Template Scorecard QA Call Center: Formulir Siap Pakai dengan Bobot, Item Kritis, dan Anchor Penilaian

Sebagian besar template scorecard QA di internet hanya berupa daftar judul: "sapaan", "empati", "penyelesaian", masing-masing dinilai 1 sampai 5. Dua reviewer yang memakai daftar itu untuk panggilan yang sama akan memberi skor berbeda, karena tidak ada yang menjelaskan seperti apa nilai 3 itu. Agen menyadarinya, mempersoalkan hasilnya, dan berhenti memercayai QA.

Halaman ini memberi Anda scorecard layanan pelanggan inbound yang lengkap dengan poin, item kritis, dan anchor tertulis, contoh penilaian satu panggilan, varian singkat untuk panggilan AI voice agent, serta proses di sekitar formulir: kalibrasi, berapa banyak panggilan yang perlu direview, coaching, dan kapan penilaian otomatis untuk setiap panggilan sebaiknya menggantikan sampling. Jika Anda menjalankan kampanye outbound, panduan quality assurance panggilan outbound kami membahas pengungkapan (disclosure), opt-out, dan item kepatuhan outbound secara lebih mendalam.

Apa Saja Isi Scorecard QA Call Center?

Scorecard yang efektif memiliki empat bagian:

1. Bagian berbobot yang mengikuti urutan panggilan sebenarnya, sehingga reviewer bisa menilai sambil mendengarkan.
2. Kriteria yang bisa diamati. "Mengajukan setidaknya satu pertanyaan untuk mempersempit masalah" bisa dicek dari rekaman. "Menunjukkan sikap yang baik" tidak bisa.
3. Item kritis dinilai lulus atau gagal, di luar poin. Panggilan di mana agen membacakan nomor kartu lengkap bukanlah panggilan bernilai 92 persen dengan satu kesalahan.
4. Anchor: satu kalimat per kriteria yang menggambarkan Terpenuhi, Sebagian terpenuhi, dan Tidak terpenuhi. Anchor inilah yang membuat dua reviewer sepakat.

Buat tetap singkat. Jika menilai panggilan 5 menit memakan waktu 20 menit, reviewer akan mengambil jalan pintas atau mereview lebih sedikit panggilan. Enam belas hingga dua puluh kriteria sudah lebih dari cukup untuk layanan pelanggan.

Template Scorecard QA Layanan Pelanggan Inbound

Salin ini ke tool QA atau spreadsheet Anda dan sesuaikan bobotnya dengan prioritas Anda. Bobot di bawah cocok untuk layanan pelanggan umum yang paling mementingkan jawaban yang benar. Tim billing mungkin memindahkan poin dari penggalian masalah ke dokumentasi; tim technical support mungkin memberi bobot lebih besar lagi untuk penyelesaian.

Perhatikan apa yang tidak ada di scorecard: handle time. Kecepatan tempatnya di dashboard, bukan di skor kualitas. Jika agen kehilangan poin karena panggilan yang panjang, mereka akan terburu-buru di bagian penyelesaian, dan panggilan ulang Anda akan naik. Panduan kami tentang cara menurunkan average handle time membahas cara memperpendek durasi panggilan tanpa mengorbankan kualitas, dan panduan rumus KPI call center menunjukkan posisi skor QA di samping FCR, CSAT, dan AHT.

Item kritis: lulus atau gagal

Salah satu saja dari item ini menggagalkan panggilan, berapa pun poinnya. Laporkan critical fail sebagai angka tersendiri (misalnya, "2 critical fail dari 40 panggilan bulan ini"), karena nilai 0 yang dirata-ratakan ke dalam skor akan menyembunyikannya.

Batasi daftar ini pada hal yang benar-benar serius. Jika sepuluh hal dianggap kritis, tidak ada yang benar-benar kritis, dan setiap agen akan gagal di sesuatu setiap bulan.

Cara Menilai Panggilan: Skala dan Anchor

Gunakan dua jenis penilaian:

• Ya/tidak untuk fakta: item kritis, dan kriteria seperti "kode disposisi yang benar".
• Tiga level untuk keterampilan: Terpenuhi (poin penuh), Sebagian terpenuhi (setengah poin), dan Tidak terpenuhi (nol). Tambahkan Tidak tersedia untuk kriteria yang tidak berlaku, seperti penanganan hold pada panggilan tanpa hold.

Mengapa tidak 1 sampai 5? Skala lima poin terlihat lebih presisi, tetapi reviewer jarang sepakat tentang perbedaan antara 3 dan 4, dan ketidaksepakatan itulah yang mematikan kepercayaan pada QA. Tiga level dengan anchor yang jelas memberi data yang lebih konsisten. Jika nanti Anda butuh penilaian yang lebih rinci, tambahkan pada satu atau dua kriteria saja, bukan semuanya.

