E-commerce
28 juin 2026
Le ticket est clos. Vingt minutes plus tard, un e-mail « Notez votre expérience 1 à 5 » arrive. Taux de réponse : 9 %. Le client mécontent a déjà posté sur Google. Le client satisfait ne clique pas. Vous pilotez un CSAT sans savoir pourquoi il baisse.
Perspective AI estime que les sondages statiques web plafonnent à 8-15 % de réponses, contre 20-35 % pour un échange conversationnel in-app qui creuse le « pourquoi » derrière la note (Perspective AI, CSAT 2026). Decagon rappelle que collecter sans agir érode plus la confiance que ne pas demander (Decagon, best practices 2026).
Ce guide #239 traite la collecte feedback post-support via chatbot. Distinct des contenus feedback général et de NPS timing (#53) : ici, flow CSAT/CES juste après résolution bot ou humain, dans le fil chat.
Sommaire
Pourquoi collecter le feedback dans le chat post-résolution ?
Le feedback post-support chatbot capte satisfaction au moment où l'émotion est encore fraîche, sans friction e-mail.
Limites du sondage e-mail
Délai, boîte promo, formulaire froid. Le client ne relie plus la note à l'agent ou au bot qui l'a aidé. Impossible de taguer intent, durée fil, bot vs humain.
Trois gains chat in-context
Taux réponse : 2 à 4× vs e-mail selon benchmarks conversationnels
Contexte riche : ticket_id, intent, agent, durée attachés au score
Sonde adaptative : 5/5 vs 2/5 ne reçoivent pas la même question suivante
Exemple DTC mode
Marque 2 100 résolutions/mois, CSAT e-mail 11 % réponse. Flow bot post-close in-chat : réponse 34 %, drivers qualitatifs sur 78 % des notes. Time-to-action sur detractors −62 %.
En quoi diffère-t-il du NPS, de la qualité réponse et des KPI chatbot ?
Quatre contenus mesure, un moment : juste après résolution support.
NPS timing (#53)
NPS (#53) : quand envoyer NPS global. Le #239 : CSAT/CES micro post-ticket dans le widget.
Qualité réponses (#116)
Qualité (#116) : audits QA précision/ton. Le #239 : voix client sur la même interaction.
KPI chatbot (#11)
KPI chatbot (#11) : déflexion, FCR, ROI. Le #239 alimente le volet CSAT segment bot vs blended.
Insights produit (#33)
Insights (#33) : mining verbatims support → produit. Le #239 structure la collecte CSAT en amont.
Promesse #239
Triggers, flow adaptatif, escalade detractor, payload analytics, KPI, playbooks.
Quand déclencher le flow feedback post-support ?
Le trigger feedback chatbot doit suivre une résolution avérée, pas un abandon.
Cinq déclencheurs valides
Bot FCR : client confirme « Résolu » ou ferme sans réouverture 5 min
Handoff humain clos : agent marque solved + client inactif 3 min
Ticket email async : statut closed + lien « 1 question rapide » widget
Self-serve portail : retour validé, tracking envoyé
Reprise après colère : résolution P1, délai 2 h avant CSAT (éviter émotion brute)
Ne pas déclencher si
Ticket rouvert sous 24 h, escalade P0 en cours, client part mid-handoff, ou conversation < 2 tours (probable bounce). Denser recommande post-support comme trigger prioritaire (Denser, feedback chatbot 2026).
Fréquence anti-spam
Max 1 CSAT post-support / client / 7 j. Exclure si CSAT déjà répondu sur ticket parent.
Quelles métriques collecter : CSAT, CES et verbatims ?
Le payload feedback post-support équilibre score chiffré et profondeur qualitative.
CSAT (priorité 1)
« Comment évaluez-vous cette interaction ? » Échelle 1-5 ou emojis. Decagon : benchmark industrie 75-85 %, best-in-class > 85 % (Decagon).
CES optionnel (effort)
« A-t-il été facile d'obtenir une solution ? » 1-7. Pertinent post-handoff ou parcours multi-tours.
Verbatim driver (priorité 2)
Question ouverte adaptée au score. Perspective AI : passer de « CSAT 78 % » à « driver #1 detractors = délai agent » (Perspective AI, why behind score).
Métadonnées auto
ticket_id, intent, channel, bot_only O/N, agent_id, handle_time, geste_commercial O/N, LTV tier. Alimente dashboard support.
Quel flow conversationnel adaptatif selon la note ?
Le flow CSAT conversationnel adapte les tours suivants au score, pas un formulaire fixe.
Branche 4-5 (promoteur)
Score 4-5
« Qu'est-ce qui vous a le plus aidé ? » (choix : rapidité, clarté, agent, résolution)
Option : lien avis Trustpilot si score 5 et consent
Remerciement + clôture
Branche 3 (passif)
« Que pourrions-nous améliorer ? » 1 choix + champ libre optionnel. Pas d'escalade auto.
Branche 1-2 (detractor)
Empathie : « Nous sommes désolés. »
« Le problème venait surtout de : délai / réponse / résolution / autre ? »
Verbatim libre
Proposition : rouvrir ticket ou rappel supervisor sous 4 h
Durée cible
60-90 secondes, max 4 tours. Boutons rapides + option « Passer » sans pénaliser CSAT null.
Comment router les feedbacks négatifs sans perdre le client ?
Un CSAT detractor post-support est une seconde chance, pas une archive.
