Klanten meten wachttijden anders dan jij. Jij ziet een gemiddelde van twee minuten, zij hangen al vijf minuten in de wacht. Hoe zit dat verschil in elkaar, en wat doe je er maandag mee?
Wat je systeem meet en wat klanten voelen
Elk contactcenter heeft een dashboard met gemiddelde wachttijd. Die cijfers kloppen technisch gezien, maar ze vertellen niet het hele verhaal. Een gemiddelde van twee minuten kan bestaan uit honderd mensen die tien seconden wachten en twintig mensen die twaalf minuten wachten. Die twintig mensen onthouden hun ervaring. De honderd anderen niet.
Dat is precies het probleem met gemiddelden in klantbeleving: ze maskeren de uitschieters. En uitschieters bepalen hoe mensen over jouw organisatie praten.
Wat je beter kunt meten is de P90-wachttijd: de wachttijd die 90% van je bellers niet overschrijdt. Als die op acht minuten staat terwijl je gemiddelde op twee staat, weet je dat er een structurele groep klanten is die een heel andere ervaring heeft. Dat is bruikbare informatie. Een gemiddelde is dat zelden.
De kloof tussen beleid en balie
Veel organisaties stellen een servicenorm in, bijvoorbeeld: 80% van de gesprekken binnen tachtig seconden beantwoord. Dat is een operationele KPI, geen klantbelevingsindicator. Het zegt niets over wat er daarna gebeurt: hoe lang duurt het gesprek, wordt het probleem opgelost, of belt de klant morgen opnieuw?
Eerste contactoplossing (ook wel FCR, First Contact Resolution) is een betere graadmeter. Als 40% van je klanten terugbelt binnen zeven dagen over hetzelfde onderwerp, heb je geen wachttijdprobleem. Je hebt een oplossingsproces dat niet werkt.
De balie weet dit vaak al. Medewerkers horen dagelijks welke vragen steeds terugkomen, welke systemen te traag zijn en waar klanten op vastlopen. Het beleid weet het niet, want dat leest rapportages. De kloof zit niet in de data, maar in wie de data leest en wie de context begrijpt. Zolang die twee groepen niet structureel met elkaar praten, blijft serviceverbetering een papieren exercitie.
Hoe je wachttijddata zinvol interpreteert
Ruwe wachttijddata is niet genoeg. Je moet hem in context plaatsen. Drie vragen helpen daarbij.
Ten eerste: op welk moment van de dag piekt de wachttijd? Een piek om 08:30 uur is anders dan een piek om 16:45 uur. De ochtendpiek is vaak voorspelbaar en planbaar. De late middagpiek wijst soms op een probleem eerder op de dag dat niet goed is afgehandeld.
Ten tweede: welk type vraag leidt tot de langste gesprekken? Als factuurvragen gemiddeld acht minuten duren en adreswijzigingen twee minuten, dan is de mix van binnenkomende vragen bepalend voor je totale belasting. Je kunt wachttijden verkorten door de gespreksduur te verlagen, niet alleen door meer mensen in te zetten.
Ten derde: wat is de abandonmentrate, het percentage bellers dat ophangt voordat ze iemand spreken? Een hoge abandonmentrate bij korte wachttijden wijst op een ander probleem: misschien een slecht IVR-menu, onduidelijke keuzes of klanten die het gevoel hebben dat ze toch niet geholpen worden.
Moderne werkplekinrichting speelt hier ook een rol. Als medewerkers tijdens een gesprek meerdere trage systemen moeten doorzoeken, loopt de gespreksduur op en daarmee de wachtrij (https://yellowarrow.nl/moderne-werkplek). Dat is geen soft argument, dat is een directe operationele relatie.
Wat je met deze inzichten kunt doen
Hier zijn de meest directe verbeteringen die je zonder grote investeringen kunt doorvoeren.
- Rapporteer P90 naast het gemiddelde. Laat beide cijfers zien in je wekelijkse operationeel overleg. Het gemiddelde geeft trend, de P90 geeft pijn.
- Segmenteer wachttijden per vraagtype. Niet alle wachttijd is gelijk. Klanten die bellen over een storing accepteren meer wachttijd dan klanten met een simpele vraag over hun rekening.
- Voer een terugbelanalyse uit. Kijk hoeveel klanten binnen zeven dagen opnieuw contact opnemen. Groepeer ze op onderwerp. Dat geeft je een directe prioriteitenlijst voor procesverbetering.
- Bespreek uitschieters in teamoverleg. Niet als incident, maar als signaal. Wat zat er achter het gesprek van 22 minuten? Wat had de medewerker nodig om het sneller op te lossen?
- Koppel klanttevredenheidsscores aan wachttijddata. Als klanten die langer dan vijf minuten hebben gewacht structureel lager scoren, heb je een drempelwaarde gevonden. Dat is concreter dan een algemene NPS-doelstelling.
- Betrek medewerkers bij de analyse. Zij zien dagelijks wat de systemen en processen vertragen. Een korte wekelijkse terugkoppeling levert meer bruikbare inzichten op dan een kwartaalrapportage.
Wat je niet moet doen: wachttijden verlagen door gesprekken kunstmatig te verkorten. Dat verhoogt de druk op medewerkers en verlaagt de kans op eerste contactoplossing. Je schuift het probleem dan door naar een tweede of derde contactmoment.
Veelgestelde vragen over wachttijdmeting
Wat is het verschil tussen AHT en wachttijd?
AHT staat voor Average Handling Time: de gemiddelde tijd die een medewerker besteedt aan een gesprek, inclusief de afhandelingstijd na het gesprek. Wachttijd is de tijd die een klant wacht voordat hij of zij iemand spreekt. Beide cijfers hangen samen: een hoge AHT leidt tot langere wachtrijen, zeker als de bezetting niet meeschaalt. Je kunt wachttijden dus niet los zien van wat er tijdens het gesprek gebeurt.
Waarom is de NPS na een lang wachtgesprek vaak misleidend?
Klanten die lang hebben gewacht en daarna goed geholpen zijn, geven soms een hoge NPS. Klanten die snel werden geholpen maar geen oplossing kregen, geven een lage NPS. De NPS meet de totaalervaring, niet de afzonderlijke stap van het wachten. Als je wilt weten of wachttijd een specifiek probleem is, moet je dat apart uitvragen, bijvoorbeeld via een gerichte CES-meting (Customer Effort Score) direct na het gesprek. Een algemene NPS-score vertelt je niet waar in het proces het misgaat.
Hoe ga je om met seizoenspieken in wachttijden?
Seizoenspieken zijn voorspelbaar als je historische data goed bijhoudt. Een energiebedrijf weet dat januari en februari druk zijn door stookseizoen en eindafrekeningen. Een verzekeraar weet dat na stormen het volume omhooggaat. De fout die veel organisaties maken is reactief plannen: pas bijschalen als de wachtrij al lang is. Beter is het om op basis van voorgaande jaren een bezettingsmodel te bouwen dat pieken anticipeert. Dat vraagt om een goede samenwerking tussen de afdeling workforce management en de operationele leiding, en om eerlijke gesprekken over wat realistisch haalbaar is met de beschikbare mensen.