Så här spårar du NPS och CSAT från samtal med AI-röstagenter
Din enkät via e-post efter samtal har en svarsfrekvens på 9 %, och de svar du faktiskt får lutar mot dina argaste och gladaste kunder. Den tysta majoriteten, de 80 % som känner sig "okej" eller "mestadels okej", klickar aldrig vidare. Du fattar CX-beslut baserat på en förvrängd bråkdel av feedback som missar de kunder som är mest benägna att lämna utan förvarning.
Den här guiden går igenom hur du bygger AI-röstagenter som samlar in NPS- och CSAT-poäng under pågående telefonsamtal, analyserar sentiment från varje samtal automatiskt och skickar feedback till ditt CRM i realtid. I slutet har du ett fungerande feedbacksystem byggt på Retell AI som fångar poängsatt och kvalitativ kundinsikt från 100 % av dina samtal.
Ett telefonbaserat AI-feedbacksystem som fångar NPS- och CSAT-data i pågående kundsamtal och sedan skickar strukturerade insikter till din analysstack utan uppföljningsenkäter eller manuell QA.
I slutet av den här handledningen kommer ditt system att:
Innan du börjar behöver du:
Innan du lägger till feedbacklogik behöver du en fungerande agent som kan hålla ett naturligt samtal. Skapa konto på retellai.com och skapa en ny AI-röstagent från dashboarden. Välj en röst som passar ditt varumärke (plattformen stöder ultrarealistiska ElevenLabs v3-röster med känslomässigt uttryck). Konfigurera en enkel hälsning och kör ett testsamtal från den inbyggda telefonsimulatorn.
Du bör nu höra din agent svara, tala naturligt och slutföra en grundläggande interaktion. Detta bekräftar din ljudpipeline, latens (räkna med cirka 600 ms från början till slut) och röstkvalitet innan du lägger på enkätlogik.
Dina feedbackfrågor behöver komma vid rätt tillfälle: efter att den primära uppgiften är löst men innan den som ringer kopplar ned. Använd den agentiska ramverkets dra-och-släpp-byggare för att skapa ett konversationsflöde som först hanterar den ringandes kärnbegäran och sedan övergår till en feedbackprompt.
Strukturera flödet som: hälsning, uppgiftslösning, nöjdhetskontroll, NPS-fråga, valfri öppen uppföljning, avslut. För CSAT låter du agenten ställa en enda nöjdhetsfråga på en skala från 1 till 5 efter att den ringandes problem lösts. För NPS ställer du frågan "hur troligt är det att du skulle rekommendera" på en skala från 0 till 10. Håll båda frågorna konversationella: "Innan jag släpper dig, på en skala från 1 till 5, hur nöjd var du med hjälpen du fick idag?" fungerar bättre än robotaktigt enkätspråk. Lagra båda poängen som variabler i samtalstillståndet för extraktion senare.
Explicita enkätfrågor fångar vad kunderna säger att de känner. Analys efter samtal fångar vad de faktiskt kände, genom ton, tempo, ordval och tvekanmönster. I agentinställningarna aktiverar du de inbyggda analyskategorierna: sentiment (positivt, neutralt, negativt), lösningsstatus (löst, olöst, eskalerat) och den ringandes intention. Lägg sedan till anpassade kategorier specifika för ditt feedback-användningsfall: "nöjdhetspoäng" (numerisk extraktion), "NPS-poäng" (numerisk extraktion), "ordagrann feedback" (textextraktion) och "produktomnämnande" (Boolean-flagga).
Plattformen bearbetar dessa efter varje samtal och gör dem tillgängliga via API och dashboard. Du bör nu se strukturerad analysdata dyka upp i dina samtalsloggar inom sekunder efter att varje testsamtal avslutats.
Poäng som ligger i en dashboard förbättrar inte kundupplevelsen. Konfigurera webhook-endpoints för att skicka strukturerad feedbackdata till ditt CRM och dina BI-verktyg efter varje samtal. I agentinställningarna ställer du in en POST-webhook som utlöses när samtalet avslutas. Nyttolasten bör inkludera: den ringandes telefonnummer, samtalslängd, NPS-poäng, CSAT-poäng, sentimentklassificering, lösningsstatus och det ordagranna transkriptutdraget som innehåller kvalitativ feedback.
