Customer Effort Score mit Kommentaren einfach auswerten

Von Frederik, veröffentlicht am 24.04.2019

Der Customer Effort Score (CES) ist eine von zahlreichen Metriken, die man einsetzen kann, um ein besseres Verständnis der Kundensicht zu erhalten. Er eignet sich gut, um die Schwierigkeit einer bestimmten Aufgabe zu messen und setzt sich aus folgender Aussage und einer 7er-Skala ("stimme vollständig zu" - "stimme überhaupt nicht zu") zusammen:

Bitte bewerten Sie folgende Aussage: Unternehmen XY hat Ihnen die Lösung Ihres Anliegens einfach gemacht.

Das lässt sich digital mit zahlreichen Tools implementieren. In diesem Beitrag soll es dabei um eine Lösung mit Hotjar gehen und könnte da so aussehen:

Customer Effort Score in Hotjar

In diesem Beispiel habe ich noch eine offene Folgefrage implementiert, um die Bewertung besser verstehen zu können (und damit einen großen Mehrwert für Verbesserungsmöglichkeit zu haben).
Leider ist Hotjar allerdings relativ stark limitiert was die Auswertung angeht (einfaches Säulendiagramm zum CES, ungefilterte Wordcloud zur offenen Frage).

Deswegen lohnt sich der Download und Import in Google Sheets (oder Excel etc.) als CSV-Datei:

Hotjar CSV Download

Das Ergebnis kann dann ungefähr so aussehen:

Google Sheets CSV Import

Das bringt einem bis zu dem Schritt zwar noch keinen großen Mehrwert, aber man kann deutlich flexibler mit den Daten arbeiten.

Im ersten Schritt geht es um die Zuordnung der offenen Antworten. Man sollte sich einen Überblick über die ersten 100-200 Kommentare verschaffen und darauf basierend verschiedene Kategorien erstellen, wie etwa Geschwindigkeit oder Usability. Diese kann man dann noch durch "+/-" oder "🙂/🙁" in die jeweiligen Ausprägungen unterteilen. Nun kann man in einem neuen Datenblatt (das Datenblatt mit den importierten Rohdaten darf nicht direkt editiert werden, da es bei Aktualisierungen überschrieben wird) anfangen die Kommentare systematisch zuzuordnen, indem man die Datenvalidierung benutzt:

Kommentarauswertung in Google Sheets

Anschließend erstellt man ein weiteres Tabellenblatt, indem man sich die wichtigsten Datenpunkte aus den anderen beiden Tabellenblätter nach Belieben importiert:

Datenaufbereitung in Google Sheets

Zum Abschluss kann man dieses Tabellenblatt als Datenquelle für einen Report in Google Data Studio nutzen, der dann zum Beispiel so aussieht:

Um das Beschriebene schnell nachbauen zu können, teile ich hier die beschriebene Google Tabelle mit allen Formeln. Aus meiner Sicht bietet besonders das gezielte Analysieren bestimmter Kommentarkategorien und das zeitliche Messen des CES in Zusammenhang mit Änderungen am Produkt einen großen Vorteil und ist mit der genannten Vorgehensweise relativ schnell erledigt.

Bei Fragen oder Vorschlägen einfach die Kommentarfunktion benutzen.

Profilbild

Frederik

Mein Name ist Frederik Niedernolte, ich bin 37 Jahre jung und stamme gebürtig aus Detmold in NRW.
Ich bin Medien- und Wirtschaftspsychologe (tätig als Service Manager User Research), ausgebildeter Fachinformatiker und Hobbyfotograf.
In diesem Blog berichte ich über alles was mich bewegt, interessiert, fasziniert und präsentiere einige Fotos von mir.

Kommentare

Jetzt kommentieren ⬇️
Die eingegebene E-Mail-Adresse wird vor dem Speichern unwiderruflich verschlüsselt und dient nur zur Darstellung des Avatars. Mit dem Absenden stimmst du zu, dass die eingegebenen Daten gespeichert und in Form eines Kommentars dargestellt werden dürfen.