaat naar een feedbackprompt.
Structureer de flow als: begroeting, taakafhandeling, tevredenheidscheck, NPS-vraag, optionele open vervolgvraag, afsluiting. Voor CSAT laat je de agent één tevredenheidsvraag stellen op een schaal van 1 tot 5 nadat het probleem van de beller is opgelost. Voor NPS stel je de vraag "hoe waarschijnlijk is het dat je ons aanbeveelt" op een schaal van 0 tot 10. Houd beide vragen conversationeel: "Voordat ik u laat gaan, op een schaal van 1 tot 5, hoe tevreden was u met de hulp die u vandaag kreeg?" werkt beter dan robotachtige enquêtetaal. Sla beide scores op als variabelen in de gespreksstate voor latere extractie.
Expliciete enquêtevragen leggen vast wat klanten zeggen te voelen. Analyse na het gesprek legt vast wat ze werkelijk voelden, via toon, tempo, woordkeuze en aarzelingspatronen. Schakel in de agentinstellingen de ingebouwde analysecategorieën in: sentiment (positief, neutraal, negatief), oplossingsstatus (opgelost, onopgelost, geëscaleerd) en intentie van de beller. Voeg vervolgens aangepaste categorieën toe die specifiek zijn voor je feedback-use-case: "tevredenheidsscore" (numerieke extractie), "NPS-score" (numerieke extractie), "letterlijke feedback" (tekstextractie) en "productvermelding" (Booleaanse markering).
Het platform verwerkt deze na elk gesprek en maakt ze beschikbaar via API en dashboard. Je zou nu binnen enkele seconden na afloop van elk testgesprek gestructureerde analysegegevens in je gesprekslogs moeten zien verschijnen.
Scores die in een dashboard staan, verbeteren de klantervaring niet. Configureer webhook-endpoints om na elk gesprek gestructureerde feedbackgegevens naar je CRM en BI-tools te sturen. Stel in de agentinstellingen een POST-webhook in die afgaat bij afronding van het gesprek. De payload moet bevatten: telefoonnummer van de beller, gespreksduur, NPS-score, CSAT-score, sentimentclassificatie, oplossingsstatus en het letterlijke transcriptfragment met kwalitatieve feedback.
Voor teams die de Make-integratie of n8n-integratie gebruiken, bouw je een workflow die de webhook ontvangt, de JSON-payload parseert en de gegevens naar je CRM-contactrecord schrijft. Stel de webhook-timeout in op 5 seconden, aangezien CRM-API's traag kunnen zijn tijdens piekuren. Je zou nu binnen enkele seconden na afloop van een testgesprek feedbackgegevens in je CRM moeten zien verschijnen.
Een criticasterscore zonder opvolging is een verspild signaal. Configureer je gespreksflow zo dat elke NPS-score van 0-6 of CSAT-score van 1-2 een onmiddellijke gespreksoverdracht naar een customer-success-medewerker met volledige gesprekscontext activeert. Voor gesprekken buiten kantooruren laat je de webhook een dringend ticket in je supportsysteem activeren met de gegevens van de beller, hun score, de letterlijke reden en een voorgesteld antwoord op basis van de probleemcategorie.
Stel de escalatiedrempel zorgvuldig in. Doorverbinden na elke lage score overbelast je team. Begin met alleen scores van 0-4 op NPS naar live medewerkers te routeren, en markeer scores van 5-6 voor opvolging op de volgende werkdag. Je zou nu criticastergesprekken correct naar je team moeten zien routeren met volledige context bijgevoegd.
Bellers delen eerlijkere feedback wanneer het gesprek geïnformeerd en relevant aanvoelt. Verbind een kennisbank die automatisch synchroniseert vanuit je FAQ-pagina's, productdocumentatie en beleidsgidsen. Dit geeft de agent genoeg context om het primaire probleem van de beller goed op te lossen, wat direct de tevredenheidsscore beïnvloedt die ze daarna geven.
Upload je top 50 vragen en antwoorden van bellers als startset. Het streaming RAG-systeem zorgt ervoor dat de agent tijdens het gesprek uit actuele informatie put. Je zou nu moeten zien dat de agent product- en servicevragen nauwkeurig beantwoordt tijdens testgesprekken.
Voer simulatietests uit die dekken: een tevreden beller die een NPS van 9 en CSAT van 5 geeft, een neutrale beller die een NPS van 7 geeft, een gefrustreerde beller die een NPS van 3 geeft en escalatie activeert, een beller die weigert de enquête te beantwoorden, en een beller die gedetailleerde open feedback geeft. Verifieer voor elk scenario dat scores correct worden vastgelegd in de gesprekslog, dat sentimentanalyse overeenkomt met de gesimuleerde toon, dat webhook-payloads met de juiste waarden in je CRM aankomen, en dat escalatietriggers op de juiste drempels afgaan.
Bekijk elk gesprekstranscript van de test op ongemakkelijke overgangen tussen het servicegedeelte en het enquêtegedeelte. De overdracht moet aanvoelen als een natuurlijke voortzetting van het gesprek, niet als een moduswissel. Herstel elke overgang die robotachtig aanvoelt voordat je uitrolt.
