یکی از رایجترین خطاهای مدیریتی در خصوص مفهوم بنچمارک شاید این باشد: استفاده از بنچمارک به عنوان نسخه آماده، نه به عنوان نقطه شروع برای تحلیل.
اگر بخواهم یک اصل را در همان ابتدا بگویم:
Benchmark یک "Reference Point" یا نقطهی مرجع است، نه یک هدف یا نسخهی نهایی.
بسیاری از سازمانها به اشتباه تصور میکنند اگر یک شرکت جهانی به SLA خاصی رسیده یا NPS مشخصی دارد، آنها هم باید همان عدد را هدف بگیرند. در حالی که این موضوع معمولاً منجر به تصمیمات اشتباه میشود.
بنچمارک یعنی:
مقایسه عملکرد خود با یک مرجع معتبر برای فهمیدن اینکه کجا هستیم و چه فرصتهایی برای بهبود وجود دارد.
دقت کنید که هدف بنچمارک، یادگیری است نه کپی کردن.
چون هر عدد حاصل مجموعهای از شرایط است.
فرض کنید دو مرکز تماس داریم.
شرکت اول:
درآمد بالا/
نیروی متخصص/
AI پیشرفته/
CRM یکپارچه/
اینترنت پایدار/
مشتریان با فرهنگ دیجیتال
شرکت دوم:
محدودیت بودجه/
اینترنت ناپایدار/
چندین سیستم Legacy/
مشتریانی که بیشتر تماس تلفنی را ترجیح میدهند
اگر هر دو را با یک KPI مقایسه کنیم، نتیجه گمراهکننده خواهد بود.
قبل از استفاده از هر Benchmark باید حداقل ۶ سؤال پرسید:
مثلاً Average Handle Time
در بانک: ۴ دقیقه، در فروشگاه آنلاین: ۷ دقیقه، در خدمات درمانی: ۱۵ دقیقه
همه این اعداد میتوانند عالی باشند.
چرا؟ چون پیچیدگی تماسها متفاوت است.
OTA
Insurance
Telecom
E-commerce
SaaS
هر کدام رفتار مشتری متفاوتی دارند.
مثلاً:
در OTA زمان پاسخ در بحران بسیار مهمتر از زمان پاسخ در یک فروشگاه اینترنتی است.
یک استارتاپ ۵۰ نفره با یک شرکت Fortune 500 اصلاً قابل مقایسه نیست.
سطح اتوماسیون
بودجه
ساختار
فرآیندها
در آنها کاملاً متفاوت است.
یکی از مهمترین بخشهایی که معمولاً فراموش میشود.
مثلاً در ایران:
تحریم/
اینترنت محدود/
محدودیت پرداخت بینالمللی/
قوانین متفاوت/
کمبود برخی فناوریها
اگر Benchmark متعلق به اروپا باشد، باید ابتدا این تفاوتها را لحاظ کرد.
مثلاً Self Service Rate
در کشورهای اسکاندیناوی شاید ۸۵٪ باشد.
اما در کشوری که مردم ترجیح میدهند با اپراتور صحبت کنند، ممکن است ۴۵٪ کاملاً منطقی باشد.
این یکی بسیار مهم است.
مثلاً:
First Contact Resolution
ممکن است یک شرکت بگوید: ۸۸٪ اما تعریف آنها: عدم تماس مجدد تا ۳۰ روز
شرکت دیگر: عدم تماس تا ۷ روز
شرکت سوم: صرفاً بسته شدن Ticket در نتیجه اعداد ظاهراً مشابهاند اما مفهومشان فرق میکند.
من معمولاً از این چهار لایه استفاده میکنم.
مثلاً گزارشهای جهانی. کاربرد: فهم روندهای صنعت ، نه تعیین هدف.
مثلاً:
خاورمیانه/آسیا/اروپا
این لایه به واقعیت بازار نزدیکتر است.
مثلاً در ایران اگر یک استارتاپ برند شده هستید:
اسنپ/دیجیکالا/علیبابا/فلایتودی و سایر بازیگران مشابه.
این لایه معمولاً ارزشمندترین مقایسه را ایجاد میکند.
به نظر من مهمترین نوع Benchmark همین است.
مثلاً:
امسال نسبت به پارسال
یا
Squad A
در مقابل
Squad B
یا
قبل از اجرای AI با بعد از اجرای AI
اگر هر سال ۲۰٪ بهتر شوید، ممکن است از شرکتی که فقط اعداد جهانی را دنبال میکند موفقتر باشید.
