Was ist Resolution Accuracy?
Resolution Accuracy (deutsch: Lösungsgenauigkeit) misst den Prozentsatz der Kundenanfragen, die beim ersten Mal korrekt gelöst werden, ohne Fehler, Falschinformationen oder notwendige Nachbesserungen. Während die First Call Resolution (FCR) nur erfasst, ob ein Anliegen beim ersten Kontakt geschlossen wurde, prüft die Resolution Accuracy, ob die Lösung auch richtig war.
Das ist ein entscheidender Unterschied. Ein Agent kann ein Ticket beim ersten Kontakt schließen und trotzdem eine falsche Auskunft geben. Die FCR zählt das als Erfolg, die Resolution Accuracy nicht. Erst wenn der Kunde nicht erneut anruft, kein Ticket wiedereröffnet wird und die QA-Prüfung keine inhaltlichen Fehler findet, gilt eine Lösung als korrekt.
Eine niedrige Resolution Accuracy treibt die Reopen Rate nach oben, erhöht das Kontaktvolumen und senkt die Kundenzufriedenheit. Sie ist ein Frühwarnsignal für Lücken in der Wissensdatenbank, unzureichende Schulungen oder fehlerhafte Prozesse.
Arten der Resolution Accuracy
Inhaltliche Korrektheit prüft, ob die gegebene Antwort sachlich richtig ist. Wurde die korrekte Policy angewandt? Stimmen die genannten Preise, Fristen oder Produktdetails?
Prozessuale Korrektheit prüft, ob der richtige Lösungsweg gewählt wurde. Hat der Agent die nötige Eskalation eingeleitet? Wurde das richtige Formular verwendet? Wurden alle notwendigen Schritte dokumentiert?
Vollständigkeit prüft, ob alle Teile der Kundenanfrage beantwortet wurden. Kunden stellen häufig mehrere Fragen in einer Nachricht. Wenn nur eine davon beantwortet wird, gilt die Lösung als unvollständig.
Wie berechnet man die Resolution Accuracy?
Als „korrekt gelöst" gilt eine Anfrage, wenn sie drei Kriterien erfüllt: Die Antwort ist inhaltlich richtig, der Prozess wurde korrekt eingehalten und alle Teile der Anfrage wurden adressiert.
Rechenbeispiel
Ein Kundenservice-Team bearbeitet in einer Woche 500 Anfragen. Die QA-Prüfung ergibt, dass 450 Anfragen fehlerfrei gelöst wurden.
Mit 90,0 % liegt das Team im sehr guten Bereich. Die 50 fehlerhaften Lösungen sollten kategorisiert werden (inhaltlich, prozessual, Vollständigkeit), um gezielte Verbesserungen abzuleiten.
Was ist eine gute Resolution Accuracy?
| Bewertung | Resolution Accuracy | Bedeutung |
|---|---|---|
| Sehr gut | ≥ 90 % | Zuverlässige Lösungsqualität, wenige Nachbesserungen |
| Akzeptabel | 80–89 % | Grundlegende Qualität, aber erkennbare Fehlerquellen |
| Kritisch | < 80 % | Systematische Probleme bei Wissen, Schulung oder Prozessen |
Benchmarks nach Kontakttyp
| Kontakttyp | Typischer Benchmark |
|---|---|
| Standardanfragen (FAQ, Kontostatus) | ≥ 95 % |
| Technischer Support | ≥ 85 % |
| Abrechnungs- und Vertragsfragen | ≥ 90 % |
| Komplexe Eskalationen | ≥ 80 % |
Technischer Support und komplexe Eskalationen haben naturgemäß niedrigere Werte, weil Diagnose und Lösungsfindung mehr Fehlerpotenzial bergen. Bei Standardanfragen sollte die Genauigkeit nahe 100 % liegen, da die Antworten in der Wissensdatenbank dokumentiert sind.