Berikut anchor untuk kriteria yang paling sering diperdebatkan reviewer. Tulis satu untuk setiap baris di scorecard Anda.

Anchor harus menggambarkan perilaku yang bisa didengar, bukan perasaan. Jika agen Anda mengikuti alur panggilan, kaitkan anchor dengan skrip Anda agar "Terpenuhi" berarti hal yang sama di pelatihan dan di QA. skrip inbound call center kami berisi contoh kalimat pembuka, verifikasi, dan penutup yang bisa Anda jadikan acuan penilaian.

Contoh Perhitungan: Menilai Satu Panggilan

Seorang pelanggan menelepon tentang tagihan ganda. Agen menyapa dengan baik dan menanyakan nama, membiarkan penelepon menjelaskan, tetapi mulai menjelaskan siklus billing sebelum menanyakan pembayaran mana yang tertagih dua kali. Agen mengonfirmasi refund dengan benar, mengatakan "nanti diurus tim billing" tanpa perkiraan waktu, menutup tanpa menanyakan apakah ada hal lain, dan meninggalkan catatan yang akurat tetapi minim. Tidak ada hold.

Item hold bernilai N/A, sehingga 5 poinnya dikurangkan dari total yang tersedia: 77.5 dibagi 95, bukan 100. Seandainya agen membacakan ulang nomor kartu pelanggan, panggilan itu akan dicatat sebagai critical fail, dan angka 81.6% hanya disimpan sebagai catatan untuk coaching.

Poin coaching-nya jelas dengan sendirinya: dua dari tiga nilai yang hilang berasal dari kebiasaan yang sama, yaitu terburu-buru melompat ke solusi. Satu perilaku untuk diperbaiki ("tanyakan pembayaran mana sebelum menjelaskan") lebih baik daripada lima.

Rentang skor yang disarankan

Ini titik awal, bukan tolok ukur. Tetapkan setelah bulan pertama skor yang sudah dikalibrasi.

• 90% ke atas: kuat. Gunakan panggilan ini sebagai contoh pelatihan.
• 80–89%: memenuhi standar. Lakukan coaching untuk satu perilaku.
• 70–79%: di bawah standar. Sesi coaching dalam minggu yang sama.
• Di bawah 70%, atau ada critical fail: ditinjau segera bersama team lead.

Scorecard QA untuk Panggilan AI Voice Agent

Jika AI voice agent menjawab sebagian lalu lintas telepon Anda, panggilannya juga perlu QA. AI tidak akan lupa menyebutkan namanya, sehingga sebagian besar scorecard untuk agen manusia tidak relevan. Kesalahan pada otomatisasi berbeda jenisnya: AI bisa salah dengar lalu terus berjalan, menjawab dari pengetahuan umum alih-alih dari dokumen Anda, menyebut angka yang tidak pernah disetujui siapa pun, mengatakan sesuatu sudah dipesan padahal belum, atau membuat penelepon terjebak dalam putaran ketika seharusnya dialihkan ke manusia.

Beri bobot besar pada pengalihan. Penelepon yang terjebak dengan agen otomatis adalah kegagalan yang paling diingat pelanggan Anda. Panduan kami tentang pengalihan dari AI voice agent ke manusia menjelaskan pemicunya dan konteks apa yang perlu ikut bersama panggilan.

Nilai sendiri dua panggilan demo ini

Demo AI voice agent — simulated caller: jawaban berasal dari voice agent produksi DialerBee, peneleponnya sintetis, dan bisnisnya fiktif.

Dalam panggilan salon, agen mengulang layanan, hari, dan jam sebelum menutup ("jadi Anda ingin memesan potong rambut dan blow-dry untuk Kamis depan jam 4 sore?"), lalu mengatakan bahwa tim akan memeriksa pemesanan dan mengonfirmasinya. Agen tidak mengklaim slot sudah dipesan, sehingga lolos kriteria "hanya mengklaim yang benar-benar dilakukan". Dalam panggilan klinik, reviewer akan mencocokkan jam buka dan rentang harga yang disebutkan dengan dokumen dan daftar harga klinik itu sendiri, serta memastikan bahwa "telepon saya kembali di nomor ini" tersimpan sebagai nomor penelepon dalam permintaan telepon balik. Transkrip keduanya tersedia di halaman AI voice agent.

