统计模板优化后的补录返工，做法是把模板优化上线时间作为分界，在同一类工单上定义返工事件，用返工工单数除以同期有效工单数得到返工率，并同时记录返工次数、返工字段分布和返工耗时。返工率回答“填完还要不要再改”，信息完整率回答“填得全不全”，填写耗时回答“填得快不快”，三项指标同窗口、同范围配合，才能判断模板优化是否真正减少了补录。
要点总览（TL;DR）
- 补录返工统计以模板优化上线为分界，取上线前后等长时间窗，在同一批工单类型上做自身对比。
- 返工率=返工工单数÷同期有效工单数×100%，同时记录返工次数、返工字段分布和返工耗时，避免单一比率掩盖结构差异。
- 返工事件按四类信号识别：被退回补充、关键字段二次编辑、状态回退、评论或备注要求补录；证据不足的工单单列，不随意并入分子或剔除分母。
- 三项指标分工明确：返工率看“填完还要不要再改”，完整率看“填得全不全”，填写耗时看“填得快不快”，需同窗口、同范围、同分层配合使用。
- 分母为零或单层样本过少时标注样本量、不强行给结论；返工率下降可能来自模板改进，也可能来自提报习惯或审核口径变化，指标用于验证模板方向，不直接作为个人绩效依据。
评估目标：模板优化要验证什么
这次度量的判断对象是模板本身，结论用于决定模板是否继续迭代、哪些字段需要调整，不用于评价某个提报人或处理人的工作表现。把目标定在模板上，取数和解读才不会跑偏。
对比方式采用优化上线前后的自身对比：以模板新版本正式启用时间为分界，取上线前一段等长的时间窗作为基线，取上线后一段等长的时间窗作为观察期，比较同一批工单类型在两项窗口内的表现。跨不同工单类型直接比较意义有限，因为复杂度差异会掩盖模板变化带来的影响。
三项指标各有分工，需要一起看：
- 补录返工率：工单提交后因字段缺失、分类错误、描述不清被要求补充或二次修改的比例，反映模板是否把该收的信息一次收齐。
- 信息完整率：首次提交时必填字段齐全的工单占比，反映模板的必填设计和填写引导是否到位。
- 填写耗时：提报人从打开模板到提交的时长，反映模板的填写负担。
三项指标同向改善，说明模板在“收得全、填得快、少返工”上都有进展；若完整率上升而返工率不降，往往说明必填字段增加了，但关键判断信息仍缺，需要回到字段设计上找原因。
指标与范围：返工率、完整率、填写耗时怎么界定
指标定义要先固定分子、分母、时间窗和单位，否则前后两次统计的口径容易不一致，结论无法复算。下表给出三项指标的建议定义，实际使用时按团队工单体系调整字段名称，公式结构保持不变。
| 指标 | 公式 | 分子 | 分母 | 时间窗 | 单位 |
|---|---|---|---|---|---|
| 补录返工率 | 返工工单数 ÷ 同期有效工单数 × 100% | 观察期内至少发生一次返工事件的工单数（同一工单多次返工只计一次） | 同期创建且状态有效的工单数 | 与基线窗口等长，如各4周 | % |
| 返工次数（辅助） | 返工事件总数 ÷ 返工工单数 | 按事件计数的返工总次数 | 返工工单数 | 同上 | 次/单 |
| 信息完整率 | 首提必填字段齐全工单数 ÷ 有效工单数 × 100% | 首次提交时必填字段全部有值的工单数 | 同期有效工单数 | 同上 | % |
| 填写耗时 | 提交时间 − 打开模板时间 | 逐单时长，取中位数与P75、P90分位值 | — | 同上 | 分钟 |
返工次数需要区分两种口径：工单级返工率按工单计，一张工单返工三次仍只算一张返工工单，适合衡量“有多少工单需要返工”；事件级计数按每次返工分别记录，适合衡量“返工有多频繁”。两个口径同时保留，可以避免返工率持平但单均返工次数上升的情况被忽略。
填写耗时用中位数和分位值而非平均值，原因是少数长时间挂起的工单会把平均值拉高，中位数更能代表典型填写体验。P90可以反映填写困难工单的尾部情况。
统计范围需要事先写清：纳入哪些工单类型、哪些提报渠道（门户、邮件、即时通讯转单等）、哪些处理团队；排除测试单、演示单、重复提交单和已作废工单。范围一旦确定，基线和观察期保持一致，中途新增的工单类型单独分层统计，不混入总体。
数据口径与证据：返工事件从哪里取
