客户服务数据模板

Freshdesk

← 返回改进指南

客户服务属性(19) 客户服务活动(13) 数据提取指南(3)

客户服务数据模板

此模板介绍了开展客户服务分析所需的关键数据属性和流程活动，并提供实用的数据提取指南，帮助您高效收集数据。借助这份资料，您可以简化数据收集流程，为深入开展流程挖掘做好准备。

建议收集的属性
建议跟踪的关键活动
数据提取指南

刚接触事件日志？了解如何创建流程挖掘事件日志.

下载模板

客户服务属性

以下是建议纳入事件日志的数据字段，可用于全面分析客户服务并深入了解流程。

3 必填 4 建议填写 12 选填

	名称	说明
	事件时间 EventTime	表示特定活动或事件发生时间的时间戳。
说明事件时间即时间戳，用于记录活动发生的准确日期和时间。它对于按时间顺序排列事件，以及计算流程不同步骤之间的时长至关重要。每项记录的活动都必须有对应的时间戳。分析时，此属性用于构建每个服务请求的时间线，也是计算所有时间类KPI的基础，例如解决时间、首次响应时间和瓶颈持续时间。准确的时间戳对于了解流程表现和发现延误至关重要。重要性此时间戳对于按时间顺序排列事件，以及计算周期时间和SLA达成情况等所有基于时长的指标至关重要。获取途径对应Freshdesk API中与工单事件、回复或状态变更相关的“created_at”或“updated_at”字段。示例 2023-10-25T10:00:00Z2023-10-25T10:05:14Z2023-10-26T14:30:00Z
	服务请求 ServiceRequest	用于唯一标识单个客户咨询或问题，通常称为工单或案例。
说明服务请求是主要案例标识符，用于关联单次客户互动中的所有活动。每个新的客户咨询、问题或请求都会生成唯一的服务请求ID。从创建、分配到解决和关闭，工单整个生命周期内此ID始终不变。在流程挖掘中，此属性是还原每个客户案例端到端历程的基础。分析人员将相关事件归入同一服务请求ID后，即可将流程可视化、衡量周期时间，并发现影响个别案例的差异或瓶颈。重要性这是关键的案例ID，可将所有相关事件关联为同一个流程实例，从而完整呈现每个客户服务历程。获取途径这是Freshdesk中的主要工单ID，通常对应“工单”API端点中的“id”字段。示例 SR-2023-10-4831SR-2023-11-0192SR-2023-11-5210
	活动 Activity	客户服务流程中发生的特定业务事件或步骤的名称。
说明活动属性表示服务请求生命周期中的一项独立操作或状态变更。它记录“工单已创建”“工单已分配”“已发送首次回复”和“工单已解决”等关键业务事件。这些活动构成流程图中的节点。分析活动的顺序和频率是流程挖掘的核心。通过此分析，您可以将流程可视化、识别常见和少见路径，并发现偏离标准操作流程的情况。了解活动对于定位效率低下、返工循环（例如“工单已重新打开”）或合规问题至关重要。重要性此属性定义流程图中的步骤，便于将流程从开始到结束可视化并进行分析。获取途径根据Freshdesk中的事件类型推导。数据可以结合“工单”API端点中的状态变更，以及“对话”端点中的备注或回复等特定事件。示例工单已创建已发送首次回复状态已更改为待处理工单已解决工单已关闭
	优先级 Priority	服务请求的优先级，例如“低”“中”“高”或“紧急”。
说明优先级属性反映服务请求的紧急程度，通常决定目标响应时间和解决时间。优先级可以根据规则自动设置，也可以由客服人员在分流时手动设置。分析SLA是否达标以及资源分配情况时，这项属性必不可少。按优先级筛选流程图，分析人员可以判断高优先级工单是否确实比低优先级工单处理得更快。还可以了解优先级变更这种返工情况是否常见，以及它对流程有何影响。重要性这项属性对于SLA分析至关重要，可帮助您了解资源分配是否合理，确保高优先级问题比低优先级问题更快得到处理。获取途径对应Freshdesk“Tickets”对象中的“priority”字段。示例低中高紧急
	分配的客服人员 AssignedAgent	事件发生时负责处理工单的客服人员姓名或ID。
说明此属性用于标识负责处理服务请求的具体客服人员。工单生命周期中，客服人员可能因重新分配或升级处理而发生变化。按分配的客服人员分析数据，对于绩效管理仪表板至关重要。您可以据此衡量客服人员个人KPI，例如平均解决时间、工单量和重新打开率。这有助于发现表现出色的客服人员、了解培训需求，并分析人员转派对整体解决时间的影响。重要性支持按客服人员个人分析绩效，帮助发现表现出色的人员、培训机会，以及重新分配的影响。获取途径对应Freshdesk“工单”对象中的“responder_id”字段，可进一步与客服人员详情关联。示例 Alice JohnsonRobert SmithMaria Garcia
	服务请求类型 ServiceRequestType	服务请求的分类，例如“咨询”“事件”“问题”或“功能请求”。