Verbind je telefoonsysteem via SIP-trunking of wijs een Retell-nummer toe om live gesprekken te gaan afhandelen. Bekijk tijdens de eerste twee weken dagelijks de gesprekstranscripten en let op enquêtevraagformuleringen die bellers verwarren, hoge overslag-percentages op specifieke vragen, en verschillen tussen sentimentanalyse en expliciete scores. Zet een wekelijkse review op met het analysedashboard voor AI-klantenservice om feedbackvolume, gemiddelde scores en trendlijnen bij te houden.
Plan een afstemperiode van 2 weken. De meeste teams zien in de eerste week een enquêtevoltooiingspercentage van 70-80% (vergeleken met minder dan 10% voor e-mailenquêtes), dat verbetert naarmate je de timing en formulering van vragen verfijnt. Tegen week drie zou je een statistisch significante dataset moeten hebben die je volledige bellerspopulatie vertegenwoordigt, niet een zelfgeselecteerd flintertje.
Feedback vragen voordat het probleem van de beller is opgelost, levert onnauwkeurige scores en meer afhakers op. Configureer je agent om de oplossing te bevestigen ("Kan ik u nog ergens anders mee helpen?") voordat je overgaat naar feedback. Bellers die zich gehoord voelen, geven eerlijkere beoordelingen.
Een beller die een CSAT van 4 geeft maar gedurende het gesprek frustratiemarkers vertoont (verheven stem, herhaalde vragen, lange pauzes) is een opzegrisico dat een score alleen zou missen. Kruisverwijs wekelijks het sentiment na het gesprek met expliciete scores. Markeer verschillen voor handmatige review. Dit is waar de akoestische sentimentdetectie van het platform via toon, tempo en toonhoogte een laag toevoegt die traditionele enquêtes niet kunnen repliceren.
Beide vragen achter elkaar stellen veroorzaakt enquêtemoeheid. Plaats de CSAT-vraag direct na de oplossing (meet de interactie). Plaats de NPS-vraag aan het einde van het gesprek als afsluiting (meet de relatie). Houd er minstens twee gesprekswendingen tussen.
Vraag niet elke beller om een gedetailleerd letterlijk antwoord. Configureer de agent om de open vraag "Wat zouden we kunnen verbeteren?" bij 20-30% van de gesprekken te stellen, gerandomiseerd. Dit geeft je genoeg kwalitatieve gegevens zonder dat elke beller zich ondervraagd voelt.
Een prompt die klinkt als "Op een schaal van nul tot tien, hoe waarschijnlijk is het dat u ons bedrijf zou aanbevelen aan een vriend of collega?" leest als een script uit 2005. Herschrijf het conversationeel: "Nog één laatste vraag. Als een vriend naar ons zou vragen, hoe waarschijnlijk zou u ons aanbevelen? Nul betekent helemaal niet, tien betekent absoluut." Test meerdere formuleringen en vergelijk de voltooiingspercentages.
De standaard sentimentcategorieën (positief, neutraal, negatief) zijn een startpunt, geen eindconfiguratie. Een beller die over een prijs onderhandelt, kan als "negatief" worden geregistreerd, zelfs als het een perfect tevreden klant is. Kalibreer je sentimentdrempels met 50-100 echte gesprekken voordat je de geautomatiseerde scores vertrouwt voor escalatietriggers.
Als je agent de primaire taak slecht afhandelt, zal geen enkele enquête-optimalisatie je CSAT verbeteren. Houd oplossingspercentages naast tevredenheidsscores bij. Een strategie voor callcenter-automatisering die alleen feedback bijhoudt zonder oplossing bij te houden, meet het symptoom, niet de oorzaak.
NPS meet loyaliteit op lange termijn (zou je ons aanbevelen?). CSAT meet onmiddellijke tevredenheid (was deze interactie goed?). Beide op hetzelfde dashboard bijhouden zonder de analyse te scheiden, leidt tot verwarde actieplannen. Bouw aparte trendweergaven en aparte escalatieworkflows voor elke metriek.
Elke lage score naar een geautomatiseerde "het spijt ons"-e-mail routeren, vernietigt vertrouwen. Criticasters die 0-4 scoren, hebben binnen 24 uur een menselijk terugbelgesprek nodig met volledige gesprekscontext. Automatiseer de routering en contextlevering. Houd het herstelgesprek menselijk.
Matic Insurance zette AI-stemagenten in voor automatisering van gespreksworkflows en behield een NPS van 90 na de AI-implementatie, terwijl het 50% van de laagwaardige taken automatiseerde en de afhandeltijd van claims terugbracht van 12,4 naar 5,8 minuten (een reductie van 53%). Het team handelde 8.000+ gesprekken af in Q1 2025 met consistente tevredenheidsmetrieken. Lees het volledige verhaal.
Pine Park Health gebruikte AI-stemagenten voor patiëntenplanning en zag een stijging van 38% in de plannings-NPS, terwijl het eerder onderbenutte zorgverlenerscapaciteit invulde. De combinatie van snellere gespreksafhandeling en consistente servicekwaliteit dreef de tevredenheidsverbetering. Lees het volledige verhaal.
