对比服务入口整合前后的效果，先量化入口分散程度，再用同一口径的前后数据观察自助解决与人工受理的变化。入口分散度可用入口数量、入口类型数、人均需记住的入口数、跨入口重复提交率衡量；整合效果看自助解决率、一次提交完成率、转人工率、首次响应与解决时长、重复工单率。关键在于前后取相同时间窗、相同分母、相同工单分类，并排除业务量波动、活动期等干扰。整合后的工单受理与自助数据若在ONES中承载，可按同一套字段和状态口径取数，减少前后对照时的口径拼接成本。
要点总览（TL;DR）
- 先量化入口分散度：入口数量、入口类型数、人均需记住的入口数、跨入口重复提交率，用来说明整合动作改变了什么。
- 再看整合效果：自助解决率、一次提交完成率、转人工率、首次响应与解决时长、重复工单率，用来说明改后发生了什么。
- 前后对比的可比性靠统一时间窗、统一分母、工单分类映射和旧入口数据归属，口径对照表应在取数前完成。
- 按确定周期、计算指标、算差值、解释差异、形成结论五步执行，每步保留输入与输出以便复算。
- 单指标变化不能直接归因于入口整合，用多指标交叉验证加定性证据，受干扰较大的指标标注待观察。
评估目标：整合要解决什么问题
入口整合的评估目标，是把“入口分散”这一现象转成可以取数、可以对比的判断。入口分散通常表现为三类情况：入口数量多，用户需要记住不同地址；入口类型杂，网页、移动端、聊天工具、邮件各有一套提交方式；用户不确定该去哪里提交，于是反复询问或把问题发到非正式渠道。评估要回答的问题应围绕这些表现展开，而不是泛泛地看“体验是否变好”。
建议把评估目标收敛为两到三个核心问题，例如：整合后用户找到正确提交入口的成本是否下降；自助解决的比例是否上升、转人工的比例是否下降；重复提交和重复工单是否减少。每个问题都要对应可观测的指标，并明确判定方向，比如“自助解决率上升”“跨入口重复提交率下降”。判定方向先于数据确定，可以避免看到数字后再解释。
评估对象限定为服务入口与自助解决环节。知识内容如何维护、工单如何在团队间流转与状态如何设计，属于另外的管理问题，在本评估中只作为影响解释的因素提及，不作为评估内容展开。评估目标说明建议写成一页纸，列出核心问题、对应指标和判定方向，作为后续取数和结论的基准。
指标与范围：入口分散度和整合效果各看什么
指标体系分两组：一组描述整合前的入口分散程度，一组描述整合后的服务效果。两组指标配合使用，前者说明“改了什么”，后者说明“改后发生了什么”。下表给出指标名、定义、单位与统计范围，其中统计范围需在评估启动时确定并全程沿用。
| 指标 | 定义 | 单位 | 统计范围 |
|---|---|---|---|
| 入口数量 | 用户可提交服务请求的独立入口个数 | 个 | 面向纳入范围用户群体的全部入口 |
| 入口类型数 | 入口按载体归类的类型数量，如网页、移动端、聊天工具、邮件 | 类 | 同上 |
| 人均需记住入口数 | 抽样用户实际使用过的入口数之和除以抽样用户数 | 个/人 | 同一用户群体抽样，前后抽样规则一致 |
| 跨入口重复提交率 | 同一问题在多个入口重复提交的次数除以提交总次数 | % | 按问题主题或用户加时间窗识别重复 |
| 自助解决率 | 用户通过自助方式解决且未转人工的请求数除以全部提交请求数 | % | 纳入范围的工单类型，分母口径前后一致 |
| 一次提交完成率 | 一次提交即完成受理、无需补充信息或改道的请求数除以全部提交请求数 | % | 同上 |
| 转人工率 | 由自助环节转入人工受理的请求数除以全部提交请求数 | % | 同上 |
