Überblick über Explore-Datasets

Ihre Zendesk-Daten sind in verschiedene Datasets aufgeteilt. Jedes Dataset umfasst Metriken und Attribute, die zum Erstellen von Berichten verwendet werden können. Bevor Sie Daten mit Zendesk Explore abfragen können, müssen Sie ein bestimmtes Dataset auswählen.

Weitere Informationen zum Auswählen und Verwalten von Datasets finden Sie unter Arbeiten mit Datasets.

Weitere Informationen finden Sie unter Erstellen von Berichten.

Tipp: Brauchen Sie Hilfe bei der Auswahl der Metriken und Attribute, die Sie benötigen, um Ihren Erfolg zu messen und fundierte Geschäftsentscheidungen zu treffen? Dann empfehlen wir Ihnen unseren Leitfaden 3 Arten von Kundenservice-Metriken, auf die es ankommt.

Im vorliegenden Beitrag erfahren Sie, wie Sie das richtige Dataset für Ihre Berichte auswählen. Außerdem finden Sie ausführlichere Informationen dazu, wie Ihre Unternehmensinformationen in Datasets gespeichert werden. In diesem Beitrag werden folgende Themen behandelt:

• Auswählen des richtigen Datasets
• Überblick über die Dataset-Struktur

Auswählen des richtigen Datasets

Datasets sind für die folgenden Produkte verfügbar. Wählen Sie ein Produkt aus, um mehr über die einzelnen Datasets und die jeweils verwendbaren Metriken und Attribute zu erfahren:

• Datasets für Zendesk Support
  • Tickets: Wichtige Ticketmetriken wie Ticketvolumen, Ticketaktivität und Tickettyp.
  • Updates History: Informationen zu Aktualisierungen, die an Tickets während ihres Lebenszyklus vorgenommen wurden.
  • Backlog History: Informationen zu Ihren ungelösten Tickets am Ende eines bestimmten Datums.
  • SLAs: Informationen zur Leistung Ihrer Service-Level-Vereinbarungen (SLA). Beachten Sie, dass dieses Dataset nur angezeigt wird, wenn Sie Tickets haben, für die SLA-Richtlinien gelten. Weitere Informationen finden Sie unter Definieren und Verwenden von SLA-Richtlinien.
• Datasets für Zendesk Talk:
  • Calls: Informationen zu Ihrer Call-Center- und Agentenaktivität.
• Datasets für Live Chat und Messaging:
  • Engagement: Informationen zu den Kundeninteraktionen über Zendesk Chat.
  • Chat Concurrency: Informationen zur gleichzeitigen Betreuung mehrerer Chats durch Ihre Agenten.
  • Messaging Tickets: Informationen über alle Messaging-Kanäle, einschließlich Web, Mobile und Social-Media-Messaging. Dazu gehören die Anzahl von Tickets, Lösungszeiten, Kundenzufriedenheit und mehr.
• Datasets für Zendesk Guide:
  • Knowledge Capture: Informationen, aus denen hervorgeht, wie effektiv bestimmte Beiträge zur Vermeidung von Supporttickets beitragen.
  • Team Publishing: (Nur Guide Enterprise) Informationen, anhand derer Sie die Aktivitäten Ihres Teams in Guide untersuchen und feststellen können, wann Beiträge erstellt, veröffentlicht, bearbeitet usw. werden.
  • Knowledge Base: Informationen, anhand derer Sie unter anderem feststellen können, wie häufig Ihre Help-Center-Beiträge aufgerufen werden und welche von ihnen Upvotes oder Downvotes erhalten.
  • Search: Informationen zu den Suchvorgängen von Benutzer in Ihrer Wissensdatenbank und den dabei verwendeten Suchbegriffen.
  • Community: Informationen über die Aktivitäten in Ihren Community-Foren, z. B. die Anzahl der Posts und Kommentare, positive und negative Bewertungen, Community-Mitglieder und mehr.
• Datasets für Zendesk Sell
  • Sell: Informationen zur Zendesk Sell-Vertriebspipeline.
  • Calls: Informationen zu Zendesk Sell-Verkaufsanrufen – eingehende und abgehende Anrufe, Anrufdauer usw.
  • Products: Informationen über Produktverkäufe, zum Beispiel wie viele Produkte in einem bestimmten Zeitraum verkauft wurden oder welche Produkte sich am besten verkauft haben.
  • Activities: Informationen zu dem auf das Vertriebsteam entfallenden Aktivitätsvolumen in Sell, darunter die Anzahl der gesendeten E-Mails, getätigten Anrufe, abgeschlossenen Aufgaben, geplanten Termine und absolvierten Besuche.