返工事件不能靠印象判断，需要有可追溯的记录作为证据。常见的判定信号有四类：工单被退回要求补充信息；提交后关键字段被二次编辑；工单状态回退到待补充或待完善；评论或处理备注中明确要求提报人补录。四类信号可以同时使用，同一工单命中多类信号时按一张返工工单计。
字段级证据是定位模板缺陷的关键。统计时要记录每次返工涉及哪些字段，例如“影响范围”被补填、“问题分类”被改判、“复现步骤”被要求补充。按字段汇总返工次数，出现频次高的字段就是模板需要调整的位置：可能是必填未设、选项设计不合理，或者填写说明不清楚。
数据来源主要包括工单流转记录、字段修改历史、评论与退回原因。取数时需要确认以下时间戳可用：首次提交时间（用于判断首提完整性）、返工发生时间（用于归入观察期）、最终关闭时间（用于计算返工耗时）。返工耗时可以定义为从首次提交到返工后再次提交通过的时长，用于衡量返工带来的额外处理成本。
缺失数据要单独处理：字段修改历史缺失、退回原因未填写的工单，单列为“证据不足”组并注明数量，不并入返工分子，也不从分母中随意剔除。若证据不足组占比过高，应先说明数据可追溯性不足，再讨论指标结论。
当工单字段、流转状态和退回原因都在同一套系统里记录时，取数会顺畅很多。ONES Desk 支持自定义工单属性和工单内容配置，可按收集场景设置字段；工作流可灵活调整，退回补充、状态回退等节点能够对应到返工信号；工单分析报表提供统计视图。字段修改历史与退回原因的具体记录方式、报表可输出的指标项，建议在试用中按本文口径逐项核验后再定稿取数方案。
计算与评估步骤：从取数到得出结论
计算流程按以下顺序执行，每一步都产出可核对的中间结果，便于他人复算。
- 确定优化前后两个等长时间窗。以模板新版本启用日为分界，向前取4周为基线，向后取4周为观察期；若上线后首周存在适应期，可单独标注但不随意剔除。
- 抽取有效工单并标记返工事件。按既定范围筛选工单，逐单比对四类返工信号，标记是否返工、返工次数、涉及字段和返工时间。
- 分别计算三项指标。返工率与完整率按公式计算百分比，填写耗时取中位数和P75、P90，同时输出样本量。
- 按工单类型或渠道分层对比。总体数字可能掩盖结构差异，例如某类工单返工率下降而另一类上升，分层后才能看到模板改动对哪类场景有效。
- 核对分母与样本。分母为零时标注“无有效样本”，不计算比率；样本量过少（例如单层不足30单）时只列绝对数和样本量，不强行给结论。
分层对比表可按以下框架组织，基线期与观察期并列，便于直接比较：
| 分层 | 有效工单数（前/后） | 返工率（前/后） | 完整率（前/后） | 填写耗时中位数（前/后） | 主要返工字段 |
|---|---|---|---|---|---|
| 类型A | — | — | — | — | — |
| 类型B | — | — | — | — | — |
| 渠道C | — | — | — | — | — |
判断标准以自身前后对比和分层差异为依据，不设通用达标线。返工率下降、完整率上升、填写耗时中位数不升或小幅上升，可以认为模板方向有效；若返工率未降而完整率明显上升，说明必填项增加了但关键信息仍缺，应结合返工字段分布继续调整。
例子：一次模板优化的返工统计演示
以下为演示情景，数字用于说明计算过程，不代表任何真实团队的表现。
某团队对“系统故障报修”工单模板做了优化：新增“影响范围”必填项，将“问题分类”改为两级选项，补充复现步骤填写示例。优化上线前后各取4周，纳入该类型有效工单，排除测试单和重复单。
基线期有效工单200张，其中因字段缺失或分类错误被退回补充的工单40张，返工率 = 40 ÷ 200 × 100% = 20.0%；这40张工单共发生返工事件52次，单均返工1.3次。首提必填字段齐全的工单150张，完整率 = 150 ÷ 200 × 100% = 75.0%。填写耗时中位数8分钟，P90为25分钟。
观察期有效工单210张，返工工单32张，返工率 = 32 ÷ 210 × 100% ≈ 15.2%；返工事件38次，单均1.19次。完整率 = 176 ÷ 210 × 100% ≈ 83.8%。填写耗时中位数9分钟，P90为22分钟。
分层看，该类型下“网络故障”子类返工率从18%降到9%，改善明显；“账号权限”子类返工率从22%升到24%，没有下降。查看返工字段分布发现，账号权限类工单的返工集中在“所属系统”字段，原因是两级分类里该系统名称与提报人日常叫法不一致，提报人首提时选错，处理人退回改判。这提示模板改进点不在必填项数量，而在选项命名和搜索方式。