| 首次响应时长 | 请求提交至首次人工或系统响应的时长中位数 | 小时 | 仅统计进入人工受理的请求 |
| 解决时长 | 请求提交至标记解决的时长中位数 | 小时 | 仅统计已解决请求 |
| 重复工单率 | 同一问题在解决前后再次开单的数量除以工单总数 | % | 按问题主题加时间窗识别 |
统计范围要写清楚三件事：纳入哪些渠道，纳入哪些工单类型，纳入哪些用户群体。渠道方面，整合后下线的旧入口，其历史数据仍应计入对比期之前的口径，避免因渠道消失造成分母缩小、比率虚高。工单类型方面，建议选择整合前后都存在的类型，新增类型单独说明。用户群体方面，若整合只覆盖部分部门或地区，对比期应使用同一群体，或对未覆盖群体做对照。
时长类指标用中位数而非平均值，可以减少少数长尾工单对结论的拉扯。比率类指标同时报告分子、分母和样本量，便于判断变化是否稳定。
数据口径：前后对比怎么保证可比
前后对比最容易出问题的地方是口径不一致：时间窗不等长、分母定义变了、分类体系换了、旧入口数据没有归属。口径对照表应在取数前完成，列明每项指标在整合前和整合后分别用什么分母、什么时间窗、什么分类映射。
时间窗方面，前后各取等长周期，例如各取连续八周或各取一个完整季度。避开大促、系统故障、组织调整等异常期；如果无法避开，在结论中标注并做敏感性说明。时间窗的选择还要考虑工单量的季节性，尽量让前后两期处于相似的业务节奏中。
分母方面，自助解决率的分母必须前后一致。常见的选择有两种：全部提交请求，或全部咨询请求。前者包含用户直接找人工的情况，后者只含进入自助环节的请求。两种口径都能用，但不能前后混用。建议在口径对照表中写明分母定义，并在报告中固定使用。
分类映射方面，整合常伴随工单分类调整。需要建立新旧分类对照表，把旧分类归并到新分类，或反向映射到统一的分析分类。映射后仍无法对应的记录，单列为“未映射”，不并入任何一类，避免污染比率。
缺失值与渠道归并方面，旧入口下线后，其历史数据应保留在原渠道标签下，对比期数据按新入口标签统计，分析时通过映射表合并。对于提交渠道缺失的记录，按可识别的来源归并；无法识别的，单独统计并在结论中说明占比。缺失占比过高时，相关指标的结论应降级为参考。
| 口径项 | 整合前 | 整合后 | 处理方式 |
|---|---|---|---|
| 时间窗 | 连续八周 | 连续八周 | 等长，避开异常期 |
| 自助解决率分母 | 全部提交请求 | 全部提交请求 | 前后一致，报告中固定 |
| 工单分类 | 旧分类体系 | 新分类体系 | 建立新旧对照表，未映射单列 |
| 旧入口数据 | 按原渠道标签 | 按新入口标签 | 分析时通过映射表合并 |
| 缺失渠道记录 | 单独统计 | 单独统计 | 说明占比，过高时结论降级 |
计算与评估步骤：从取数到得出结论
按以下五步执行，每一步都留下输入、计算动作和输出，保证他人可以复算。
第一步，确定基线与对比期，锁定取数范围。基线期取整合上线前的等长周期，对比期取上线后的等长周期，中间可留一段过渡期不纳入。取数范围按S2确定的渠道、工单类型和用户群体锁定，形成取数清单。
第二步，按统一口径计算各指标。比率类指标的公式统一写成“分子除以分母”，并记录分子数、分母数和样本量。例如自助解决率等于自助解决且未转人工的请求数除以全部提交请求数；跨入口重复提交率等于重复提交次数除以提交总次数。时长类指标取中位数，并记录四分位数，观察分布变化。
第三步，计算前后差值与变化率。差值用对比期减基线期，变化率用差值除以基线期数值。同时标注样本量，样本量过小的指标不计算变化率，只报告绝对数和方向。
