Dari Ribuan Pertanyaan Reset Password Menjadi Satu Flow Otomatis: Cerita dari Sebuah Fintech
Startup fintech dengan 80.000 nasabah aktif berhasil mengotomasi 61% percakapan, menaikkan CSAT dari 3,8 menjadi 4,3, dan menjaga tim tetap 12 orang meski volume naik dua kali lipat.
Tentang bisnis: Nama mereka tidak perlu disebut lengkap — mereka adalah startup fintech yang memberikan layanan pinjaman cicilan untuk pembelian gadget dan elektronik, bermitra dengan ratusan toko offline di Jawa dan Bali. Dengan basis pengguna aktif sekitar 80.000 nasabah, volume pertanyaan customer service mereka jauh di atas rata-rata bisnis seukurannya.
Kami berbicara dengan Head of Customer Experience mereka, yang sudah delapan bulan bekerja dengan platform ini.
Volume yang Tidak Bisa Ditangani Secara Manual
"Masalah pertama kami bukan soal kualitas customer service. Tim kami bagus, terlatih baik, dan tahu produk dengan dalam. Masalahnya adalah volume."
Di puncak pertumbuhan, tim customer service mereka menerima sekitar 1.200-1.500 pesan WhatsApp per hari. Dengan tim 12 orang yang bekerja dalam dua shift, itu berarti setiap agen harus menangani 50-60 percakapan per shift — angka yang membuat kualitas respons tidak bisa konsisten.
"Yang lebih mengejutkan adalah ketika kami analisis, ternyata hampir 45% pertanyaan yang masuk itu tentang tiga hal saja: cara reset PIN, cara upload dokumen untuk pengajuan, dan cara bayar tagihan. Pertanyaan-pertanyaan ini sebenarnya sudah ada jawabannya di FAQ website kami, tapi orang tetap tanya lewat WhatsApp karena lebih nyaman."
Implementasi Bertahap, Dimulai dari yang Paling Berdampak
Pendekatan mereka tidak langsung mengotomasi segalanya. Mereka mulai dari satu masalah yang paling besar: reset PIN.
"Setiap hari ada 150-200 pertanyaan tentang reset PIN. Prosesnya sebenarnya simpel — verifikasi KTP, konfirmasi nomor rekening, kirim link reset. Tapi tiap kejadian butuh 5-10 menit agen."
Mereka kerja sama dengan tim teknis untuk membangun webhook yang terhubung ke sistem internal. Flow di platform menangkap pertanyaan reset PIN, memverifikasi identitas nasabah melalui serangkaian pertanyaan, memanggil API internal untuk membuat request reset, dan mengirimkan link ke nomor yang terverifikasi.
"Seminggu pertama setelah flow ini aktif, beban kerja tim turun signifikan. Agen yang biasanya hampir setengah waktunya habis untuk reset PIN sekarang bisa fokus ke kasus yang lebih kompleks."
Setelah reset PIN berhasil, mereka lanjut otomasi ke proses upload dokumen, lalu panduan pembayaran. Dalam tiga bulan, mereka sudah mengotomasi sebagian besar pertanyaan tier pertama.
Tantangan yang Tidak Terduga
Tidak semua berjalan mulus. Ada beberapa hal yang perlu penyesuaian:
Nasabah yang tidak nyaman dengan bot. Sebagian nasabah, terutama yang lebih senior, langsung mengetik keyword seperti "agen" atau "manusia" saat bot mulai merespons. Tim harus menambahkan shortcut di setiap flow yang mendeteksi keyword ini dan langsung eskalasi ke agen.
Variasi bahasa yang tidak terduga. Flow awalnya dirancang untuk kata kunci yang baku. Tapi nasabah mengirim pertanyaan dengan berbagai variasi — "reset pin", "lupa PIN", "pin salah terus", "gabisa masuk aplikasi". Tim harus terus memperbarui kata kunci pemicu dan belajar dari percakapan yang missed.
"Proses ini belum selesai sampai sekarang. Setiap minggu kami review percakapan yang dibuka manual oleh agen padahal seharusnya bisa ditangani flow, dan dari situ kami tambahkan kata kunci atau perbaiki alur."
Ekspektasi yang perlu dikelola. Ada periode di awal di mana nasabah bingung karena mendapat respons yang terasa terlalu cepat dan terstandarisasi. Tim harus menyesuaikan tone bot agar terasa lebih natural, dan menambahkan sedikit variasi pada phrasing agar tidak terasa seperti template kaku.
Dampak pada Tim
Delapan bulan kemudian, tim customer service mereka masih 12 orang — tapi menangani volume yang jauh lebih besar karena bisnis terus tumbuh.
"Tanpa otomasi, saat ini kami mungkin sudah butuh 20-25 orang untuk menangani volume yang sama. Tapi yang lebih penting dari efisiensi biaya adalah kualitas kerja tim kami membaik. Turnover turun karena agen tidak lagi burnout dari pertanyaan yang sama terus-menerus. Mereka bekerja pada kasus yang lebih menantang dan bermakna."
Ada data yang mereka sediakan untuk kami:
- Rata-rata waktu penanganan per percakapan oleh agen: turun dari 12 menit menjadi 7 menit
- Persentase percakapan yang diselesaikan tanpa eskalasi ke agen: 61%
- Skor CSAT (Customer Satisfaction): naik dari 3.8 menjadi 4.3 dari skala 5
- First Contact Resolution Rate: naik dari 68% menjadi 84%
Pelajaran yang Bisa Diambil
Dua hal yang mereka tekankan untuk bisnis lain yang ingin memulai perjalanan serupa:
Mulai dari masalah yang paling kamu kenal. Jangan langsung mencoba mengotomasi semua hal. Identifikasi satu atau dua kategori pertanyaan yang paling sering dan paling mudah dijawab secara otomatis, lalu bangun di situ dulu. Hasil yang cepat akan memberi kepercayaan diri tim untuk ekspansi bertahap.
Libatkan tim agen dari awal. Agen adalah orang yang paling tahu bagaimana nasabah berbicara, kata apa yang mereka gunakan, dan skenario mana yang paling bermasalah. Flow yang dirancang hanya oleh tim teknis tanpa input agen biasanya kaku dan tidak efektif di dunia nyata.
"Customer service yang baik bukan tentang seberapa canggih bot kamu. Ini tentang seberapa tepat kamu bisa memberikan jawaban yang dibutuhkan pelanggan, dengan cara yang terasa manusiawi — entah itu melalui agen atau otomasi yang dirancang dengan baik."
Ingin hasil serupa untuk bisnis kamu?
Mulai dengan paket gratis dan lihat sendiri perbedaannya dalam beberapa hari pertama.
Cerita lainnya
Startup fintech dengan 80.000 nasabah aktif berhasil mengotomasi 61% percakapan, menaikkan CSAT dari 3,8 menjadi 4,3, dan menjaga tim tetap 12 orang meski volume naik dua kali lipat.
ReadRetailer online Toko Serba Ada mengurangi volume pesan ke agen sebesar 58% dan memangkas waktu respons dari 47 menit menjadi 8 menit dengan automasi berbasis Orqestra.
ReadBagaimana klinik kecantikan Glowskin dengan tiga cabang di Surabaya mengurangi 70% interaksi manual dan mempercepat waktu respons ke bawah satu menit menggunakan Orqestra.
Read