- De containment rate van een chatbot geeft aan hoeveel gebruikersinteracties door de chatbot worden afgehandeld zonder menselijke tussenkomst. In bedrijven ligt het streefpercentage vaak tussen de 70–90%, afhankelijk van het gebruik.
- Een containment rate van 100% is niet het doel, omdat sommige waardevolle of gevoelige gesprekken altijd moeten worden doorgezet naar menselijke medewerkers voor persoonlijke afhandeling.
- Lage containment rates ontstaan meestal door problemen zoals slechte intentherkenning, verouderde kennisbanken, gebrek aan contextbegrip of het ontbreken van koppelingen met belangrijke systemen.
Een hoge containment rate is een teken van een succesvolle AI-chatbot.
Maar wat betekent containment rate precies? En hoe kun je deze verbeteren?
Je bent op de juiste plek – we duiken in containment rates van chatbots, best practices, hoe je ze meet, waarom ze soms laag zijn en hoe je dat kunt oplossen.
Laten we beginnen!
Wat is een chatbot containment rate?
De containment rate van een chatbot is het percentage gebruikersinteracties of -vragen dat de chatbot succesvol afhandelt zonder dat er een mens aan te pas komt.
Het geeft aan hoe effectief een chatbot problemen oplost of informatie verstrekt binnen zijn mogelijkheden. Dit wordt vaak gebruikt als succesindicator voor enterprise chatbots, zoals:
- Klantenservice-chatbots
- Technische support-chatbots
- HR-chatbots
- En andere chatbots die ondersteuning bieden
Een hogere containment rate betekent meestal dat de chatbot efficiënt aan de behoeften van gebruikers voldoet, waardoor de werkdruk voor menselijke medewerkers afneemt en de efficiëntie toeneemt.
Balans tussen automatisering en menselijke escalatie
Geen enkel bedrijf zou moeten streven naar een containment rate van 100%. Er zijn altijd situaties waarin je team persoonlijk contact met een gebruiker wil – bijvoorbeeld bij grote verkoopkansen of gevoelige kwesties die persoonlijke aandacht vereisen.
Het doel is niet om menselijke betrokkenheid volledig te vervangen, maar om de juiste balans te vinden waarbij automatisering routinetaken overneemt en je team zich kan richten op interacties die de meeste waarde opleveren.
Door je chatbot zo te ontwerpen dat deze soepel kan doorzetten naar een mens wanneer dat nodig is, krijgen gebruikers altijd de juiste ondersteuning op het juiste moment. Dat verhoogt zowel de efficiëntie als de klanttevredenheid.
Hoe meet ik de containment rate van mijn chatbot?
Volg deze stappen om de containment rate van je chatbot te meten:
1. Houd het totaal en het aantal geëscaleerde interacties bij
Tel het totale aantal gebruikersinteracties met de chatbot in een bepaalde periode. Dit omvat alle gesprekken, vragen of taken die door gebruikers worden gestart.
Houd vervolgens bij hoeveel interacties zijn doorgezet naar menselijke medewerkers of als onopgelost zijn gemarkeerd door de chatbot.
‘Escalaties’ kunnen directe overdrachten naar medewerkers zijn of gevallen waarin gebruikers expliciet om hulp vragen.
2. Bereken de containment rate
Gebruik de volgende formule:
Containment Rate = (1− [Doorgestuurde interacties / Totale interacties]) × 100
Stel dat je chatbot 900 van de 1.000 interacties zelfstandig afhandelde. Dan bereken je:
Containment Rate = (1−1000/100) × 100 = 90%
3. Of gebruik analysetools
Maak gebruik van chatbot analytics of klantenserviceplatforms die automatisch statistieken zoals containment rates bijhouden en rapporteren. Deze tools geven vaak extra inzicht in redenen voor escalaties en gebruikerstevredenheid.
Door deze statistiek continu te monitoren en te optimaliseren, kun je de efficiëntie en gebruikerservaring van je chatbot verbeteren.
Waarom is mijn chatbot containment rate laag?