För team som använder Make-integration eller n8n-integration bygger du ett arbetsflöde som tar emot webhooken, tolkar JSON-nyttolasten och skriver data till din CRM-kontaktpost. Ställ in webhook-timeouten på 5 sekunder, eftersom CRM-API:er kan vara långsamma under högtrafik. Du bör nu se feedbackdata dyka upp i ditt CRM inom sekunder efter att ett testsamtal avslutats.
En kritikerpoäng utan uppföljning är en bortkastad signal. Konfigurera ditt konversationsflöde så att en NPS-poäng på 0–6 eller en CSAT-poäng på 1–2 utlöser en omedelbar samtalsöverföring till en kundframgångsrepresentant med full samtalskontext. För samtal utanför kontorstid låter du webhooken utlösa ett brådskande ärende i ditt supportsystem med den ringandes uppgifter, deras poäng, den ordagranna orsaken och ett föreslaget svar baserat på problemkategorin.
Ställ in eskaleringströskeln noggrant. Att överföra efter varje låg poäng överbelastar ditt team. Börja med att endast dirigera poäng på 0–4 på NPS till liveagenter, och flagga poäng på 5–6 för uppföljning nästa arbetsdag. Du bör nu se kritikersamtal dirigeras korrekt till ditt team med fullständig kontext bifogad.
De som ringer delar mer ärlig feedback när samtalet känns informerat och relevant. Koppla en kunskapsbas som synkas automatiskt från dina FAQ-sidor, produktdokumentation och policyguider. Detta ger agenten tillräckligt med kontext för att lösa den ringandes primära problem väl, vilket direkt påverkar den nöjdhetspoäng de ger efteråt.
Ladda upp dina 50 vanligaste frågor och svar som en startuppsättning. Det strömmande RAG-systemet säkerställer att agenten hämtar från aktuell information under samtalet. Du bör nu se agenten svara korrekt på produkt- och tjänstefrågor under testsamtal.
Kör simuleringstester som täcker: en nöjd person som ger 9 i NPS och 5 i CSAT, en neutral person som ger 7 i NPS, en frustrerad person som ger 3 i NPS och utlöser eskalering, en person som vägrar besvara enkäten, och en person som ger detaljerad öppen feedback. För varje scenario verifierar du att poängen fångas korrekt i samtalsloggen, att sentimentanalysen matchar den simulerade tonen, att webhook-nyttolaster kommer fram i ditt CRM med korrekta värden och att eskaleringar utlöses vid rätt trösklar.
Granska varje test-transkript för klumpiga övergångar mellan servicedelen och enkätdelen. Överlämnandet bör kännas som en naturlig förlängning av samtalet, inte ett lägesbyte. Åtgärda alla övergångar som känns robotaktiga innan du driftsätter.
Anslut ditt telefonsystem via SIP-trunking eller tilldela ett Retell-nummer för att börja hantera livesamtal. Under de första två veckorna granskar du samtalstranskript dagligen och håller utkik efter enkätfrågeformuleringar som förvirrar de som ringer, höga hoppfrekvenser på specifika frågor och avvikelser mellan sentimentanalys och explicita poäng. Ställ in en veckovis granskning med analys-dashboarden för AI-kundtjänst för att spåra feedbackvolym, genomsnittliga poäng och trendlinjer.
Planera för en tvåveckors justeringsperiod. De flesta team ser 70–80 % enkätslutförandegrad under vecka ett (jämfört med under 10 % för e-postenkäter), som förbättras när du finjusterar frågetajming och formulering. I vecka tre bör du ha en statistiskt signifikant datamängd som representerar hela din ringandepopulation, inte en självutvald bråkdel.
Att be om feedback innan den ringandes problem är löst ger felaktiga poäng och högre avhopp. Konfigurera din agent att bekräfta lösning ("Är det något mer jag kan hjälpa till med?") innan övergången till feedback. De som ringer och känner sig hörda betygsätter mer ärligt.