Resolution Accuracy verbessern
Wissensdatenbank aktuell halten. Veraltete oder widersprüchliche Artikel sind die häufigste Ursache für falsche Antworten. Jede Policy-Änderung muss sofort in der Knowledge Base reflektiert werden. Regelmäßige Audits decken Lücken auf.
Fehleranalyse nach Kategorien. Nicht nur zählen, wie viele Fehler auftreten, sondern welche Art. Sind es Wissenslücken, Prozessfehler oder Kommunikationsprobleme? Jede Kategorie erfordert andere Gegenmaßnahmen.
QA-Bewertungen mit Coaching verbinden. Die Quality Assurance identifiziert Fehler. Entscheidend ist, dass die Ergebnisse zeitnah in individuelles Coaching fließen. Eine Fehlerbewertung ohne Feedback ändert nichts.
Peer Reviews einführen. Komplexe Anfragen vor dem Absenden von einem zweiten Agenten prüfen lassen. Das reduziert Fehler und fördert den Wissenstransfer im Team.
Vorlagen und Textbausteine prüfen. Standardantworten werden selten aktualisiert. Wenn sich Prozesse ändern, enthalten Vorlagen schnell veraltete Informationen, die Agenten unreflektiert übernehmen.
Resolution Accuracy vs. First Call Resolution vs. Reopen Rate
| Metrik | Was sie misst | Fokus | Typischer Benchmark |
|---|---|---|---|
| Resolution Accuracy | Anteil korrekt gelöster Anfragen | Qualität der Lösung | ≥ 90 % |
| First Call Resolution | Anteil beim ersten Kontakt gelöster Anfragen | Effizienz | 70–79 % |
| Reopen Rate | Anteil wiedereröffneter Tickets | Nachhaltigkeit | < 5 % |
Die drei Metriken ergänzen sich. Eine hohe FCR bei niedriger Resolution Accuracy bedeutet, dass Tickets zwar schnell geschlossen, aber fehlerhaft gelöst werden. Das zeigt sich dann in einer hohen Reopen Rate. Idealerweise sind alle drei Werte gut: Anfragen werden beim ersten Kontakt (FCR), korrekt (Resolution Accuracy) und dauerhaft (niedrige Reopen Rate) gelöst.
Pro und Kontra
Pro
- +Misst die tatsächliche Lösungsqualität, nicht nur ob ein Ticket geschlossen wurde
- +Deckt Wissenslücken und Prozessfehler gezielt auf
- +Ergänzt FCR um eine entscheidende Qualitätsdimension
Kontra
- –Erfordert QA-Reviews oder automatisierte Prüfungen, um Korrektheit festzustellen
- –Subjektive Bewertung bei komplexen Fällen ohne eindeutige richtige Antwort
- –Hoher Prüfaufwand, wenn nur Stichproben statt Vollbewertung möglich sind
Ein hoher Calibration Score ist Voraussetzung dafür, dass die Resolution Accuracy zuverlässig gemessen werden kann. Wenn Evaluatoren uneinheitlich bewerten, schwankt auch die gemessene Lösungsgenauigkeit.
Einfluss von KI auf die Resolution Accuracy
KI-gestützte Agenten greifen direkt auf die Wissensdatenbank zu und wenden Lösungsschritte regelbasiert an. Bei Standardanfragen erreichen sie dadurch eine höhere Resolution Accuracy als menschliche Agenten, weil Flüchtigkeitsfehler, veraltetes Wissen und Interpretationsspielraum entfallen.
Bei komplexen Anfragen zeigt sich die Kehrseite: KI-Agenten können kontextabhängige Ausnahmen schlechter erkennen und neigen dazu, Standardlösungen anzuwenden, auch wenn der Fall eine individuelle Antwort erfordert. Die Kombination aus KI-gestützter Erstbearbeitung und menschlicher Prüfung für Sonderfälle liefert in der Praxis die besten Ergebnisse für die Lösungsgenauigkeit.