9 november 2026Bijgewerkt op Fathy Shalaby12 min leestijd
Template voor supportticket-analyse: ontdek waar gebruikers stranden
Je supportinbox is gebruikersonderzoek waar je al voor betaald hebt. Label tickets op basis van wat klanten probeerden te doen, valideer je tags en ontdek de grootste knelpunten.
Een supportticket-analyse is een bureau-onderzoek van twee dagen: je labelt je laatste 200 supportcontacten op basis van de taak die de klant probeerde af te ronden, telt het aantal tickets per taak en ontdekt welke taken de meeste problemen veroorzaken. Klanten hebben het probleem immers al op eigen initiatief beschreven, inclusief tijdstempel. Het toont frictie aan, geen betalingsbereidheid, en je mist iedereen die stilletjes is vertrokken zonder contact op te nemen.
Belangrijkste inzichten
‘Customer support analysis’ is een van de vijf data-analyse discovery-experimenten uit Testing Business Ideas van David J. Bland en Alex Osterwalder (UPV-cursus).
Tag op de taak (de ‘job’), niet op het productonderdeel. ‘Probeert een factuur naar de boekhouder te sturen’ laat zien wat je moet oplossen; ‘Facturatie’ niet.
Automatische tags van helpdesks zijn ontworpen voor routering. De automatische tagging van Zendesk vergelijkt woorden in een nieuw ticket met bestaande tags en voegt de top drie toe (Zendesk).
Controleer je tags voordat je gaat tellen. Laat een tweede persoon 20 tickets coderen; veel methodologische literatuur hanteert een overeenkomst van 80% als het acceptabele minimum (McHugh, 2012).
Het standaardsignaal voor succes van Specky: de taak staat in de top 3 van redenen waarom mensen contact opnemen.
Wat is een supportticket-analyse?
Een supportticket-analyse houdt in dat je recente supportcontacten labelt op basis van de taak die de klant probeerde te voltooien, zodat je direct ziet welke taken voor de meeste frictie zorgen. Onder ‘contacten’ vallen alle kanalen: e-mail, chat, in-app berichten, gespreksnotities en eventueel je communityforum.
Het is een van de goedkoopste manieren om de omvang van een probleem in een live product te bepalen, omdat het werk van de probleemomschrijving al door de gebruiker is gedaan. Het verschil met standaard supportrapportages zit in de labels. Supportteams taggen voor routering en werklastverdeling; voor productbeslissingen tag je op de taak en de blokkade, volledig in de geest van jobs to be done.
Wanneer zet je een supportticket-analyse in, en wanneer niet?
Gebruik deze methode als je een live product hebt met voldoende contactmomenten om representatieve data te verzamelen. Het is een van de voordeligste manieren om een probleem te kwantificeren, omdat klanten het al uit eigen beweging hebben gemeld, compleet met tijdstempel.
Gebruik het niet:
Voor een product met nauwelijks gebruikers. Met tien tickets kun je geen prioriteiten stellen.
Om inzichten te krijgen over gebruikers die geruisloos afhaken. Zij nemen immers geen contact op.
Om betalingsbereidheid te valideren. Een stapel tickets toont frustratie aan, maar dat staat los van de bereidheid om voor een oplossing te betalen. Gebruik daarvoor een mock purchase intent test.
Welk risico test je, en hoe hard is het bewijs?
Hiermee test je de desirability (aantrekkelijkheid): welk probleem bezorgt echte klanten de meeste hoofdpijn? Het bewijs is richtinggevend. Het komt voort uit daadwerkelijk gedrag, aangezien mensen de moeite hebben genomen om je te schrijven. Maar het volume vertelt je nog niet wat het oplossen ervan economisch waard is. Onze gids voor het kiezen van een productexperiment legt uit hoe je dit bewijsniveau moet interpreteren.
Direct te gebruiken template voor supportticket-analyse
Bekijk de afbeelding op volledige grootte, of kopieer de onderstaande tekstversie.
Wie te werven en hoeveel
Geen werving nodig. Neem de laatste 200 supportcontacten uit alle kanalen die je gebruikt. Heb je er minder, neem dan de afgelopen zes maanden en noteer het totaal. Filter spam en dubbele berichten eruit. Zorg dat er geen persoonsgegevens in je samenvatting terechtkomen.
Stappenplan
Formuleer de aanname, zoals: ‘data exporteren is een van de hoofdredenen waarom mensen contact opnemen.’
Bepaal vooraf je slagingscriterium (pass signal).
Lees 30 tickets door en stel op basis daarvan een eerste lijst met tags op.
