美洽

美洽未解决问题统计怎么看

作者：

user

在

美洽里看“未解决问题”要先弄清口径（会话还是工单、状态定义、是否含机器人或自动关闭），再按时间、渠道、客服和问题类型分层分析；用未解决率、平均未结时长、SLA违约率等关键指标做趋势对比，结合抽样质检与根因分类，最终把发现转成可执行的改进项和监控告警。这样数据才不会只是数字，而是能推动流程与体验的落地改变。

美洽未解决问题统计怎么看

先说个比喻，理解起来容易些

想象你家厨房的水槽，水槽里有脏盘子（未解决的问题）。如果你只是数一数盘子有多少，偶尔洗几只，看起来好像还能应付；但如果不区分是晚饭后的堆积、还是一直没人洗的顽固油渍，你就没法优化流程。美洽的未解决统计就是帮你把盘子分类、计时、找责任人，然后告诉你应该先从哪一堆下手。

哪些“口径”必须先明确

  • 对象口径：统计的是会话（session）还是工单（ticket）？两者可能计数差别很大。
  • 状态口径：什么算“未解决”？是“未关闭”、“客服未回复”、“用户未确认”或其它自定义状态？
  • 时间口径：统计周期（日/周/月）、时区和数据更新时间（实时/延迟）。
  • 包含项：是否计入机器人会话、自动关闭的会话、重复会话或测试会话？
  • SLA口径：SLA 按首次响应、解决时长或双方确认来定义，必须一致。

为什么口径不统一会误导决策

不同口径会导致“未解决率”天差地别。举例：若把机器人转人工的中间会话计为未解决，数字会虚高；如果自动关闭的会话被算作已解决，真实漏单就看不出来。工作中常看到的就是——统计口径没定好，结果开会讨论的全是幻像。

关键指标（KPI）和计算方法

下面列出常用的指标和它们的含义，算法用得清楚才好沟通。

指标 定义 计算公式（示例）
未解决数量 在统计口径下仍处于“未解决”状态的会话/工单数 COUNT(*) WHERE status IN (‘open’,’pending’)
未解决率 一定周期内未解决的占比 未解决数 / 总会话数 × 100%
平均未解时长（MTTU） 从创建到当前仍未解决的平均时长 SUM(now()-created_at for open items) / COUNT(open items)
SLA违约率 未在SLA规定时间内解决的比例 违约数 / 应遵守SLA的会话总数 ×100%
根因分类分布 按标签/问题类型统计未解决项的占比 GROUP BY issue_type COUNT >= 分布表

实操步骤：从数据到结论

  1. 明确口径并固定文档化。把“未解决”的定义写在SOP里，避免每次数据报表都讲不同的故事。
  2. 导出原始数据。导出会话ID、创建时间、最后更新时间、状态、指派客服、渠道、标签、是否机器人、关闭时间等字段。
  3. 清洗与去重。过滤测试会话、重复会话和自动关闭、统一时区。
  4. 计算指标并做分层分析。按渠道/客服/问题类型/新老用户/地区等维度拆分。
  5. 可视化趋势与对比。看日/周/月趋势，关注拐点与周期性波动。
  6. 抽样质检与根因分类。针对未解决率高的分组抽样，人工核验问题是否被正确分类或误判。
  7. 输出改进清单并闭环。把数据洞察翻译成具体动作：培训、流程改、知识库补充、自动化规则调整等。

常用查询与表格化计算示例（伪代码）

如果你的数据可以用SQL或导出到Excel，下面是两个常见示例：

SQL（示例）

SELECT conversation_id, status, channel, owner, created_at, closed_at,
TIMESTAMPDIFF(MINUTE, created_at, IFNULL(closed_at, NOW())) AS minutes_open
FROM conversations
WHERE created_at BETWEEN '2026-05-01' AND '2026-05-31';

Excel 公式（示例）

  • 未解决标记：=IF(OR(Status=”open”,Status=”pending”),1,0)
  • 未解时长（小时）：=IF(ISBLANK(ClosedAt),(NOW()-CreatedAt)*24,(ClosedAt-CreatedAt)*24)
  • 未解决率（透视表）：=SUM(未解决标记)/COUNT(会话ID)

如何定位真正的痛点（不要被表面数字骗了）

几招实用的判断法：

  • 看趋势而非单点：某一天未解决数暴涨，先查系统变更、促销或渠道流量峰值。
  • 看分层而非整体：整体未解决率下降，但某个渠道或某位客服仍高，这才是真问题。
  • 质检比对数据：抽样看为什么会被标为“未解决”，是标签错了，还是流程被卡住？
  • 关注SLA违约而不仅是数量：长尾问题比大量短时未解决更可能影响满意度。

常见陷阱与怎样避免

  • 陷阱：自动关闭掩盖问题。很多平台会在用户无回复后自动关闭会话。解决：把自动关闭单独计入“已自动关闭”类别。
  • 陷阱：机器人会话混入统计。机器人解决的会话如果被视为已解决，人工未接入的问题被忽略。解决：分渠道统计机器人/人工。
  • 陷阱：重复会话重复计数。用户同一问题多次发起会话会造成误判。解决：合并相同issue_id或用标签聚合。
  • 陷阱：口径临时变更。任何口径变动都要在报表里标注时间点并回溯重算。

把数据变成可执行的改进清单

数据告诉你“哪里不对”，但不会自己去修。接下来建议的执行步骤：

  • 把高未解决率的Top3问题列出，按影响用户数和SLA风险排序。
  • 每项指定负责人和截止时间，形成小而可验收的短期任务（如：知识库补一个FAQ、增加一条自动回复、调整工单分配规则）。
  • 设置监控与告警：当某个问题未解决数在1小时内超阈值就发通知。
  • 每周复盘一次质检样本：看改进是否有效，若无效，做更深入的根因分析。

样例改进措施（快捷落地）

  • 为易重复问题做模板回复并允许客服一键发送。
  • 优化工单路由规则，确保复杂问题直通高级客服。
  • 补充知识库，减少因信息缺失导致的反复沟通。
  • 对高未解决率的客服做针对性辅导，并跟踪改进曲线。

报告展示建议（给运营/管理层看的那份）

展示时要简洁有力，建议包含：

  • 核心摘要（本期未解决率、环比、SLA违约率变化）
  • Top3高风险问题与影响人数
  • 改善措施与负责人（带预计完成时间）
  • 趋势图（7/30/90天）和渠道/团队分布热力图

结尾随想（边想边写的那些细节）

说实话，刚开始看这些统计的时候我也常被“数字好看”骗过去：比如未解决率低，但客户抱怨多；或者数据好像很稳，但细看会发现某个小渠道一直在闹问题。关键在于把量化指标和人工抽样结合，用数据指向假设，再用人工验证假设，最后把验证结果转成一次次小改进——慢慢地，那堆“脏盘子”会越来越少，也不会在你不注意的时候堆成山。

更多文章