Medical Data Systems handelt 100% van de inkomende gesprekken af met AI, met slechts een overdrachtspercentage van 30% en ongeveer $280.000 per maand geïncasseerd. Het vermogen om sentiment en oplossing bij elk gesprek bij te houden, niet een steekproef, gaf het team inzicht in de klantervaring binnen de financiële dienstverlening dat handmatige QA nooit bood.
Het bijhouden van NPS en CSAT uit telefoongesprekken betekent het verzamelen van tevredenheidsscores tijdens of onmiddellijk na een telefoongesprek, in plaats van via een aparte vervolgenquête. AI-stemagenten stellen de beoordelingsvragen natuurlijk binnen het gesprek en leggen zowel de numerieke score als de kwalitatieve context uit de interactie vast.
Nee. Het no-code agentic framework bevat kant-en-klare sjablonen voor enquêteverzameling. Je kunt feedbackprompts, scorelogica en webhook-routering volledig configureren via een drag-and-drop-interface. Teams met ontwikkelaars kunnen de API gebruiken voor diepere maatwerkopties, maar dat is niet vereist.
De meeste teams gaan in 3-5 dagen van aanmelding naar een live agent voor feedbackverzameling. Het configureren van de enquêteflow duurt een paar uur. Het verbinden van webhooks met je CRM voegt nog een dag toe. De afstemperiode van 2 weken na de lancering is waar je de vraagformulering en escalatiedrempels optimaliseert voor je specifieke bellerspopulatie.
Het platform rekent $0.07 per minuut zonder platformkosten. Een gesprek van 3 minuten dat een probleem oplost en zowel NPS als CSAT verzamelt, kost ongeveer $0.21. Vergelijk dat met een teamlid van een speciale AI-antwoordservice tegen $15-25 per uur dat hetzelfde werk handmatig doet met een enquêteresponspercentage van 10%. Elk account bevat $10 aan gratis tegoed om de volledige workflow te testen.
AI-sentimentanalyse scoort 100% van de gesprekken consistent, terwijl handmatige QA doorgaans 2-5% van de gesprekken beoordeelt met variabiliteit tussen beoordelaars. Het platform detecteert akoestische signalen (toon, tempo, toonhoogte) en contextuele taalpatronen die menselijke beoordelaars op schaal vaak missen. Gebruik de eerste 50 gesprekken om AI-sentiment te valideren tegen handmatige scores en drempels te kalibreren.
Ja. Voor inkomende gesprekken die worden afgehandeld door een AI-IVR of supportagent, bed je de enquête in aan het einde van de opgeloste interactie. Voor uitgaande campagnes met batchgesprekken voeg je een CSAT-vraag toe na het primaire gespreksdoel (afspraakbevestiging, opvolging of leadkwalificatie). Beide gesprekstypen routeren feedback via dezelfde pijplijn voor analyse na het gesprek.
De agent accepteert de weigering elegant en sluit het gesprek af zonder aan te dringen. Weigeringspercentages worden bijgehouden als een aparte metriek. Hoge weigeringspercentages (boven de 30%) wijzen meestal op slechte timing of formulering van de vraag, niet op onwil van de beller. Sentimentanalyse haalt nog steeds tevredenheidssignalen uit de rest van het gesprek, zodat je gedeeltelijk inzicht krijgt, zelfs zonder een expliciete score.
Retell AI is SOC 2 Type II-gecertificeerd en biedt HIPAA-compliance met een selfservice-BAA. Voor implementaties in de zorg kan PII-redactie worden geconfigureerd om persoonlijk identificeerbare informatie uit opgeslagen transcripten te verwijderen terwijl de feedbackscores en geanonimiseerde sentimentgegevens behouden blijven.
Traditionele IVR-enquêtes worden afgespeeld nadat de agent heeft opgehangen, waardoor bellers die al op weg zijn naar de uitgang worden gevangen. Responspercentages voor gesprekken met een AI-afsprakenplanner of supportinteracties vallen doorgaans onder de 10% via IVR. AI-stemagenten verzamelen feedback tijdens het gesprek, wanneer de beller nog betrokken is. Teams die deze aanpak gebruiken, rapporteren consistent voltooiingspercentages van 60-80%, waarmee de "zwijgende meerderheid" wordt vastgelegd die traditionele enquêtes volledig missen.
Je hebt nu een AI-stemagentsysteem dat NPS en CSAT verzamelt tijdens live telefoongesprekken, sentiment analyseert uit 100% van de gesprekken, gestructureerde feedback in realtime naar je CRM routeert en reacties van criticasters met volledige context escaleert voor menselijke opvolging.
Om van hieruit uit te breiden, overweeg om dezelfde feedbackflow uit te rollen over uitgaande campagnes met AI-telemarketing, voorspellende opzegmodellen te bouwen met de sentimentgegevens, of feedbacktrends te koppelen aan product- en servicewijzigingen om de impact in de loop van de tijd te meten.
Begin gratis te bouwen met $10 aan gebruikstegoed op 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
Een demodemonummer van Retell Clinic Office
Start building smarter conversations today.
.avif)
.avif)