Tag op de taak, niet op het productgebied. Dus ‘probeert factuur naar boekhouder te sturen’, niet ‘export bug’.
Label alle 200 contacten. Laat een tweede persoon 20 willekeurige tickets ter controle coderen.
Tel het aantal tickets per taak en vergelijk de verschillende klantsegmenten.
Verzamel vijf veelzeggende citaten.
Taghandleiding
Taak (Job): Wat probeerde de klant voor elkaar te krijgen?
Geblokkeerd door: Bug, niet vindbaar, bestaat niet, onduidelijk of beleid/policy
Uitkomst: Opgelost, workaround geboden of opgegeven
Klanttype: Abonnement, bedrijfsgrootte of segment
Citaat: Eén treffende zin in hun eigen woorden
Wat te meten
Het aantal contacten per taak en de rangorde daarvan. Het percentage dat een workaround kreeg of nooit werd opgelost. Of een bepaalde taak vooral bij een specifiek klanttype voorkomt.
Slagingscriterium (vooraf vastleggen)
Het uitgangspunt van Specky: deze taak staat in de top 3 van redenen waarom klanten contact opnemen. Dit is een startpunt, geen vaste wet. Hanteer voor elk ticket exact dezelfde labelregels.
Resultatenoverzicht
Taak (Job)
Contacten
Rang
Geblokkeerd door
Deel onopgelost
Klanttype
Citaat
Hoe bouw je een betrouwbaar tagsysteem op?
Stel een kort codeboek op voordat je alle 200 tickets verwerkt. In de gids voor thematische analyse van de Nielsen Norman Group wordt aangeraden om elke code een naam, een beschrijving en voorbeelden te geven van tekst die er wel én niet onder valt. Dat is cruciaal wanneer meerdere mensen coderen (Nielsen Norman Group).
Een praktisch codeboek voor supporttickets ziet er zo uit:
Veld
Regel
Passend voorbeeld
Niet-passend voorbeeld
Taak (Job)
Een actie met werkwoord die de klant zou herkennen
‘Aanbetaling van een klant terugstorten’
‘Betalingen’
Geblokkeerd door
Exact een van de vijf vaste waarden
‘Niet vindbaar’: de instelling bestaat wel, maar werd niet gevonden
‘UX-probleem’
Uitkomst
Opgelost, workaround geboden of opgegeven
‘Supportmedewerker heeft handmatig teruggestort’ = workaround
‘Gesloten’
Klanttype
Overgenomen uit je accountdata, niet gegokt
‘Plan: Team, 6 seats’
‘Lijkt een grote klant’
Vier vuistregels houden de tellingen zuiver:
Maak tags op basis van de eerste 30 tickets en zet ze daarna vast. Richt je op circa 8 tot 15 taken. Bij meer categorieën tagt niemand meer consistent.
Houd de categorie ‘Overig’ zo klein mogelijk. Valt meer dan 1 op de 10 tickets hieronder, dan mis je een duidelijke taak in je overzicht.
Eén taak per ticket. Behandelt een bericht er twee, label dan het hoofdonderwerp waarmee de klant begon en noteer het tweede apart.
Tag de hele conversatie, niet alleen de openingszin. De daadwerkelijke taak wordt vaak pas in het tweede of derde bericht duidelijk.
Hoe controleer je de betrouwbaarheid van je tags?
Laat een tweede teamlid 20 van de 200 tickets taggen met hetzelfde codeboek, zonder jouw labels te zien. Tel het aantal tickets waarbij jullie exact dezelfde taak kozen. Dat percentage is je overeenstemmingspercentage (percent agreement).
In een wetenschappelijk artikel over interbeoordelaarsbetrouwbaarheid stelt Mary McHugh (2012) dat veel vakliteratuur 80% overeenstemming beschouwt als het absolute minimum. Ze legt tevens uit waarom de kappa-statistiek van Jacob Cohen, die corrigeert voor toevalsovereenkomst, meestal lager uitvalt (McHugh, 2012). Voor een productexperiment van twee dagen volstaat het eenvoudige percentage: 16 van de 20 betekent 80%.
Blijf je daaronder? Ga dan niet per ticket discussiëren. Kijk welke twee taken het vaakst door elkaar werden gehaald, scherp de definities aan met duidelijke wel/niet-voorbeelden en label die specifieke tickets opnieuw.
Kun je vertrouwen op de automatische tags van Zendesk of Intercom?
Gebruik ze hooguit als startpunt, nooit als eindresultaat. Beide platforms zijn gebouwd om supportprocessen te stroomlijnen en werklast te rapporteren; de categorieën zijn daar dan ook op ingericht.