Cara Menjalankan Sesi Kalibrasi QA

Kalibrasi memastikan sebuah skor berarti sama, siapa pun yang memberikannya. Tanpa kalibrasi, hasil seorang agen bergantung pada reviewer mana yang kebetulan menilainya.

1. Pilih 3 sampai 5 panggilan: satu yang jelas bagus, satu yang jelas buruk, dan sisanya di ambang batas. Panggilan di ambang batas adalah tempat perbedaan pendapat muncul.
2. Nilai sendiri terlebih dahulu. Setiap reviewer, idealnya juga team lead, menilai panggilan secara mandiri sebelum rapat. Menilai bersama-sama mengubah kalibrasi menjadi sekadar mengikuti suara yang paling keras.
3. Bandingkan per item, bukan hanya totalnya. Dua reviewer bisa sama-sama memberi 80% padahal berbeda pendapat pada separuh kriteria.
4. Bahas setiap perbedaan dengan mengacu pada anchor. Tanyakan: apakah anchor memungkinkan kedua tafsiran? Jika ya, tulis ulang anchor-nya, bukan menyalahkan reviewer.
5. Catat keputusannya dengan panggilan tersebut sebagai contoh rujukan ("ini Sebagian terpenuhi untuk kepemilikan masalah, karena…"), agar reviewer baru bisa belajar darinya.
6. Ulangi setiap bulan, dan setiap minggu selama bulan pertama scorecard baru atau reviewer baru.

Mengukur kesepakatan antar-penilai

Dua ukuran sederhana sudah cukup:

• Rentang skor: total setiap reviewer untuk satu panggilan sebaiknya berada dalam sekitar 5 poin dari rata-rata kelompok. Reviewer yang secara konsisten terlalu tinggi atau terlalu rendah perlu sesi empat mata.
• Kesepakatan per item: proporsi kriteria individual di mana dua reviewer memberi penilaian yang sama.

Kesepakatan mentah bisa menyesatkan, karena pada kriteria yang hampir selalu dipenuhi semua orang, reviewer akan sepakat secara kebetulan. Cohen's kappa mengoreksi hal itu. Contoh perhitungan: dua reviewer membuat 40 keputusan ya/tidak (4 panggilan × 10 item). Keduanya menjawab ya pada 26, keduanya menjawab tidak pada 8, dan berbeda pada 6. Kesepakatan mentah adalah 34 dari 40, atau 85%. Reviewer A menjawab ya 75% dari waktu dan reviewer B 70%, sehingga kesepakatan yang diharapkan secara kebetulan adalah 0.75 × 0.70 + 0.25 × 0.30 = 60%. Kappa = (85% − 60%) ÷ (100% − 60%) = 0.625. Angka utama 85% itu menyembunyikan kesenjangan nyata, dan item tempat mereka berbeda adalah anchor yang perlu ditulis ulang.

Di DialerBee Kartu skor QA, beberapa reviewer dapat menilai panggilan yang sama secara mandiri di platform, dan sistem membandingkan skor mereka untuk menunjukkan variasi antar-reviewer.

Berapa Banyak Panggilan yang Harus Ditinjau QA per Agen per Bulan?

Tidak ada standar industri. Ketika Call Centre Helper bertanya kepada para praktisi (dibuka Oktober 2026), jawabannya berkisar dari 4 sampai 8 panggilan per bulan, lalu 10 dan 15, hingga 50 sampai 60 panggilan per agen per bulan. Angka yang tepat bergantung pada apa yang ingin Anda ketahui dari sampel tersebut.

Dua perhitungan sederhana membantu. Pertama, sampel kecil melewatkan kebiasaan. Jika seorang agen melewatkan verifikasi identitas pada 1 dari 10 panggilan, peluang sampel acak tidak memuat satu pun panggilan seperti itu adalah:

Kolom pertama adalah 0.9 dipangkatkan jumlah panggilan. Kolom kedua adalah margin 95% dengan asumsi skor panggilan seorang agen bervariasi dengan simpangan baku 10 poin; sebaran Anda bisa berbeda. Dengan 4 panggilan, skor 82% seorang agen sebenarnya bisa berada di mana saja antara sekitar 72% dan 92%. Itu tidak cukup akurat untuk membuat peringkat agen atau mengaitkan skor dengan gaji.

Rencana praktis untuk sampling oleh manusia:

• Agen berpengalaman: 6 sampai 10 panggilan acak per bulan untuk tren yang adil, ditambah panggilan terpilih.
• Agen baru dan agen dalam rencana perbaikan kinerja: 2 sampai 4 per minggu selama bulan pertama.
• Ditambah panggilan terpilih: panggilan panjang, eskalasi, keluhan, penelepon berulang, dan panggilan dengan sentimen negatif. Pisahkan panggilan ini dari sampel acak dalam laporan, karena jika tidak, skor akan turun secara tidak adil.