En person som ringer och ger en CSAT på 4 men visar frustrationsmarkörer (höjd röst, upprepade frågor, långa pauser) under hela samtalet är en avhoppsrisk som en poäng ensam skulle missa. Korsreferera sentiment efter samtal med explicita poäng veckovis. Flagga avvikelser för manuell granskning. Det är här plattformens akustiska sentimentdetektering genom ton, tempo och tonhöjd lägger till ett lager som traditionella enkäter inte kan replikera.
Att ställa båda frågorna direkt efter varandra skapar enkättrötthet. Placera CSAT-frågan direkt efter lösning (mäter interaktionen). Placera NPS-frågan i slutet av samtalet som ett avslut (mäter relationen). Skilj dem åt med minst två konversationella turer.
Be inte varje person som ringer om ett detaljerat ordagrant svar. Konfigurera agenten att ställa den öppna frågan "Vad skulle vi kunna förbättra?" på 20–30 % av samtalen, slumpmässigt. Detta ger dig tillräckligt med kvalitativa data utan att få varje person som ringer att känna sig förhörd.
En prompt som låter som "På en skala från noll till tio, hur troligt är det att du skulle rekommendera vårt företag till en vän eller kollega?" läser som ett skript från 2005. Skriv om det konversationellt: "En sista fråga. Om en vän frågade om oss, hur troligt vore det att du skulle rekommendera oss? Noll betyder inte alls, tio betyder absolut." Testa flera formuleringar och jämför slutförandegrader.
Standardsentimentkategorierna (positivt, neutralt, negativt) är en utgångspunkt, inte en slutlig konfiguration. En person som ringer och förhandlar om ett pris kan registreras som "negativ" även när de är en helt nöjd kund. Kalibrera dina sentimenttrösklar med hjälp av 50–100 verkliga samtal innan du litar på de automatiserade poängen för eskaleringsutlösare.
Om din agent hanterar den primära uppgiften dåligt kommer ingen enkätoptimering att fixa din CSAT. Spåra lösningsgrader tillsammans med nöjdhetspoäng. En strategi för callcenter-automation som endast spårar feedback utan att spåra lösning mäter symtomet, inte orsaken.
NPS mäter långsiktig lojalitet (skulle du rekommendera oss?). CSAT mäter omedelbar nöjdhet (var denna interaktion bra?). Att spåra båda på samma dashboard utan att separera analysen leder till förvirrade handlingsplaner. Bygg separata trendvyer och separata eskaleringsarbetsflöden för varje mätvärde.
Att dirigera varje låg poäng till ett automatiserat "vi beklagar"-e-postmeddelande förstör förtroendet. Kritiker som ger 0–4 behöver ett mänskligt återuppringning inom 24 timmar med full samtalskontext. Automatisera dirigeringen och kontextleveransen. Håll återhämtningssamtalet mänskligt.
Matic Insurance driftsatte AI-röstagenter för automation av samtalsarbetsflöden och behöll ett NPS på 90 efter AI-driftsättningen, samtidigt som de automatiserade 50 % av lågvärdesuppgifter och minskade handläggningstiden för skadeärenden från 12,4 till 5,8 minuter (en minskning på 53 %). Teamet hanterade 8 000+ samtal under Q1 2025 med konsekventa nöjdhetsmått. Läs hela berättelsen.
Pine Park Health använde AI-röstagenter för patientbokning och såg en ökning på 38 % i boknings-NPS samtidigt som de fyllde tidigare underutnyttjad vårdgivarkapacitet. Kombinationen av snabbare samtalslösning och konsekvent servicekvalitet drev nöjdhetsförbättringen. Läs hela berättelsen.
Medical Data Systems hanterar 100 % av inkommande samtal med AI, med endast en överföringsgrad på 30 % och cirka 280 000 USD som samlas in per månad. Möjligheten att spåra sentiment och lösning på varje samtal, inte ett urval, gav teamet insyn i kundupplevelsen inom finanstjänster som manuell QA aldrig gav.
Spårning av NPS och CSAT från samtal innebär att samla in nöjdhetspoäng under eller omedelbart efter ett telefonsamtal, snarare än genom en separat uppföljningsenkät. AI-röstagenter ställer betygsfrågorna naturligt inom samtalet och fångar både den numeriska poängen och den kvalitativa kontexten från interaktionen.