Zendesk-tags zijn trefwoorden die context toevoegen aan tickets voor weergaven, zoekopdrachten, business rules en rapportages (Zendesk). Automatische tagging scant nieuwe ticketbeschrijvingen op woorden van meer dan twee tekens, vergelijkt die met reeds gebruikte tags en kent de top drie toe om tickets te routeren (Zendesk). Dat is simpele zoekwoordherkenning op het eerste bericht, geen analyse van de taak.
Zendesk intelligent triage voorspelt het onderwerp, het sentiment (op een vijfpuntsschaal) en de taal (ongeveer 150 talen) op basis van het onderwerp en de eerste openbare reactie, elk voorzien van een betrouwbaarheidsscore (Zendesk).
Intercom onderscheidt drie tools: gespreksonderwerpen (topics), die geautomatiseerd zijn en ook op oudere gesprekken werken; data-attributen, die gestructureerd zijn en verplicht kunnen worden gesteld bij het sluiten van een ticket; en tags, waarmee specifieke reacties door medewerkers of Workflows worden gemarkeerd. Intercom adviseert een combinatie hiervan (Intercom).
Intercoms Topics Explorer groepeert gesprekken met AI in plaats van zoekwoorden. Bij activering analyseert het de afgelopen 90 dagen en werkt het daarna dagelijks bij. Hiervoor is de Pro-add-on met actieve Fin vereist; sentiment wordt niet geanalyseerd en gevarieerde of zeldzame onderwerpen blijven soms zonder topic (Intercom).
De beste aanpak: exporteer 200 contacten inclusief eventuele bestaande tags, bewaar die in een aparte kolom en zet je eigen kolommen voor ‘Taak’ en ‘Geblokkeerd door’ ernaast. Wordt deze analyse een vast onderdeel van je routine? Maak ‘Taak’ dan een verplicht veld bij het afronden van tickets, zodat een volgende analyse aanzienlijk sneller verloopt.
Praktijkvoorbeeld (fictief)
Dit voorbeeld illustreert de werkwijze in de praktijk. Een team achter een planningsapp voor kapsalons vermoedt dat synchronisatieproblemen met externe agenda’s de grootste bron van ergernis zijn. Ze labelen de laatste 200 contacten op taak.
Wat blijkt? Agendasynchronisatie staat pas op de achtste plaats. De top drie bestaat uit: ‘afspraak wijzigen namens een klant’, ‘aanbetaling terugstorten’ en ‘een extra medewerker toevoegen’. Vooral ‘aanbetaling terugstorten’ valt op: vrijwel al deze verzoeken moesten handmatig worden opgelost door support.
Het slagingscriterium voor agendasynchronisatie wordt niet gehaald. Het team legt dit resultaat vast en formuleert direct een nieuwe aanname rond het zelfstandig terugstorten van aanbetalingen door salonhouders.
De onderliggende cijfers: na het filteren van 14 spam- en dubbele berichten blijven er 200 over. ‘Afspraak wijzigen namens klant’ telt 34 tickets, ‘aanbetaling terugstorten’ 29 en ‘medewerker toevoegen’ 22. Agendasynchronisatie blijft steken op 9. Van de 29 terugbetalingsverzoeken werd 72% (21 tickets) geblokkeerd doordat de functie ‘niet bestaat’ en handmatig door support moest worden uitgevoerd; 18 daarvan waren afkomstig van salons op de twee goedkoopste abonnementen. Een tweede beoordelaar tagde 20 tickets en was het in 17 gevallen eens (85%), waardoor de ranglijst statistisch overeind blijft.
Supportticket-analyse vs. feedback van salesteams vs. product analytics
Voer een supportticket-analyse uit om de problematische taak te identificeren, en gebruik vervolgens een analyse in je product analytics om te zien hoeveel gebruikers op datzelfde punt vastlopen zónder contact op te nemen met support. Als prospects vóór aankoop dezelfde taak aankaarten, bevestigt salesfeedback dat dit probleem je niet alleen supporttijd, maar ook deals kost.
Wat zijn de meest gemaakte fouten bij ticket-analyses?
Taggen op productonderdeel. ‘Facturatie’ zegt niets. De specifieke taak toont je wat er verbeterd moet worden.
Slechts één recente week analyseren. Een incidentele slechte release kan de data van een enkele week volledig vertekenen.
Blind varen op automatische helpdesk-tags. Die zijn ontworpen voor routering, niet om van te leren.
Rumoer verwarren met waarde. Klanten die het hardst schreeuwen, zijn niet per se je meest waardevolle gebruikers.