• Datasets für Answer Bot
  • Article Recommendations: Informationen zur Leistung von Help-Center-Beiträgen, die Kunden automatisch empfohlen werden.
  • Flow Builder: Informationen zur Leistung der Bots auf allen Zendesk-Kanälen.

Überblick über die Dataset-Struktur

Explore-Datasets enthalten alle verfügbaren Informationen zu Ihrem Produkt und seinen Funktionen. Um effiziente Abfragen Ihrer Daten zu ermöglichen und duplizierte oder inkonsistente Daten zu vermeiden, gruppiert Explore Ihre Daten in mehreren Datentabellen. Sie können sich eine Datentabelle als eine Art „Box“ vorstellen, in der Ihre Daten abgelegt werden. Die einzelnen Datentabellen sind nicht isoliert, sondern durch spezielle Attribute miteinander verbunden, die die einzelnen Datenzeilen der Tabellen eindeutig identifizieren.

Im folgenden Beispieldiagramm sind die Ticketdaten in der Datentabelle Tickets und die Benutzerdaten in einer separaten Tabelle namens Users gespeichert. Diese Datentabellen sind in den Datasets durch spezielle Attribute miteinander verbunden.

Das Attribut Ticket – ID ist beispielsweise der Verbindungspunkt für die Datentabelle Ticket, während das Attribut Anfragender – ID als Verbindungspunkt für die Tabelle Users dient.

Wenn ein Benutzer einen Bericht ausführt, bestimmt Explore, welche Tabellen die erforderlichen Metriken und Attribute enthalten und ob die Tabellen verbunden werden müssen. Wenn die erforderlichen Metriken und Attribute in einer Tabelle enthalten sind, werden keine Verbindungen (oder Joins) hergestellt. Dies ist beispielsweise bei einem Bericht der Fall, der Ticket-IDs nach Status zählt.

Wenn sich die erforderlichen Metriken und Attribute hingegen in verschiedenen Datentabellen befinden, werden diese Tabellen miteinander verbunden. Dies ist beispielsweise bei einem Bericht der Fall, der Ticketaktualisierungen nach Mitarbeiternamen zählt. In diesem Fall werden die Tabellen Ticket Updates, Tickets und Users miteinander verknüpft, um das Ergebnis zu generieren.

Explore-Datentabellen werden mithilfe der Methode LEFT JOIN verbunden. Das bedeutet, dass der Bericht bei verbundenen Tabellen alle Zeilen aus der Tabelle auf der linken Seite zurückgibt, auch wenn die Tabelle auf der rechten Seite keine Übereinstimmungen enthält. Im oben stehenden Beispiel gibt eine Aufzählung der Ticket-IDs nach Mitarbeiternamen alle Tickets mit und ohne Mitarbeiter zurück.

In manchen Fällen ist es technisch nicht möglich, Daten in mehreren Datentabellen zu speichern, weil das Datenvolumen zu hoch ist oder der Bericht nicht schnell genug ausgeführt werden kann. Dies ist beispielsweise beim Dataset „Backlog History“ der Fall. Er weist nur eine Tabelle für die Speicherung von Daten auf.