第四步，结合业务量与用户结构解释差异。业务量明显上升时，响应时长可能自然变长，需要区分是入口整合的影响还是负载变化。用户结构变化，比如新纳入一批用户，也会改变自助解决率，应做分层对比或说明。
第五步，形成结论并标注不确定项。结论按“指标—变化—可能原因—可信度”四栏表述，把受干扰因素影响较大的指标标为待观察，把多指标一致且样本充足的变化标为较可信。
| 步骤 | 输入 | 计算动作 | 输出 |
|---|---|---|---|
| 1 确定周期与范围 | 上线时间、取数清单 | 划定基线与对比期，锁定渠道、类型、群体 | 取数范围说明 |
| 2 计算指标 | 原始提交与工单记录 | 按公式算分子、分母、样本量、中位数 | 指标计算表 |
| 3 计算差值 | 指标计算表 | 对比期减基线期，算变化率 | 前后对比表 |
| 4 解释差异 | 业务量、用户结构数据 | 分层对比，识别干扰因素 | 差异说明 |
| 5 形成结论 | 对比表与差异说明 | 按可信度分级表述 | 结论与不确定项清单 |
例子：一次入口整合的前后对比
以下为演示情景，数字用于说明计算过程，不代表任何真实项目结果。某服务台整合前有五个入口，分属网页、移动端、聊天工具、邮件四类；整合后收敛为一个统一入口。基线期与对比期各取连续八周，统计范围为用户提交的全部服务请求，自助解决率分母统一为全部提交请求。
入口分散度方面，入口数量从五个降为一个，入口类型数从四类降为一类。抽样两百名用户，基线期人均使用过的入口数为二点一个，对比期为零点九个。跨入口重复提交率方面，基线期提交总次数为四千次，识别出重复提交三百二十次，重复提交率为百分之八；对比期提交总次数为三千八百次，重复提交一百一十四次，重复提交率为百分之三。
整合效果方面，基线期全部提交请求为四千次，自助解决且未转人工为两千次，自助解决率为百分之五十；对比期为三千八百次，自助解决为两千两百八十次，自助解决率为百分之六十。转人工率基线期为百分之四十，对比期为百分之三十。一次提交完成率基线期为百分之七十二，对比期为百分之八十一。重复工单率基线期为百分之六，对比期为百分之三点五。首次响应时长中位数从六小时降为四小时，解决时长中位数从三十小时降为二十四小时。
| 指标 | 基线期 | 对比期 | 差值 |
|---|---|---|---|
| 入口数量（个） | 5 | 1 | -4 |
| 入口类型数（类） | 4 | 1 | -3 |
| 人均使用入口数（个/人） | 2.1 | 0.9 | -1.2 |
| 跨入口重复提交率（%） | 8.0 | 3.0 | -5.0 |
| 自助解决率（%） | 50.0 | 60.0 | +10.0 |
| 一次提交完成率（%） | 72.0 | 81.0 | +9.0 |
| 转人工率（%） | 40.0 | 30.0 | -10.0 |
| 重复工单率（%） | 6.0 | 3.5 | -2.5 |
| 首次响应时长中位数（小时） | 6 | 4 | -2 |
| 解决时长中位数（小时） | 30 | 24 | -6 |
解读时，入口数量、类型数和人均使用入口数的下降直接反映整合动作本身，可信度较高。自助解决率上升十个百分点、转人工率下降十个百分点、重复提交率下降五个百分点，方向一致，且分母规模相近，可以认为整合与这些变化相关。但对比期提交总次数比基线期少两百次，若同期业务咨询量本身在下降，自助解决率的上升可能部分来自请求结构变化，需要结合业务量数据确认。首次响应与解决时长的缩短，也可能受工单量下降影响，应查看同期人工受理量的变化后再下结论。
解读与限制：哪些结论能下，哪些要谨慎