De stille vertrekkers vergeten. Gebruikers die stilletjes afhaken en weggaan, vind je niet terug in deze supportdata.
Hoe pak je dit aan in Specky?
Ga naar de Assumptions-pagina, klik op de notitie, kies Pick a test en selecteer Customer support analysis. Specky vult automatisch het stappenplan, het slagingscriterium en een doorlooptijd van twee dagen in.
Specky leest gegevens uit gekoppelde tools. Heb je een helpdesk zoals Zendesk, Intercom, Freshdesk of Help Scout gekoppeld? Vraag dan in de chat om contacten te groeperen op basis van wat de klant wilde bereiken. Controleer de clusters altijd zelf: het zorgvuldig taggen ís immers de kern van de test.
Is je helpdesk niet gekoppeld? Exporteer de tickets, tag ze handmatig in een spreadsheet en plak de totalen in Specky.
Klik op Start running, voeg de cijfers toe als bewijsmateriaal en leg het eindresultaat vast.
Een behaald resultaat verschijnt op het bord als Early signal (Vroeg signaal) en niet direct als Supported (Onderbouwd), omdat een hoog ticketvolume weliswaar frictie aantoont, maar nog geen commerciële toewijding bewijst.
Wat doe je met de uitkomst?
Onderbouwd (verschijnt als Early signal): Je weet precies waar de taak knelt. Bouw met een concierge test een eenvoudige, handmatige oplossing en meet of het aantal supporttickets afneemt.
Onduidelijk: De taak eindigt in de middenmoot of speelt slechts bij één specifieke subgroep. Voer een aantal diepte-interviews met deze klanten uit. Een speed boat exercise kan verhelderen of zij de pijn net zo hevig ervaren als de cijfers suggereren.
Weerlegd: Het is geen voorname reden voor contact. Behandel het probleem niet langer als urgent en richt je op taken die wél hoog scoren. Alle aannames die op deze notitie rusten, worden nu gemarkeerd als Weerlegd.
Veelgestelde vragen
Hoe analyseer je supporttickets van klanten?
Lees 30 recente tickets door en definieer tags op basis van de taken die klanten wilden uitvoeren. Schrijf voor elke tag een eenduidige definitie van één regel en label vervolgens je laatste 200 contacten op taak, blokkade en uitkomst. Laat een tweede persoon 20 tickets controleren en tel daarna het aantal tickets per taak. Zo zie je exact welke taken de meeste problemen opleveren en welke zaken onopgelost blijven.
Hoeveel supporttickets moet je analyseren?
Ongeveer 200 recente contacten is een uitstekend uitgangspunt: ruim voldoende om de belangrijkste taken van elkaar te onderscheiden, maar compact genoeg om binnen één dag handmatig te coderen. Heb je minder volume, neem dan de data van de afgelopen zes maanden en noteer het totaal. Beperk je niet tot één enkele week; een verstoorde release kan dat beeld volledig vertekenen.
Op basis waarvan moet je supporttickets taggen?
Tag op de specifieke taak die de klant probeerde te voltooien, de oorzaak van de blokkade en hoe het contact werd afgesloten. Koppel hieraan het klanttype uit je CRM of database. Algemene tags zoals ‘Facturatie’ of ‘Export’ zijn handig om tickets intern door te sturen, maar veel te breed om te bepalen wat je op de roadmap moet zetten.
Kan AI supporttickets voor je taggen?
AI kan prima dienen voor een eerste ruwe indeling. Zendesks intelligent triage en Intercoms Topics Explorer groeperen tickets automatisch, maar zijn primair gebouwd voor routering en dashboards. Bovendien leest de voorspelling van Zendesk enkel het onderwerp en de openingszin. Loop een steekproef altijd handmatig na en hercodeer op de taak van de klant: het labelproces zélf levert immers de diepste productinzichten op.
Blijkt uit supporttickets waar klanten voor willen betalen?
Nee. Supporttickets tonen haarscherp waar de frustraties van gebruikers zitten, maar bewijzen niet of ze bereid zijn te betalen voor een oplossing. Een taak met veel tickets en tijdrovende workarounds is een kansrijke kandidaat, maar combineer deze data altijd met een experiment dat om een echte investering vraagt, zoals een concierge-aanbod of een mock purchase.
GDPR-aligned. EU workspace data is stored in Frankfurt, Germany. GDPR and EU data Built in Vienna, Austria. A product of influence solutions fm GmbH (FN 675374y). Imprint 14-day trial. Card required, and nothing is charged until day 14. 30-day refund after subscribing. See pricing