Eine Wissensdatenbank ist kein „Veröffentlichen und Vergessen"-Asset. Wie jedes Support-Tool muss sie gemessen, überprüft und verbessert werden. Die Herausforderung besteht darin zu wissen, welche Zahlen Ihnen tatsächlich verraten, ob die Wissensdatenbank ihre Aufgabe erfüllt – und welche Eitelkeitsmetriken sind, die bedeutsam aussehen, es aber nicht sind.
Dieser Leitfaden behandelt die Metriken, die wichtig sind, wie man sie interpretiert und welche Maßnahmen sie auslösen sollten.
Die Kernfrage
Bevor wir Metriken auflisten, ist es hilfreich festzulegen, was „funktionieren" für eine Wissensdatenbank bedeutet. Es gibt drei Dinge, die Sie von ihr erwarten:
- Support-Tickets ablenken – Fragen beantworten, die Kunden andernfalls als Tickets oder Chat-Nachrichten eingereicht hätten
- Fragen vollständig beantworten – das Problem des Besuchers lösen, ohne dass er danach den Support kontaktieren muss
- Auffindbar sein – Besucher erreichen, die die Frage haben, egal ob sie über Suchmaschinen oder innerhalb Ihres Produkts ankommen
Jede Metrik, die es wert ist, verfolgt zu werden, lässt sich einem dieser drei Ergebnisse zuordnen.
Ticket-Ablenkungsmetriken
Ticket-Volumen-Trend
Die gröbste, aber in ihrer Richtung nützlichste Metrik. Wenn Ihre Wissensdatenbank an Inhalten und Traffic wächst, während Ihr Ticket-Volumen stagniert oder sinkt, trägt die Wissensdatenbank wahrscheinlich zur Ablenkung bei. Wenn beides gemeinsam wächst, fügen Sie Artikel hinzu, aber diese lösen Fragen nicht, bevor Tickets geöffnet werden.
Um ein klareres Signal zu erhalten: Vergleichen Sie das Ticket-Volumen in denselben Kategorien, in denen Sie Wissensdatenbank-Artikel hinzugefügt haben. Wenn Abrechnungs-Tickets sinken, nachdem Sie eine Reihe von Abrechnungsartikeln veröffentlichen, gibt es einen direkten Zusammenhang.
Kontaktrate
Kontaktrate = (Anzahl der Support-Kontakte) / (Anzahl der Besucher oder aktiven Nutzer)
Eine sinkende Kontaktrate bei konstanter Nutzerbasis bedeutet, dass Kunden mehr Probleme lösen, ohne den Support zu erreichen. Diese Metrik ist aussagekräftiger als das rohe Ticket-Volumen, weil sie das Wachstum Ihrer Kundenbasis berücksichtigt.
Wissensdatenbank-Aufrufe vor der Ticket-Einreichung
Wenn Ihre Plattform Sitzungen verfolgt, können Sie messen, welcher Prozentsatz der Kunden, die ein Ticket eingereicht haben, zuvor einen Wissensdatenbank-Artikel besucht hat. Ein hoher Prozentsatz von Kunden, die Artikel lesen und dann trotzdem Tickets einreichen, deutet darauf hin, dass Ihre Artikel das Problem nicht vollständig lösen – der Besucher hat den Artikel gelesen und konnte das Problem trotzdem nicht lösen.
Artikelqualitäts-Metriken
Bewertung der Hilfeleistung
Eine einfache „War das hilfreich? Ja / Nein"-Aufforderung am Ende jedes Artikels erzeugt das umsetzbarste Qualitätssignal. Verfolgen Sie:
- Gesamte Hilfsbereitschaftsrate über alle Artikel (als Ausgangswert)
- Hilfsbereitschaftsrate pro Artikel, um spezifische Artikel zu identifizieren, die verbessert werden müssen
- Trend über die Zeit – wenn die Hilfsbereitschaftsrate eines Artikels sinkt, hat sich etwas geändert (die Produkt-Benutzeroberfläche, ein verwandtes Feature oder ein häufiger Fehler, den der Artikel nicht mehr adressiert)
Eine Hilfsbereitschaftsrate unter 60 % für einen häufig aufgerufenen Artikel ist ein klares Signal, dass eine Überarbeitung oder Erweiterung erforderlich ist.
Kommentarthemen aus „Nein"-Antworten
Wenn Sie Kunden erlauben, einen Kommentar zu hinterlassen, der erklärt, warum ein Artikel nicht hilfreich war, sind diese Kommentare einige der wertvollsten Inhalts-Feedbacks, die Sie je erhalten werden. Überprüfen Sie diese monatlich. Häufige Themen:
- „Die Schritte stimmen nicht mit dem überein, was ich auf meinem Bildschirm sehe" → der Artikel ist veraltet
- „Das beantwortet meine Frage nicht" → der Artikeltitel zieht Traffic an, den er nicht bedienen kann
- „Ich habe das gemacht und es funktioniert immer noch nicht" → der Fehlerbehebungsabschnitt ist unvollständig
Zeitraum-bis-Lösung-Indikator
Dies erfordert Sitzungsverfolgung: Wie lange verbringt ein Besucher auf einem Artikel, bevor er entweder navigiert (vermutlich gelöst) oder auf den Kontakt/Chat-CTA klickt (nicht gelöst)? Sehr kurze Sitzungen bedeuten entweder, dass der Besucher die Antwort sofort gefunden hat (gut) oder sofort aufgegeben hat (schlecht). Der Kontext aus der Hilfsbereitschaftsrate klärt, was zutrifft.