Een lage containment rate ontstaat vaak als de chatbot moeite heeft met het begrijpen van vragen, niet over de juiste data beschikt of geen complexe taken aankan. Gebruikers schakelen dan over naar een mens als ze merken dat de chatbot niet aan hun verwachtingen voldoet.
Dit zijn veelvoorkomende oorzaken van een lage containment rate:
- Slechte intentherkenning of verkeerd begrepen vragen
- Beperkte of verouderde kennisbank
- Niet in staat om context in gesprekken vast te houden
- Ontbrekende integraties met belangrijke databronnen
- Onduidelijk wat de chatbot wel en niet kan
Best practices voor chatbots met hoge containment rate
Gebruik LLM’s in plaats van intent-classifiers
Chatbots met een hoge containment rate worden meestal aangedreven door LLM’s in plaats van intent-classifiers.
LLM’s zijn uitstekend in het begrijpen van genuanceerde, vrije taal en kunnen zich aanpassen aan verschillende formuleringen. Daardoor zijn ze ideaal voor het afhandelen van complexe of onverwachte vragen.
Ze maken starre intent-mapping overbodig, waardoor de chatbot (ook wel een LLM-agent genoemd) flexibel en nauwkeurig kan reageren op uiteenlopende gebruikersinput.
Zoals onze COO uitlegt in zijn artikel, gebruikt Botpress LLM’s in plaats van intent-classifiers, in tegenstelling tot onze concurrenten.
Ontwerp voor adaptieve gesprekken
In plaats van te vertrouwen op statische flows, moeten chatbots zo gebouwd zijn dat ze zich in realtime kunnen aanpassen aan het gedrag van de gebruiker.
Door gebruik te maken van contextbewustzijn en besluitvormingsalgoritmen kan de bot zijn aanpak tijdens het gesprek aanpassen. Zo blijft hij relevant, ook als gebruikers van onderwerp veranderen, onvolledige informatie geven of vervolgvragen stellen. Dit verhoogt het oplossingspercentage.
De makkelijkste manier om een dynamische chatbot te ontwerpen is door agentic AI te gebruiken; zo kan je bot zelfstandig bepalen hoe hij een probleem het beste kan aanpakken met de beschikbare tools.
Maak gebruik van retrieval-augmented systemen
Door retrieval-augmented generation (RAG) te combineren met integraties zoals CRM’s en kennisbanken, benut je het volledige potentieel van een chatbot.
Door realtime, domeinspecifieke informatie uit betrouwbare bronnen te halen, kan de bot complexe vragen beantwoorden en meerstaps taken uitvoeren zonder te escaleren naar een mens.
Hoe kan ik de containment rate van mijn chatbot verbeteren?
Gelukkig kun je zelf de containment rate van je chatbot verhogen. Het draait allemaal om hoe je de chatbot ontwikkelt en zijn doel duidelijk maakt aan je gebruikers.
Dit zijn 6 manieren om de containment rate van je chatbot te verbeteren:
1. Verbeter intentherkenning met LLM’s
Overstappen van traditionele intent-classifiers naar LLM’s zal je containment rate waarschijnlijk verhogen.
In tegenstelling tot starre intent-mapping kunnen LLM’s genuanceerde, vrije taal begrijpen en zich aanpassen aan diverse formuleringen. Dit geavanceerde begrip vermindert misverstanden en stelt chatbots in staat om complexe, onvoorspelbare gesprekken accuraat en soepel te voeren.
2. Breid kennisbanken uit
Het up-to-date houden van de kennisbank van je chatbot is essentieel voor tevreden gebruikers.
Voeg regelmatig nieuwe veelgestelde vragen, productinformatie en oplossingen voor veelvoorkomende problemen toe. Zo kan de chatbot meer vragen afhandelen en krijgen gebruikers altijd tijdige en juiste antwoorden.
3. Bied meer routes aan
Voordat je chatbot een vraag doorzet naar een mens, probeert hij deze zelfstandig op te lossen. Lukt dat niet, voeg dan meer routes toe waaruit gebruikers kunnen kiezen.