به عنوان یک علاقهمند به حوزه تجربه مشتری (CX) و مراکز تماس، اگر بخواهم چند مورد از جدیدترین، معتبرترین و اثرگذارترین بنچمارکهای جهانی سال ۲۰۲۶ را معرفی کنم که قواعد بازی را کاملاً تغییر دادهاند، دست روی چهار گزارش کلیدی میگذارم.
این گزارشها فاز «شورانگیزی و هیجان اولیه هوش مصنوعی» را پشت سر گذاشته و وارد فاز «واقعگرایی دادهمحور» شدهاند. تلفیق این آمارها با واقعیتهای فرهنگی و اقتصادی بازار ایران، اینسایتهای بینظیری را برای تصمیمگیری در اختیار ما قرار میدهد.
نام گزارش و سال انتشارخلاصه آمارهای کلیدی و بنچمارکهااینسایتهای استراتژیک (تحلیل محقق)
گزارش روندهای تجربه مشتری زندسک (Zendesk CX Trends 2026)
• چت و پیامرسانها با سهم ۴۵٪، کانال اول پشتیبانی هستند.
• نرخ مهار (Deflection) میانه در ابزارهای سازمانی ۴۱.۲٪ است.
• شکاف رضایت (CSAT) هوش مصنوعی با کارشناس انسان ۰.۲۰ است که با مدل هیبریدی به ۰.۰۵ کاهش مییابد.
• ۸۵٪ رهبران معتقدند مشتری ناراضی با یک تجربه بد، برند را ترک میکند.
ظهور پارادایم «هوشمندی متنی» (Contextual Intelligence):
مشتریان دیگر صرفاً پاسخ سریع نمیخواهند؛ آنها از تکرار اطلاعات خسته شدهاند و ۷۴٪ از تکرار مکررات کلافه میشوند.
هوش مصنوعی باید حافظه تاریخی تعاملات قبلی مشتری را در لحظه احیا کند.
گزارش وضعیت خدمات سیلزفورس (Salesforce State of Service 2026)
• ۶۶٪ از سازمانهای خدماتی به طور رسمی ایجنتهای هوش مصنوعی را مستقر کردهاند (رشد ۱.۷ برابری نسبت به سال قبل).
• پیشبینی حل ۵۰٪ از کل پروندههای خدمات مشتریان توسط هوش مصنوعی تا سال ۲۰۲۷.
عبور هوش مصنوعی از فاز آزمایش (Pilot) به پیشفرض عملیاتی (Production):
ایجنتهای هوشمند دیگر ابزاری لوکس نیستند. لیدرهای بازار در حال تغییر استراتژی از «مهار محض» (Deflection) به «توانمندسازی اپراتور» (Empowerment) در مکالمات پیچیده هستند.
گزارش وضعیت مراکز تماس ناترباکس (Natterbox State of CC 2026)
• رشد ۱۶.۱٪ حجم تماس صوتی نسبت به سال گذشته.
• کاهش ۵۴٪ در زمان روتینگ و جستجوی داخلی تماس (Hunting Time).
• نرخ پذیرش مدلهای انسان در چرخه (Human-in-the-Loop) توسط ۷۶٪ از مدیران ارشد.
نوزایی و بازگشت پرقدرت کانال صوتی (Voice AI Moment):
ایده «مرگ تماس صوتی» کاملاً مردود است. مشتریان برای پروندههای پرریسک (مانند شکایات و تراکنشهای ناموفق) به کانال صوتی پناه میبرند. روتینگ صوتی حل شده و حالا گلوگاه اصلی، کارهای پس از تماس (ACW) است.
پیشبینیهای استراتژیک گارتنر و فارستر (Gartner & Forrester Predictions)
• هزینه حل هر پرونده با GenAI تا سال ۲۰۳۰ به بیش از ۳ دلار خواهد رسید.
• ۹۱٪ از مدیران تحت فشار مستقیم هیئتمدیره برای استقرار هوش مصنوعی هستند.
• فارستر پیشبینی میکند ۵۰٪ پوزیشنهای با پیچیدگی کم تا سال ۲۰۳۰ حذف خواهند شد.