Auffindbarkeits-Metriken
Suche ohne Ergebnisse
Jede Suchanfrage, die in Ihrer Help-Center-Suche ohne Ergebnisse zurückkehrt, ist ein Kunde mit einer Frage, für die Sie noch keinen Artikel geschrieben haben – oder einen schlecht genug geschrieben haben, dass er nicht erscheint. Exportieren Sie diese Daten monatlich und behandeln Sie sie als Artikel-Backlog.
Viele Wissensdatenbank-Plattformen exportieren eine Liste der meistgesuchten Begriffe. Die Schnittmenge aus hochfrequenten Anfragen mit null Ergebnissen ist Ihre Inhaltslücke mit höchster Priorität.
Top-Suchanfragen
Die vollständige Liste dessen, wonach Kunden in Ihrem Help Center suchen, ist nützlicher als jede interne Brainstorming-Sitzung darüber, was als Nächstes geschrieben werden soll. Es sind Ihre Kunden, die Ihnen direkt sagen, was sie brauchen. Überprüfen Sie diese Liste monatlich.
Externer Such-Traffic
Wie viele Besucher gelangen über Google oder andere Suchmaschinen zu Ihren Help-Center-Artikeln? Ein wachsender Anteil an externem Traffic bedeutet, dass Ihre Artikel für relevante Suchanfragen ranken und neue Besucher anziehen, die möglicherweise noch keine bestehenden Kunden sind. Rückläufiger externer Traffic nach einer Website-Änderung kann auf ein technisches SEO-Problem hindeuten.
Verfolgen Sie dies in der Google Search Console, aufgegliedert nach Artikel-URL.
Seiten-Aufrufe von Artikeln
Reine Seitenaufrufe zeigen Ihnen, welche Artikel Aufmerksamkeit erhalten. In Kombination mit Hilfsbereitschaftsraten zeigen sie Ihre Optimierungsmöglichkeiten mit höchster Priorität:
| Aufrufe | Hilfreich | Maßnahme |
|---|---|---|
| Hoch | Hoch | Dokumentieren und für andere Artikel replizieren |
| Hoch | Niedrig | Dringende Überarbeitung – hoher Traffic, niedrige Lösung |
| Niedrig | Hoch | Prominenter bewerben oder Titel für die Suche verbessern |
| Niedrig | Niedrig | Bewerten, ob der Artikel überhaupt existieren sollte |
Operative Metriken
Veröffentlichte Artikel vs. unbeantwortete Fragen
Verfolgen Sie, wie viele Artikel Sie jeden Monat veröffentlichen, und vergleichen Sie dies mit dem Volumen neuer Fragen, die aus Chat und Tickets entstehen. Das Ziel ist es, die Lücke zu schließen – neue Fragekategorien schneller abzudecken, als sie sich ansammeln.
Artikel-Veraltungsgrad
Definieren Sie einen Veraltungsschwellenwert – beispielsweise wird jeder Artikel, der seit 6 Monaten nicht überprüft wurde, markiert. Erstellen Sie monatlich einen Bericht über veraltete Artikel und weisen Sie diese zur Überprüfung zu. Ein Artikel, der technisch korrekt ist, aber eine Benutzeroberfläche abdeckt, die sich vor 8 Monaten geändert hat, schadet mehr als er nützt.
Zeit bis zum ersten Artikel (für neue Themen)
Wenn ein neues Produkt-Feature gestartet wird: Wie lange dauert es, bis ein Wissensdatenbank-Artikel veröffentlicht wird, der dieses Feature abdeckt? Wenn die Antwort konstant „Wochen" oder „nachdem die ersten 50 Tickets eingegangen sind" lautet, handelt es sich um ein Prozessproblem – die Dokumentation ist nicht in den Produkt-Release-Workflow integriert.
Eine monatliche Überprüfungsroutine aufbauen
Die oben genannten Metriken sind nur nützlich, wenn jemand sie regelmäßig betrachtet und entsprechend handelt. Eine praktische monatliche Überprüfung umfasst:
- Artikel mit einer Hilfsbereitschaftsrate unter dem Schwellenwert – zur Überarbeitung zuweisen
- Top-Suchanfragen mit null Ergebnissen – zum Inhalts-Backlog hinzufügen
- Ticket-Volumen nach Kategorie – Kategorien mit aufsteigendem Trend identifizieren, die auf eine Wissenslücke hinweisen könnten
- Änderung des externen Such-Traffics – Einbrüche markieren, die auf ein technisches Problem hindeuten könnten
- In diesem Monat markierte veraltete Artikel – zur Überprüfung zuweisen
Diese Überprüfung kann in unter einer Stunde abgeschlossen werden. Der kumulierende Effekt über 12 Monate ist eine Wissensdatenbank, die sich konsequent verbessert, anstatt langsam zu verfallen.
So unterstützt Nura24 die Wissensdatenbank-Analytics
Nura24 zeichnet Artikel-Aufrufe und Hilfsbereitschaftsraten für jeden veröffentlichten Artikel auf, die über das Wissensdatenbank-Verwaltungspanel zugänglich sind. Die KI-Lückenanalyse-Funktion identifiziert automatisch Fragen, die über Live-Chat und Tickets eingereicht wurden und die die Wissensdatenbank nicht beantworten konnte, und erstellt eine priorisierte Liste fehlender Artikel. Externe Such-Performance ist über Standard-Sitemap- und Canonical-URL-Unterstützung verfolgbar, kompatibel mit der Google Search Console. Für Teams, die eine Wissensdatenbank möchten, die sich automatisch im Laufe der Zeit verbessert, anstatt manuelle Audits zu erfordern, bietet Nura24's vernetzter Analytics-Kreislauf – von der Ticket-Frage über die Lückenidentifikation bis hin zum Artikelvorschlag – eine praktische Grundlage.