指标变化只能说明现象，不能直接当作因果结论。入口整合往往与知识内容更新、人员调整、系统改版同时发生，单指标上升无法区分是哪项动作带来的。结论表述建议采用“在某某期间，某指标从多少变为多少，与入口整合方向一致，同时存在某干扰因素”的写法，把观察、关联和不确定分开说。
分母为零或样本过小时，不计算比率，只报告绝对数。例如某类工单在对比期只有个位数提交，其自助解决率没有统计意义，应标注样本不足。对于时长类指标，样本量小于三十时中位数的波动较大，建议同时给出四分位数或直接标注仅供参考。
业务量、用户结构和季节因素都会影响指标。业务量上升会拉长响应时长，用户结构变化会改变自助解决率，节假日和活动期会改变咨询类型分布。处理方式包括：做分层对比，比如按用户群体或工单类型分别看；做同期对照，比如选取未纳入整合的渠道或群体作为参照；在结论中列出已识别的干扰因素及其影响方向。
提高结论可信度，可以用多指标交叉验证：自助解决率上升、转人工率下降、重复提交率下降同时出现，比单一指标变化更有说服力。补充定性证据也有帮助，比如用户反馈中关于“找不到入口”的提及次数、入口点击路径的分布变化、客服记录中改道和重复询问的比例。定性证据与定量指标方向一致时，结论可以更明确；方向冲突时，应优先检查口径和数据质量。
最后，评估报告应附上口径对照表、指标计算表和取数范围说明，让读者能够复算。对于受干扰较大的指标，明确写出“待下一周期观察”，比给出一个看似确定的结论更可靠。
常见问题
整合后旧入口下线，历史数据怎么处理才不会让比率虚高？
旧入口下线后，其历史数据应保留在原渠道标签下，对比期数据按新入口标签统计，分析时通过新旧渠道映射表合并。这样分母不会因为渠道消失而缩小，自助解决率、重复提交率等比率类指标才不会出现虚高。对于提交渠道缺失的记录，按可识别的来源归并；无法识别的单独统计，并在结论中说明占比，占比过高时相关指标的结论降级为参考。
整合同时调整了工单分类，前后数据还能直接比吗？
不能直接按新分类去比旧数据，需要先建立新旧分类对照表，把旧分类归并到新分类，或反向映射到统一的分析分类。映射后仍无法对应的记录单列为“未映射”，不并入任何一类，避免污染比率。分类映射完成后，再按统一口径计算各项指标，并在报告中附上对照表，方便他人复算和核对。
自助解决率上升了，就能说明入口整合有效吗？
只能说明现象与整合方向一致，不能直接当作因果结论。入口整合往往与知识内容更新、人员调整、系统改版同时发生，单指标上升无法区分是哪项动作带来的。建议用多指标交叉验证：自助解决率上升、转人工率下降、重复提交率下降同时出现，比单一指标变化更有说服力；再补充用户反馈中“找不到入口”的提及次数、入口点击路径分布等定性证据。方向一致时结论可以更明确，方向冲突时应优先检查口径和数据质量。
样本量很小或某类工单分母为零时怎么处理？
分母为零或样本过小时不计算比率，只报告绝对数。例如某类工单在对比期只有个位数提交，其自助解决率没有统计意义，应标注样本不足。时长类指标在样本量小于三十时中位数波动较大，建议同时给出四分位数，或直接标注仅供参考。样本量过小的指标也不计算变化率，只报告绝对数和变化方向。
业务量同期明显变化，评估结论怎么写才稳妥？
业务量上升会拉长响应时长，用户结构变化会改变自助解决率，这些干扰需要在结论中单独说明。处理方式包括做分层对比，按用户群体或工单类型分别看；做同期对照，选取未纳入整合的渠道或群体作为参照；在结论中列出已识别的干扰因素及其影响方向。结论表述建议采用“在某期间，某指标从多少变为多少，与入口整合方向一致，同时存在某干扰因素”的写法，把观察、关联和不确定分开说，受干扰较大的指标标注待下一周期观察。