Nej. Det no-code-baserade agentiska ramverket inkluderar färdiga mallar för enkätinsamling. Du kan konfigurera feedbackprompter, poängsättningslogik och webhook-dirigering helt genom ett dra-och-släpp-gränssnitt. Team med utvecklare kan använda API:et för djupare anpassning, men det krävs inte.
De flesta team går från att skapa konto till en live feedbackinsamlingsagent på 3–5 dagar. Att konfigurera enkätflödet tar några timmar. Att koppla webhooks till ditt CRM lägger till ytterligare en dag. Den tvåveckors justeringsperioden efter lansering är där du optimerar frågeformulering och eskaleringströsklar för din specifika ringandepopulation.
Plattformen tar 0,07 USD per minut utan plattformsavgifter. Ett 3-minuterssamtal som löser ett problem och samlar in både NPS och CSAT kostar cirka 0,21 USD. Jämför det med en dedikerad medarbetare i en AI-svarstjänst för 15–25 USD per timme som gör samma arbete manuellt med en svarsfrekvens på 10 %. Varje konto inkluderar 10 USD i gratiskrediter för att testa hela arbetsflödet.
AI-sentimentanalys poängsätter 100 % av samtalen konsekvent, medan manuell QA vanligtvis granskar 2–5 % av samtalen med variabilitet mellan bedömare. Plattformen upptäcker akustiska signaler (ton, tempo, tonhöjd) och kontextuella språkmönster som mänskliga granskare ofta missar i stor skala. Använd de första 50 samtalen för att validera AI-sentiment mot manuella poäng och kalibrera trösklar.
Ja. För inkommande samtal som hanteras av en AI-driven IVR eller supportagent bäddar du in enkäten i slutet av den lösta interaktionen. För utgående kampanjer som använder batchsamtal lägger du till en CSAT-fråga efter det primära samtalsmålet (bokningsbekräftelse, uppföljning eller leadskvalificering). Båda samtalstyperna dirigerar feedback genom samma pipeline för analys efter samtal.
Agenten accepterar vägran på ett smidigt sätt och avslutar samtalet utan att pressa. Vägransgrader spåras som ett separat mätvärde. Höga vägransgrader (över 30 %) indikerar vanligtvis dålig frågetajming eller formulering, inte ovilja hos den som ringer. Sentimentanalys extraherar fortfarande nöjdhetssignaler från resten av samtalet, så du får partiell insikt även utan en explicit poäng.
Retell AI är SOC 2 Type II-certifierad och erbjuder HIPAA-efterlevnad med en självbetjänings-BAA. För vård-driftsättningar kan PII-maskering konfigureras för att ta bort personligt identifierbar information från lagrade transkript samtidigt som feedbackpoängen och anonymiserade sentimentdata behålls.
Traditionella IVR-enkäter spelas upp efter att agenten lagt på, och fångar personer som redan är på väg mot utgången. Svarsfrekvenser för samtal från en AI-bokningsagent eller supportinteraktioner ligger vanligtvis under 10 % via IVR. AI-röstagenter samlar in feedback under samtalet, när den som ringer fortfarande är engagerad. Team som använder detta tillvägagångssätt rapporterar konsekvent slutförandegrader på 60–80 %, och fångar den "tysta majoritet" som traditionella enkäter missar helt.
Du har nu ett AI-röstagentsystem som samlar in NPS och CSAT under pågående telefonsamtal, analyserar sentiment från 100 % av samtalen, dirigerar strukturerad feedback till ditt CRM i realtid och eskalerar kritikersvar med full kontext för mänsklig uppföljning.
För att utöka härifrån kan du överväga att driftsätta samma feedbackflöde över utgående kampanjer inom AI-telemarketing, bygga prediktiva avhoppsmodeller med sentimentdata eller koppla feedbacktrender till produkt- och tjänsteändringar för att mäta effekt över tid.
Börja bygga gratis med 10 USD i användningskrediter 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
Ett demonummer från Retell Clinic Office
Start building smarter conversations today.
.avif)
.avif)
