cs-analytics

客户服务分析

框架

IRON LAW: Measure Satisfaction AND Efficiency — Never Just One

High CSAT with terrible resolution time = unsustainable (agents spend
too long per ticket). Fast resolution with low CSAT = cutting corners.
Both dimensions must be tracked and balanced.

关键指标

满意度指标

指标	衡量内容	收集方式	基准
CSAT	对具体互动的满意度	互动后调查（1-5 分制）	> 4.0/5
NPS	推荐意愿	“您有多大可能会推荐？”（0-10 分）	> 30
CES	解决问题所需的精力	“解决问题有多容易？”（1-7 分）	> 5.0/7

效率指标

指标	公式	基准
首次联系解决率（FCR）	首次联系即解决的数量 / 联系总数	> 70%
平均处理时长（AHT）	总处理时长 / 联系总数	5-8 分钟（因行业而异）
平均响应时间	从工单创建到首次响应的时间	< SLA 目标
待处理工单量	未结工单 / 每日处理量	< 1 天
升级率	已升级工单 / 工单总数	< 20%
重新打开率	重新打开的工单 / 已解决工单	< 5%

运营指标

指标	公式	用途
工单量	每天/周/月的工单数	人员配置规划
渠道组合	按渠道划分的百分比（电子邮件、聊天、电话、LINE）	资源分配
高峰时段	按一天中的小时统计的数量	班次安排
类别分布	按问题类型划分的百分比	流程改进优先级

分析工作流

1. 高频联系原因分析

• 按原因对所有工单进行分类（自动标记或手动分类）
• 绘制帕累托图：前 5 个原因通常占总量的 60-80%
• 对每个高频原因，判断是否可以通过自助服务解决、自动化处理，或从源头消除

2. 工单文本挖掘

• 从工单描述中提取高频关键词/短语
• 将其聚类为主题（LDA、BERTopic 或简单的 TF-IDF）
• 识别新出现的问题（最近几周出现的新主题）
• 对客户消息进行情感分析

3. 人员配置优化

Required Agents = Peak Hour Volume × AHT / (60 × Utilization Target)

Example: 50 tickets/hour × 8 min AHT / (60 × 0.75 utilization) = 8.9 → 9 agents

为休息、会议和培训预留缓冲时间（约 15-20%）。

4. Agent 表现

指标	比较方式	行动
个人 CSAT 与团队平均值	找出需要辅导的方面	为低于平均水平的人员提供培训
个人 AHT 与团队平均值	找出效率差距	向高绩效人员学习
按 Agent 统计的 FCR	找出知识差距	改进知识库

VOC（客户之声）跟踪

信号	来源	频率
新出现的投诉	工单文本挖掘	每周
功能请求	已标记工单 + 调查	每月
流失信号	表达“取消”意图的工单、低 CSAT 模式	每周
表扬趋势	高 CSAT + 正面评论	每月（与团队分享）

输出格式

# CS Analytics Report: {Period}

## Summary Dashboard
| Metric | Current | Prior | Target | Status |
|--------|---------|-------|--------|--------|
| CSAT | {X}/5 | {X}/5 | >4.0 | 🟢/🟡/🔴 |
| FCR | {%} | {%} | >70% | 🟢/🟡/🔴 |
| Avg Response Time | {hrs} | {hrs} | <{X}hrs | 🟢/🟡/🔴 |
| Ticket Volume | {N} | {N} | — | ↑/↓ |

## Top Contact Reasons (Pareto)
| # | Reason | Volume | % | Self-Servable? |
|---|--------|--------|---|---------------|
| 1 | {reason} | {N} | {%} | Y/N |

## Emerging Issues
{New topics detected in text mining this period}

## Staffing
- Current agents: {N}
- Required (based on volume): {N}
- Gap: {over/under-staffed by N}

## Recommendations
1. {highest-impact improvement}

注意事项

• CSAT 响应偏差：只有 10-20% 的客户会回复调查，通常是非常满意或非常不满意的客户。大多数沉默客户的体验不得而知。应结合行为数据（重复联系、流失）进行补充分析。
• NPS 用于战略层面，CSAT 用于战术层面：NPS 衡量整体品牌忠诚度（长期）；CSAT 衡量具体互动的质量（短期）。不要用 NPS 评估单个 Agent。
• 优化 AHT 可能损害质量：降低 AHT 的压力可能导致 Agent 仓促处理，从而降低 FCR 和 CSAT。应先优化 FCR，再关注 AHT。
• 工单分类漂移：随着产品演进，类别会变得过时。每季度审查并更新类别体系。
• CS 数据中的相关性 ≠ 因果关系：“使用更多模板的 Agent 的 CSAT 更高”可能意味着模板有帮助，也可能只是经验丰富的 Agent（恰好会使用模板）表现更好。

参考资料

• 有关 NPS 调查设计，请参阅 references/nps-methodology.md
• 有关支持工单的文本挖掘，请参阅 references/ticket-text-mining.md