Ticket deflectie: wat het is en hoe je het eerlijk verhoogt
Ticket deflectie is het aandeel meldingen dat wordt opgelost zonder dat het agenttijd kost, via self-service, een kennisartikel, of een AI-antwoord. Het telt alleen als echte deflectie wanneer het onderliggende probleem daadwerkelijk is opgelost. Een portaalbezoek of een dichtgeklikte tab is geen deflectie, het is gewoon een probleem dat nog niet is teruggekomen.
De meeste servicedesks tonen dit cijfer met trots. Weinigen meten wat ze denken te meten.
Wat betekent ticket deflectie precies?
Deflectie beantwoordt één vraag: hoeveel meldingen hadden nooit een agent nodig, omdat ze op een andere manier zijn opgelost. Dat woordje "opgelost" is belangrijker dan de rest van de definitie.
De metric bestaat omdat agenttijd duur is en grotendeels opgaat aan dezelfde vragen: wachtwoord resetten, "hoe vraag ik toegang tot X aan", een printer die vastloopt, een VPN die wegvalt. Los deze op zonder mens, en agents komen vrij voor meldingen die echt beoordelingsvermogen vragen.
Waarom is deflectie zo makkelijk te vervalsen?
Deflectie is een van de makkelijkste KPI's om ongemerkt op te blazen, omdat de voor de hand liggende manier om het te meten het verkeerde moment telt.
Portaalbezoeken meetellen als deflectie flatteert het cijfer. Als je dashboard "gebruiker bezocht het kennisartikel" telt als deflectie, meet je vermijding, geen oplossing. Een gebruiker die drie artikelen leest en dan de tab sluit, ziet er in die data identiek uit aan iemand van wie het probleem echt is opgelost.
Opgeloste intenties tellen is de eerlijke versie. De juiste eenheid is geen paginaweergave, het is een bevestigd resultaat: de gebruiker kreeg een correct antwoord, of de aanvraag werd afgehandeld, zonder dat er een agent aan te pas kwam.
Het verschil klinkt klein, maar het kan het verschil zijn tussen een dashboard dat 45 procent deflectie meldt en een echt cijfer dat dichter bij 20 procent ligt.
Wat maakt goede deflectie anders dan slechte deflectie?
Niet elke deflectie is iets om te vieren.
- Goede deflectie: de gebruiker krijgt direct een correct antwoord en het probleem is echt opgelost. Er was geen agent nodig, en de gebruiker weet dat.
- Slechte deflectie: de gebruiker vindt geen antwoord, geeft het op, en vertrekt. Er wordt geen ticket aangemaakt, dus het lijkt gedeflecteerd, maar het probleem is er nog. Het komt vaak groter terug, soms als escalatie in plaats van een gewoon ticket.
Hoe verhoogt AI echte deflectie zonder de nadelen?
Twee dingen moeten samen gebeuren: het antwoord moet kloppen, en de gevallen waarin het niet automatisch gegeven had mogen worden, moeten worden opgevangen.
AI-antwoorden met bronvermelding verhogen echte deflectie. Zodra een ticket binnenkomt, doorzoeken de AI-agents van ITSM Autopilot de kennisbank, geüploade documenten en de servicecatalogus, en stellen een antwoord op dat de bron noemt. Bij hoge confidence en een ingeschakelde categorie gaat het antwoord rechtstreeks naar de aanvrager. Dat is deflectie in de strikte zin: een intentie opgelost, geen pagina bekeken.
Confidence thresholds voorkomen dat gokwerk meetelt als deflectie. Onder de drempel reageert de AI niet naar de gebruiker, maar plaatst het concept als privénotitie voor het team. Er wordt niets gedeflecteerd op een gok, en juist daarom is het resulterende cijfer betrouwbaar.
Sentiment watch vangt de gevallen waarin deflectie de verkeerde keuze zou zijn. Een gefrustreerd, urgent of angstig ticket wordt direct naar een mens gesignaleerd, ook als er een AI-antwoord voorhanden is. Sommige meldingen hebben een mens nodig die empathie en beoordelingsvermogen toont, cruciaal voor wat eindgebruikers werkelijk ervaren als support goed werkt. Een fout AI-antwoord duikt bovendien later op als herhaalticket, wat First Call Resolution drukt in plaats van deflectie.
Hoe bouw je een deflectiecijfer dat standhoudt?
Bepaal eerst welke eenheid je telt, voordat je naar een dashboard kijkt: een opgeloste intentie, geen sessie of klik. Splits vervolgens per kanaal, want self-service zoeken, kennisartikel-weergaves en AI-antwoorden hebben elk ander betrouwbaarheidsrisico.
Volg het terugkeerpercentage naast deflectie. Als een flink deel van de "gedeflecteerde" tickets binnen een week terugkomt, is het cijfer fictie. Een shadow mode rollout, waarbij AI antwoorden opstelt als privénotities voordat er iets bij de eindgebruiker terechtkomt, laat de echte nauwkeurigheid van je beoogde deflecties zien voordat het cijfer een rapport bereikt.
Echte service door echte mensen. Administratief werk door machines. Een deflectiecijfer dat het waard is om te rapporteren, is er een waarbij de machine alleen de gevallen aanneemt die ze ook echt kan afronden.
Veelgestelde vragen
Wat is een goed ticket deflectiepercentage?
Er is geen universeel doel, want het eerlijke cijfer hangt sterk af van wat je telt. Organisaties die portaalbezoeken tellen, melden vaak 40 tot 60 procent, terwijl organisaties die bevestigde oplossingen tellen lagere maar betrouwbaardere cijfers zien. Het cijfer zelf is minder belangrijk dan precies kunnen benoemen wat het meet.
Wat is het verschil tussen ticket deflectie en First Call Resolution?
First Call Resolution meet tickets die bij het eerste menselijke contact worden opgelost. Deflectie meet meldingen die worden opgelost voordat er menselijk contact plaatsvindt. Ze hangen samen maar zijn niet hetzelfde: een slecht gedeflecteerd ticket, waarbij de gebruiker het opgeeft en later terugkomt, drukt vaak juist de FCR.
Betekent een hoger deflectiepercentage altijd minder werk voor de servicedesk?
Alleen als de gedeflecteerde meldingen ook echt opgelost blijven. Als deflectie wordt gemeten aan vermijding in plaats van oplossing, duiken onopgeloste problemen weer op als nieuwe tickets, soms als escalatie, wat werk toevoegt in plaats van wegneemt.
Kan AI-deflectie een kennisbank vervangen?
Nee. AI-antwoorden zijn alleen zo goed als de kennisbank, documenten en catalogus die ze doorzoeken. ITSM Autopilot legt elk opgelost ticket vast als kandidaat-known-error-artikel, zodat de kennisbank waar AI-deflectie op leunt met elk ticket blijft groeien.