Règles escalade auto
Score 1-2 : ticket rouvert tag
csat_recovery, assign supervisorMots-clés : arnaque, avocat, chargeback → P0 même si score non saisi
VIP + score ≤ 3 : alerte Slack + file tier 2
Bot-only + score ≤ 2 : revue intent + corpus, pas blame client
Macro recovery CSAT-REC-01
« Merci pour votre retour honnête sur le ticket #[X]. Un responsable support reprend contact sous 4 h ouvrées pour corriger ce qui n'a pas fonctionné. Souhaitez-vous un rappel téléphonique ? »
Boucle fermée
Decagon : mesurer si insight CSAT déclenche action sous 72 h. Sinon, ne plus solliciter le client (fatigue feedback). Voir clients en colère (#214).
Comment connecter feedback, helpdesk et amélioration bot ?
Le pipeline feedback ops transforme scores en actions, pas en slide mensuelle.
Webhook payload minimum
{csat_score, ces_score, driver_tag, verbatim, ticket_id, intent, bot_only, agent_id, timestamp}
Sync helpdesk
Tag ticket csat_[1-5], champ custom score + verbatim. Gorgias/Zendesk : vue « detractors 7 j » pour coaching agent.
Boucle bot
Top drivers detractors bot-only → gap corpus ou intent. Aligné anti-hallucination bot. Heeya : corriger documentation source, pas seulement le modèle.
Rituel hebdo 20 min
10 derniers detractors : root cause ops vs contenu vs attente client. 1 action concrète par semaine (macro, fiche REP, fix bot).
Quels anti-patterns éviter en collecte post-support ?
Cinq erreurs feedback post-support tuent taux réponse et confiance.
CSAT avant résolution
« Êtes-vous satisfait ? » alors que le colis n'est pas retrouvé. Score biaisé négatif permanent.
Formulaire long
8 questions = abandon. Max 2 questions + 1 verbatim.
Collecter sans agir
Detractor ignoré 5 j → client ne répondra plus jamais.
CSAT agent lié à prime sans contexte
Gaming scores, refus dossiers difficiles. Ponderer par complexité ticket.
Mélanger support et NPS produit
« Recommanderiez-vous la marque ? » en fin SAV confond interaction et marque. Garder NPS pour trigger séparé (#53).
Comment tester le flow feedback avant production ?
Le QA flow CSAT bot valide triggers, branches et escalades.
20 scénarios minimum
5 bot FCR → trigger OK, branche 5 et branche 2
5 handoff humain → métadonnées agent_id
3 ticket reopen < 24 h → pas de CSAT
3 detractor → ticket rouvert + alerte
2 skip « Passer » → clôture propre sans bug
2 anti-spam 7 j → pas double CSAT
Shadow mode
Flow proposé sans escalade auto 1 semaine. Mesurer taux complétion et longueur verbatim.
A/B léger
Emojis vs 1-5 numérique sur 500 résolutions. Garder format le plus completé.
Quels KPI pour piloter le feedback post-support ?
Mesurez le programme CSAT post-support, pas seulement le score moyen.
KPI collecte
Taux réponse : cible > 25 % in-chat
Taux complétion flow : score + au moins 1 follow-up
% verbatim exploitable : > 15 caractères, driver tag
KPI qualité
CSAT moyen segment bot / humain / blended
Top 3 drivers detractors par mois
Recovery rate : detractor contacté → CSAT ≥ 4 après recovery
Time-to-action detractor : cible < 4 h
Tableau de bord
Colonnes : score, intent, bot_only, agent, driver, recovery O/N. Croiser avec KPI chatbot (#11).
Comment Qstomy collecte-t-il le feedback post-support ?
Qstomy déclenche le flow CSAT à la clôture avec contexte ticket Shopify complet.
Fonctionnalités feedback
Trigger post-résolution bot FCR ou handoff clos
Flow adaptatif branches 1-2 / 3 / 4-5
Payload analytics intent, agent, durée, geste
Escalade detractor reopen + alerte supervisor
Anti-spam 1 CSAT / 7 j / client
Export drivers vers revue hebdo bot + agents
Scénario DTC chiffré
Marque beauté, CSAT e-mail 10 % réponse, drivers inconnus. Flow in-chat post-close + escalade detractor. Après 8 semaines : réponse 31 %, CSAT blended 4,2/5 (+0,3), recovery detractors 58 %, 4 intents bot corrigés via top driver « réponse imprécise ».
Explorez intégration Shopify, support client IA, demander une démo.
Quels playbooks opérationnels lancer cette semaine ?
Playbook 1 : triggers (3 h)
Lister 5 déclencheurs section 3, exclusions, règle anti-spam 7 j.
Playbook 2 : flow 3 branches (4 h)
Rédiger tours section 5, boutons rapides, option Passer, durée max 90 s.
Playbook 3 : escalade detractor (2 h)
Règles section 6, macro CSAT-REC-01, alerte Slack, SLA 4 h.
Playbook 4 : webhook + dashboard (1 j)
Payload section 7, tags helpdesk, vue detractors 7 j.
Playbook 5 : rituel hebdo (20 min)
10 detractors, 1 action correctrice, log Notion.
Maillage utile
Le feedback post-support ne remplace pas l'excellence opérationnelle : il la rend visible. Quand chaque résolution se clôt par une note, un pourquoi et une boucle sur les insatisfaits, le CSAT cesse d'être un chiffre isolé et devient le moteur d'amélioration de votre SAV et de votre bot.
Enzo
28 juin 2026