Door extra opties toe te voegen, zoals verduidelijkende vragen of alternatieve oplossingen, krijgt de chatbot meer kansen om aan de behoefte van de gebruiker te voldoen.
4. Bouw ondersteuning in tijdens het hele proces
Als je flow complexe processen bevat – zoals afspraken plannen of technische problemen oplossen – zorg er dan voor dat gebruikers dit zelfstandig via de chatbot kunnen doen. Chatbots die gebruikers hierbij begeleiden, voorkomen dat menselijke tussenkomst nodig is.
5. Leg duidelijk uit waar je chatbot voor bedoeld is
Stel vanaf het begin duidelijke verwachtingen. Leid gebruikers zodat ze weten wat de chatbot aankan en waar deze in uitblinkt. Zo voorkom je frustratie door gesprekken te sturen naar onderwerpen waarin de bot het meest bekwaam is, en vergroot je de kans op succes.
6. Prestaties monitoren
Volg belangrijke statistieken zoals niet-opgeloste vragen, escalatiepercentages en tevredenheidsscores om te meten hoe goed je chatbot presteert. Gebruik deze inzichten om verbeterpunten te identificeren en het succes van aanpassingen te beoordelen.
Bouw op het meest flexibele platform
Het ondersteunen van chatbotbouwers is onze specialiteit. Met het krachtigste en meest flexibele AI-agentenplatform op de markt hebben we wereldwijd meer dan 750.000 chatbots uitgerold.
Bouwen met Botpress is eenvoudig dankzij de drag-and-drop visuele flowbuilder, uitgebreide educatieve bibliotheek en een actieve Discord-community van 20.000+ botbouwers.
Ons uitbreidbare platform betekent dat je alles kunt bouwen, en onze Integration Hub staat vol met kant-en-klare connectors voor de grootste kanalen.
Begin vandaag nog met bouwen. Het is gratis.
Veelgestelde vragen
1. Hoe beïnvloeden containment rates op de lange termijn de klanttevredenheid en klantbehoud?
Containment rates hebben direct invloed op klanttevredenheid en klantbehoud, omdat klanten sneller en soepeler geholpen worden als een chatbot problemen oplost zonder menselijke tussenkomst. Dit vergroot het vertrouwen en de kans dat klanten terugkomen en je merk aanbevelen.
2. Wat is het rendement van het verbeteren van containment rates van chatbots ten opzichte van het aannemen van meer menselijke medewerkers?
Het verbeteren van containment rates van chatbots levert een hoger rendement op dan het aannemen van extra medewerkers, omdat de chatbot meer gesprekken aankan zonder het team uit te breiden. Hierdoor kunnen medewerkers zich richten op complexe kwesties die empathie of specialistische kennis vereisen. Op termijn verbetert dit zowel de efficiëntie als de klantervaring, tegen lagere kosten per oplossing.
3. Wat is het ideale streefpercentage voor containment bij grote organisaties, en hoe wordt dit bepaald?
Het ideale containment percentage voor grote organisaties ligt meestal tussen de 70 en 90%, maar het exacte doel hangt af van factoren zoals de complexiteit van het gebruik en de mate van automatisering die het bedrijf wenst. Een hoger percentage is wenselijk, mits de bot problemen nauwkeurig blijft oplossen zonder gebruikers te frustreren.
4. Welke rol spelen feedbackloops van gebruikers bij het verbeteren van containment?
Feedbackloops van gebruikers zijn essentieel voor het verbeteren van containment, omdat ze laten zien waar bots tekortschieten. Deze gegevens helpen teams om modellen bij te sturen en kennishiaten te dichten die anders de effectiviteit van de bot zouden verminderen.
5. Welke soorten integraties (CRM's, ERP's, enz.) hebben de grootste invloed op containment?
Integraties met CRM, ERP en kennisbanken hebben de grootste invloed op containment, omdat ze de chatbot toegang geven tot realtime en gepersonaliseerde gegevens – zoals orderstatus, accountinformatie of voorraad – waardoor de bot een breder scala aan vragen kan oplossen.