پارادوکس هزینهای هوش مصنوعی مولد:
افزایش سرسامآور هزینه توکنها، دیتاسنترها و استعدادهای فنی، رویای خودکارسازی ارزان را کمرنگ کرده است. لیدرهای موفق از AI برای خلق ارزش در طول سفر مشتری استفاده میکنند، نه صرفاً برای کاهش هزینههای پرسنلی.
به عنوان یک علاقهمند این حوزه، استخراج سه اینسایت استراتژیک از تلفیق این بنچمارکها با رفتارهای مصرفکننده و اقتصاد بومی ایران را برای شما ضروری میدانم:
داده جهانی: زندسک چت آنلاین و پیامرسانها را با سهم ۴۵ درصدی، کانال اول پشتیبانی معرفی میکند.
واقعیت ایران: طبق گزارشهای بومی، ۷۶٪ از کاربران دیجیتال ایرانی ترجیح میدهند تعامل خود با سازمان را از کانالهای متنی و چت آغاز کنند. این ترجیح رفتاری در گزارش سالانه دیجیکالا نیز مشهود است؛ جایی که بیشترین درخواست مطرحشده در دستیار هوشمند متنی این پلتفرم، «پیگیری سفارش» (WISMO) بوده است.
اینسایت برای مدیر ایرانی: از آنجا که مهار تعامل متنی (Text-based AI) پایداری فنی بالاتر و هزینه پردازش بسیار کمتری نسبت به پردازش صوتی (Voice AI) در زبان فارسی دارد، نقطه شروع خودکارسازی برای شما باید متمرکز بر وبویجتها و پیامرسانهای بومی باشد.
داده جهانی: ناترباکس از رشد ۱۶.۱ درصدی تماسهای صوتی میگوید و ۷۶٪ مدیران بر مدل «انسان در چرخه» تاکید دارند.
واقعیت ایران: سوپراپ اسنپ در گزارش سالانه خود ثبت بیش از ۳۲ میلیون تماس پشتیبانی را گزارش کرده است. موضوعاتی مانند پیگیری اشیای جامانده مسافران یا چالشهای مالی رانندگان، مسائلی با بار استرس بالا هستند که اتوماسیون کامل آنها غیرممکن است. از طرفی، اختلالات مداوم شبکه اینترنت در ایران ترافیک تماسهای مراکز تماس را به شدت جهش میدهد (مانند ثبت رکورد ۱۰ هزار تماس در مرکز تماس نصر تهران در اردیبهشت ۱۴۰۵ به دلیل قطعی اینترنت).
اینسایت برای مدیر ایرانی: هوش مصنوعی صوتی باید نقش فیلتر اولیه یا دستیار اپراتور (Agent Assist) را بازی کند. هنگام بروز بحرانهای جدی، اصرار بر مهار تماس صوتی توسط ماشین، مشتری ایرانی را که به طور سنتی سطح اعتماد پایینی به سیستمهای خودکار دارد، فراری خواهد داد.
داده جهانی: گارتنر هشدار میدهد هزینه هر حل مسئله با هوش مصنوعی مولد تا سال ۲۰۳۰ به دلیل هزینههای دیتاسنتر و مصرف توکن از ۳ دلار فراتر خواهد رفت و از دستمزد اپراتورهای برونسپاریشده پیشی میگیرد.
واقعیت ایران: در کشورهای صنعتی، دستمزد اپراتور انسانی بالاست (هزینه هر پرونده حدود ۲۰ تا ۲۵ دلار). اما در ایران، با حقوق قانون کار سال ۱۴۰۴-۱۴۰۵ (پایه ۱۰.۷ الی ۱۲ میلیون تومان)، هزینه هر تعامل کارشناس انسانی بسیار ارزان تمام میشود. از طرفی، به دلیل تفاوت در توکنسازی زبان فارسی، مدلهای زبانی تا ۳ برابر بیشتر توکن مصرف میکنند.
اینسایت برای مدیر ایرانی: اگر طرح توجیهی تجاری (Business Case) خودکارسازی مرکز تماس خود را صرفاً بر پایه «کاهش مستقیم هزینه حقوق پرسنل» بنویسید، با شکست مواجه خواهید شد. در ایران، ارزش خودکارسازی در«افزایش ظرفیت پاسخدهی بدون نیاز به فضای فیزیکی جدید، جلوگیری از ریزش مشتری به دلیل پشت خط ماندن، و کاهش فرسودگی شغلی اپراتورها» است، نه صرفاً جایگزینی ارزانتر اپراتور با ماشین.