Baca Analytics Chatbot Tanpa Pusing

Kebanyakan orang membuka analytics chatbot sekali saat awal pasang, melihat grafik naik-turun, lalu tidak pernah membukanya lagi. Bukan karena datanya tidak berguna, tapi karena tidak jelas angka mana yang harus ditindaklanjuti.

Sebenarnya cukup empat.

1. Resolution rate — berapa yang selesai tanpa manusia

Ini metrik utama. Persentase percakapan yang tuntas tanpa admin ikut campur.

Cara membacanya:

• Di bawah 40% — knowledge base masih terlalu tipis.
• 40–70% — sehat untuk kebanyakan toko online.
• Di atas 85% — bagus, tapi periksa apakah ada percakapan yang seharusnya dioper ke manusia tapi tidak.

Tindak lanjutnya: kalau rendah, jangan mengubah setelan AI. Buka daftar pertanyaan yang gagal dan tambal knowledge base-nya.

2. Pertanyaan teratas — riset pasar gratis

Daftar pertanyaan yang paling sering masuk adalah data paling berguna yang dihasilkan chatbot, dan paling sering diabaikan.

Kalau "ongkir ke luar Jawa berapa" masuk sepuluh besar, itu bukan sekadar bahan untuk knowledge base. Itu tanda informasi ongkir kamu tidak cukup jelas di katalog atau di bio toko.

Tindak lanjutnya: setiap bulan, ambil tiga pertanyaan teratas dan perbaiki sumber kebingungannya — bukan cuma jawabannya.

3. Fallback rate — seberapa sering AI mengaku tidak tahu

Persentase balasan yang berupa "saya belum punya informasi itu".

Angka ini sering disalahartikan sebagai kegagalan. Padahal fallback adalah perilaku yang benar — jauh lebih baik daripada AI mengarang.

Cara membacanya:

• Fallback naik setelah kamu meluncurkan produk baru? Wajar, dan mudah diperbaiki.
• Fallback tinggi pada pertanyaan dasar seperti harga atau stok? Ini masalah serius.
• Fallback mendadak turun ke nol? Curigai — bisa jadi AI mulai menebak.

Tindak lanjutnya: perlakukan daftar fallback sebagai daftar tugas mingguan.

4. Waktu balas pertama — sebelum dan sesudah handover

Chatbot hampir pasti membuat angka ini bagus. Yang perlu diperiksa adalah waktu tunggu setelah percakapan dioper ke manusia.

Kalau AI membalas dalam 5 detik tapi admin baru merespons tiga jam kemudian, pelanggan tetap merasa dilayani dengan lambat. Kecepatan AI hanya bermanfaat kalau lapisan kedua ikut sigap.

Tindak lanjutnya: tetapkan target internal, misalnya percakapan yang dioper harus dijawab dalam 30 menit pada jam kerja.

Rutinitas 10 menit per minggu

Kamu tidak perlu analisis mendalam. Cukup rutinitas singkat:

1. Buka resolution rate, catat naik atau turun dari minggu lalu.
2. Baca lima pertanyaan teratas.
3. Buka daftar fallback, pilih tiga yang paling sering, tulis jawabannya di knowledge base.
4. Cek waktu tunggu setelah handover.

Empat langkah, sepuluh menit. Dilakukan konsisten selama sebulan, efeknya lebih besar daripada mengutak-atik setelan AI berjam-jam.

Angka yang tidak perlu kamu kejar

Beberapa metrik terlihat menarik tapi jarang mengubah keputusan:

• Total pesan terkirim — naik seiring volume, bukan seiring kualitas.
• Panjang percakapan rata-rata — bisa panjang karena pelanggan tertarik, bisa juga karena bingung.
• Jam tersibuk — berguna sekali untuk mengatur shift, lalu tidak perlu dilihat tiap minggu.

Fokus ke empat metrik utama, dan biarkan sisanya jadi konteks.

Dashboard analytics Sahut menampilkan pertanyaan teratas, performa jawaban, dan insight untuk meningkatkan layanan — cukup untuk menjalankan rutinitas sepuluh menit di atas.