Bagaimana Mengaitkan Skor QA dengan Coaching?

Skor yang datang dua minggu kemudian tanpa percakapan apa pun tidak mengubah apa-apa. Siklus yang terbukti berhasil:

1. Lakukan coaching dalam beberapa hari, selagi agen masih ingat panggilannya.
2. Pilih satu atau dua perilaku, diambil dari kriteria tempat agen paling banyak kehilangan poin di beberapa panggilan, bukan dari satu panggilan yang buruk.
3. Putar momennya, bukan seluruh panggilan. Lompat ke timestamp dan biarkan agen mendengarnya.
4. Sepakati perilaku baru dalam satu kalimat yang bisa digunakan agen pada panggilan berikutnya.
5. Nilai ulang setelah dua minggu dengan kriteria yang sama. Jika skornya tidak berubah, ubah coaching-nya atau anchor-nya.
6. Lihat di seluruh tim. Jika sebagian besar agen kehilangan poin pada item yang sama, itu masalah pelatihan, skrip, atau proses, bukan masalah agen.

Di DialerBee, reviewer menilai sambil memutar rekaman langsung di halaman, memberi anotasi pada momen tertentu di timeline rekaman, dan membaca transkrip berdampingan dengan audio. Catatan coaching dilampirkan pada panggilan yang dinilai, agen melihat skor dan catatan mereka di dasbor tinjauan mandiri dan mengonfirmasi bahwa umpan balik telah diterima, dan skor dilacak dari waktu ke waktu per agen, tim, kampanye, dan kriteria individual. Data QA dapat diekspor ke PDF dan CSV, dengan laporan terjadwal untuk team lead.

Penilaian Otomatis Setiap Panggilan dengan AI vs Sampling oleh Manusia

Sampling oleh manusia meninjau sebagian kecil panggilan. Penilaian otomatis dapat mencakup semuanya. Keduanya tidak saling menggantikan.

Model yang berhasil: biarkan penilaian otomatis mencakup setiap panggilan dan menandai panggilan yang layak didengarkan, lalu minta manusia menilai sebagian kecil secara lengkap. Setiap bulan, bandingkan skor otomatis dan skor manusia pada panggilan yang sama, seperti saat Anda mengkalibrasi dua reviewer. Jika keduanya berbeda pada suatu item, perbaiki kriterianya sebelum Anda memercayai trennya.

DialerBee menilai setiap panggilan secara otomatis, sehingga tinjauan kualitas mencakup semua panggilan, bukan hanya sampel. Selain itu, aturan penandaan otomatis mengirim panggilan ke antrean tinjauan QA berdasarkan durasi, disposisi, atau skor sentimen, dan reviewer tetap dapat memilih panggilan acak atau terpilih. Template scorecard memiliki bagian, pertanyaan, dan bobot kustom, serta dapat berbeda per kampanye atau tim, sehingga lini penagihan dan tim penjualan tidak memakai formulir yang sama.

Untuk panggilan AI voice agent, setiap panggilan meninggalkan hasil berupa rekaman, transkrip, dan outcome, yaitu semua yang dibutuhkan reviewer untuk menilainya. Sebelum agen live, Anda dapat mengujinya di simulator, dan setelah live, supervisor dapat ikut mendengarkan dan mengambil alih panggilan.

Kesalahan Umum pada Scorecard QA

• Terlalu banyak kriteria. Tiga puluh item berarti tinjauan yang lambat dan sampel yang kecil. Pangkas menjadi hal-hal yang benar-benar akan Anda coaching-kan.
• Kriteria yang samar tanpa anchor. "Nada profesional" yang dinilai 1 sampai 5 mengundang perdebatan.
• Mencampurkan gagal kritis ke dalam rata-rata skor. Laporkan secara terpisah.
• Menilai kecepatan sebagai kualitas. Jangan masukkan handle time ke dalam formulir.
• Mencampur panggilan terpilih dan acak dalam satu rata-rata. Panggilan terpilih dipilih karena ada yang salah.
• Tidak pernah mengubah formulir. Tinjau scorecard setiap kuartal. Hapus item yang selalu dipenuhi semua orang; tambahkan hal yang terus diperdebatkan dalam kalibrasi.

Pertanyaan yang Sering Diajukan

Apa saja yang harus tercantum dalam kartu skor QA pusat panggilan?