从数据到改进点的推导路径是：先看总体返工率是否下降，再看分层中哪一类没有改善，然后查该类工单的返工字段分布，最后回到模板的字段设计、选项设计或填写说明上定位具体改动。填写耗时中位数从8分钟升到9分钟，与新增必填项相符，P90下降说明示例说明减少了反复查找的时间，这一升一降需要在下一轮迭代中继续观察。
解读与限制：指标说明什么、不说明什么
返工率下降可以支持“模板改动方向有效”的判断，但不能单独证明因果。提报习惯变化、审核口径放宽、工单复杂度下降，都可能让返工率下降。解读时应同时核对审核标准是否调整、工单类型构成是否变化，必要时在报告中注明这些并行因素。
完整率高不等于信息有用。必填字段可以靠强制校验做到齐全，但字段内容是否足以支撑处理，要看返工字段分布和退回原因。完整率与返工率同时改善，才更可信地说明模板既收齐了信息，也收对了信息。
填写耗时受工单复杂度影响明显，跨类型比较意义有限，应在同一分层内做前后对比。新增必填项通常会让耗时小幅上升，只要返工率同步下降，整体处理成本可能反而降低，这一权衡需要在报告中说明。
样本量小、时间窗内发生流程变更或人员调整时，前后数据可比性会下降。此时应缩小结论范围，只描述观察到的变化，不给出趋势判断。分母为零的分层标注样本情况，不计算比率。
三项指标用于验证模板迭代方向，不直接作为个人绩效依据。把返工率挂到提报人身上，容易导致提报人规避复杂工单或延迟提交，反而污染数据。指标服务于模板改进，这个定位需要在统计开始前就与相关团队对齐。
常见问题
模板优化上线后首周数据波动明显，这段时间要不要剔除？
不建议直接剔除。上线首周往往存在适应期，提报人还在熟悉新字段和选项，返工率可能短暂偏高或偏低。更稳妥的做法是把首周单独标注出来，在报告中说明其特殊性，同时保留在观察期内参与计算，另附一份剔除首周后的结果作为参考。两种口径并列呈现，读者可以自行判断适应期影响有多大。如果首周出现系统故障、批量导入等异常事件，才考虑单列说明，并注明剔除原因和剔除后的样本量。
同一张工单被退回两次，返工率里算一次还是两次？
工单级返工率只算一次：一张工单在观察期内只要发生过至少一次返工事件，就计入返工工单数，无论返工几次。这样衡量的口径是“有多少工单需要返工”。如果需要反映返工频繁程度，另设事件级指标，按每次返工分别计数，计算返工事件总数与返工工单数之比，得到单均返工次数。两个口径同时保留，可以避免返工率持平但单均返工次数上升的情况被忽略。报告中应写明采用的口径，前后两次统计保持一致。
返工字段分布怎么汇总才有用？
按字段维度汇总每次返工涉及的字段，统计各字段被补录或被改判的次数，再除以该字段所在工单类型的返工工单数，得到字段返工占比。占比高的字段就是模板需要优先调整的位置。汇总时区分两类情况：字段缺失导致的补录，指向必填设置或填写引导问题；字段内容被改判，指向选项设计或命名问题。两类原因的改进动作不同，混在一起汇总会削弱结论的指向性。字段级证据依赖字段修改历史和退回原因记录，取数前先确认这些记录可追溯。
模板优化同时调整了字段和审核标准，返工率下降还能说明模板有效吗？
这种情况下因果判断会变弱。审核标准放宽本身就会让退回补充减少，返工率下降可能部分来自审核口径变化，而非模板改进。处理办法是在报告中列出同期发生的并行变化，包括审核标准调整、工单类型构成变化、处理人员调整等，并尽量找到未受审核标准影响的子类做对照。如果无法分离影响，结论应缩小为“观察到返工率下降”，说明可能的来源，不给出“模板改动导致返工下降”的因果表述。下一轮迭代时保持审核标准稳定，再观察一次，结论会更可靠。
填写耗时变长了，是不是说明模板优化失败？
不能单看填写耗时下结论。新增必填项或补充填写说明，通常会让填写耗时小幅上升，但只要返工率同步下降，整体处理成本可能反而降低，因为返工带来的二次沟通和等待时间被省掉了。判断时要看三项指标的组合：返工率下降、完整率上升、填写耗时中位数小幅上升且P90下降，通常说明模板收齐了关键信息，同时示例说明减少了填写困难工单的反复查找。若填写耗时大幅上升而返工率没有改善，才需要回到字段设计上检查必填项是否过多、选项是否过于复杂。填写耗时应在同一分层内做前后对比，跨类型比较意义有限。
