分析指标

对所有工单中 Solvea 成功响应的消息进行分析，检查 AI 在对话中的表现：

▶︎ 消息维度：总消息量、Solvea处理消息数、人类客服处理消息数

▶︎ 工单维度：工单总量、AI回复、AI处理、转交人工，

▶︎ 近四周消息数据表现：周度数据及周环比

▶︎ 近四周工单数据表现：周度数据及周环比

业务洞察

一、基础运营状态诊断

1. 业务活跃度分析：通过总消息量、工单总量，判断所选时间段内业务的“淡旺季” 或运营节奏 。
2. AI 与人工分工效率：对比 Solvea 处理消息数、人类客服处理消息数占总消息量的比例，以及 AI 回复、AI 处理占工单总量的比例，分析 AI 替代人工的程度，评估 AI 应用对人力成本的优化效果。

二、趋势与波动洞察（结合周度数据及环比）

1. 消息与工单趋势：观察近四周消息、工单的周度数据变化，比如某周总消息量突然上升，结合业务场景（如促销活动、故障高发等 ）分析原因；通过周环比（本周数据较上周的变化率 ），判断业务量是持续增长、下滑还是波动，提前预警业务异常 。
2. AI 服务效能趋势：看近四周 AI 回复、AI 处理的周度数据及环比，了解 AI 服务能力的稳定性。若 AI 处理量环比持续下滑，排查是否业务场景复杂度提升从而超出 AI 应对能力，由此对 AI 处理流程。
3. 人工介入趋势：分析转交人工的周度数据及环比，若转交人工占比持续升高，可能是 AI 服务未有效解决问题，需优化 AI 训练数据、规则；也可能业务需求更复杂，要补充人工服务资源或调整服务流程 。

三、问题定位与优化方向

1. 服务断点排查：若总消息量高但 AI 处理转化低、转交人工多，梳理 AI 回复逻辑漏洞，比如是否对高频问题回答不准确；检查工单流转机制，看是否因分类不清导致 AI 误判、人工重复处理 。
2. 资源调配优化：依据近四周数据的波峰波谷，调整人力、AI 算力资源。如业务高峰周提前增配客服人力、调整 AI 服务响应设置。
3. 用户体验分析：结合消息、工单处理路径（AI 到人工的转交情况等 ），模拟用户交互流程，找出体验痛点。

操作步骤

① 登录后点击左侧栏「数据分析」，选择「Solvea 处理的消息总量」，跳转后页面会展示 Solvea 成功响应了的工单与消息数据

② 在此可以进行 Solvea 响应时间的筛选

③ 在此可以对用户消息的来源渠道进行筛选