Lima atau enam bagian berbobot yang mengikuti alur panggilan: pembukaan, memahami masalah, penyelesaian, komunikasi, penutupan, dan dokumentasi. Tambahkan daftar singkat item kritis, seperti verifikasi identitas dan informasi yang akurat, yang dengan sendirinya membuat panggilan gagal. Beri setiap kriteria anchor yang menjelaskan seperti apa Terpenuhi, Sebagian terpenuhi, dan Tidak terpenuhi.

Bagaimana cara menilai panggilan dengan scorecard QA?

Dengarkan seluruh panggilan sekali, lalu nilai setiap kriteria berdasarkan anchor-nya. Berikan poin penuh, setengah, atau nol, tandai kriteria yang tidak berlaku sebagai N/A dan keluarkan poinnya dari total. Bagi poin yang diperoleh dengan poin yang tersedia. Jika ada item kritis yang gagal, panggilan dinyatakan gagal berapa pun persentasenya.

Berapa skor QA yang baik untuk call center?

Tidak ada tolok ukur universal, karena angkanya sepenuhnya bergantung pada seberapa ketat anchor Anda. Banyak tim menetapkan target 85 sampai 90 persen, dengan gagal kritis dihitung terpisah. Pantau tren untuk setiap agen dan setiap kriteria, alih-alih mengejar satu angka.

Sebaiknya pakai skala 1 sampai 5 atau ya/tidak?

Gunakan ya/tidak untuk fakta, seperti apakah agen memverifikasi identitas, dan skala tiga tingkat Terpenuhi, Sebagian terpenuhi, dan Tidak terpenuhi untuk keterampilan. Skala lima poin terasa lebih presisi, tetapi reviewer jarang sepakat tentang perbedaan antara 3 dan 4, sehingga kalibrasi menjadi lebih sulit.

Berapa banyak panggilan yang harus ditinjau QA per agen per bulan?

Para praktisi melaporkan angka mulai dari 4 hingga lebih dari 50 per bulan. Empat sampai delapan panggilan memberi gambaran kasar, tetapi melewatkan kebiasaan yang terjadi pada satu dari sepuluh panggilan. Tinjau lebih banyak untuk agen baru atau yang sedang kesulitan, dan gunakan penilaian otomatis setiap panggilan untuk menentukan panggilan mana yang didengarkan manusia.

Seberapa sering sesi kalibrasi QA harus diadakan?

Setiap bulan adalah default yang masuk akal, dan setiap minggu selama scorecard baru atau reviewer baru masih menyesuaikan diri. Setiap reviewer menilai panggilan yang sama secara mandiri, lalu kelompok membandingkan hasilnya per item dan menulis ulang anchor yang memungkinkan dua tafsiran.

Bisakah AI menilai setiap panggilan menggantikan reviewer manusia?

Penilaian AI dapat mencakup setiap panggilan, sesuatu yang tidak pernah bisa dilakukan sampling, dan hasilnya konsisten. Namun AI lebih lemah dalam penilaian kontekstual, misalnya apakah pengecualian terhadap kebijakan merupakan keputusan yang tepat. Model praktisnya adalah penilaian AI untuk cakupan dan penandaan, dan manusia untuk kalibrasi, skor yang disengketakan, serta coaching.

Bagaimana cara melakukan QA pada panggilan AI voice agent?

Gunakan scorecard yang lebih singkat dan berfokus pada hal yang bisa salah pada otomatisasi: apakah AI mengonfirmasi apa yang didengarnya, hanya menjawab dari dokumen Anda, hanya menyebut harga Anda, hanya mengklaim tindakan yang benar-benar sudah dilakukan, dan mengalihkan ke manusia saat seharusnya. Perlakukan fakta karangan dan harga karangan sebagai gagal kritis.

Intinya

Scorecard QA hanya sebaik kesepakatan di antara orang-orang yang menggunakannya. Mulailah dengan template di atas, tulis anchor untuk setiap kriteria, pisahkan gagal kritis, lakukan kalibrasi setiap bulan, dan tinjau cukup banyak panggilan agar skornya bermakna. Gunakan penilaian otomatis untuk mencakup setiap panggilan dan mengarahkan orang ke panggilan yang penting. Jika Anda menginginkan scorecard, rekaman, transkrip, catatan coaching, dan penilaian otomatis setiap panggilan dalam sistem yang sama dengan antrean dan AI voice agent Anda, lihat scorecard QA DialerBee serta keseluruhan software call center, pesan demo, atau mulai uji coba gratis 14 hari tanpa kartu kredit. Paket dan harga tersedia di halaman harga, dan Halaman resepsionis AI menunjukkan apa saja yang ditangani voice agent pada panggilan masuk.