说明服务请求类型是重要的分类字段，用于界定客户咨询的性质。通常在创建工单或初步分类时设置此属性，以便将请求分派给合适的团队或客服人员。分析时，此属性可用于细分流程，了解不同类型请求的处理方式。它有助于回答“事件类请求是否比咨询类请求解决得更慢？”以及“哪些类型的请求最常被重新打开？”等问题。按类型细分对于发现特定类型的瓶颈并相应优化工作流至关重要。重要性支持按流程细分，比较不同客户问题类型的表现和工作流，例如事件与咨询。获取途径这可能对应Freshdesk“工单”对象中的“type”字段。示例咨询事件问题功能请求
	状态 Status	服务请求当前或历史状态，例如“未处理”“待处理”“已解决”或“已关闭”。
说明状态属性表示服务请求在某个时间点所处的状态。状态变化通常对应流程中的关键节点。例如，等待客户提供信息时，状态会从“未处理”变为“待处理”；客户回复后，则会从“待处理”变为“未处理”。跟踪状态变化是了解工单生命周期的基础。通过这一属性，您可以查看工单在各状态下停留的时间，从而发现瓶颈。例如，工单长时间处于“待处理”状态，可能意味着等待客户提供信息造成了延迟。重要性跟踪状态变化有助于了解工单生命周期，并分析工单在“待处理”或“暂挂”等状态下停留了多久。获取途径对应Freshdesk“Tickets”对象中的“status”字段。历史状态需要根据活动日志推断。示例未处理待处理已解决已关闭
	SLA目标解决时间 SlaTargetResolutionTime	合同约定或设定的服务请求解决时限。
说明此属性定义了根据服务级别协议（SLA）解决服务请求的目标时限。目标通常取决于工单的优先级或类型。这是计算SLA达标情况的重要依据。将实际解决时间与目标时限进行比较，即可判断是否“达标”或“超时”。按请求类型、团队或客服人员分析SLA绩效，是服务管理的核心工作之一。重要性为衡量SLA达标情况提供基准，这是所有客户服务组织的重要绩效指标。获取途径 Freshdesk“Tickets”对象中可能提供“fr_due_by”（首次响应）或“due_by”（解决）等字段；也可能需要根据SLA策略规则推算。示例 2023-10-25T14:00:00Z2023-10-27T09:00:00Z2023-11-01T17:00:00Z
	产品 Product	客户请求所涉及的产品或服务。
说明此属性用于指定服务请求涉及的产品或服务线。通常，这是在Freshdesk中配置的自定义字段，用于工单分类、分派和报告。按产品筛选流程，组织可以发现特定产品相关的问题。例如，分析可以显示某款产品是否产生了过多支持工单，或新产品发布是否导致咨询量激增。这些结果可为产品开发和管理团队提供有价值的反馈。重要性可按产品领域筛选流程，了解哪些产品产生的支持请求最多，或解决时间最长。获取途径这通常是自定义字段。具体位置取决于Freshdesk配置，可能位于“Tickets”API响应的“custom_fields”部分。示例 Alpha平台Beta移动应用Gamma订阅
	受分派组 AssignedGroup	负责处理服务请求的团队或部门。
说明受分派组表示负责处理特定服务请求的客服团队。工单通常会根据类型或复杂程度分派给专门团队，例如“技术支持”或“账单部门”。此属性有助于分析部门间的交接情况和团队绩效。您可以了解各组处理的工单数量、解决时间最长的组，以及工单在组间转派的频率。这些信息有助于优化团队架构和工作流。重要性可按团队或部门分析绩效，了解交接情况并发现各组特有的瓶颈。获取途径对应Freshdesk“Tickets”对象中的“group_id”字段。示例一级支持二级技术支持账单客户成功
	客户名称 CustomerName	发起服务请求的客户名称或ID。
说明此属性用于识别与服务请求相关的客户，便于从客户视角分析流程，并跟踪特定客户一段时间内的所有互动。按客户分析可以发现一些规律，例如哪些客户提交的工单最多，或哪些客户的工单反复重新打开。这些信息有助于制定客户成功计划，并识别可能因服务体验不佳而流失的客户。它对于了解客户在多个服务请求中的端到端旅程也至关重要。重要性从客户视角查看流程，帮助识别频繁提交请求的客户或反复遇到问题的客户。获取途径此信息通过“Tickets”对象中的“requester_id”关联，并连接到Freshdesk中的“Contacts”或“Users”对象。示例 John DoeJane SmithGlobal Tech Inc.
	客服转派次数 AgentTransferCount	服务请求从一名客服人员转派给另一名客服人员的总次数。
说明此属性是案例级指标，用于统计工单受分派客服人员发生变更的次数。计算方式为统计每个服务请求中“Ticket Reassigned”活动的出现次数。频繁转派也称为“乒乓式转派”，每次交接都可能造成上下文信息丢失，导致明显延迟和糟糕的客户体验。分析转派次数有助于发现初始分派不当、客服技能不足或流程过于复杂等问题。通常应尽量减少不必要的转派，以提升效率和客户满意度。重要性衡量内部交接频率。交接可能造成延迟并令客户不满；分析此指标有助于提升一线解决率。获取途径计算字段，统计每个唯一服务请求中的“Ticket Reassigned”活动次数。示例 0132
	数据最后更新时间 LastDataUpdate	表示数据上次从源系统刷新时间的时间戳。
说明此属性记录数据集上次从Freshdesk提取或更新的日期和时间。它能清楚说明所分析数据的新旧程度，这对于及时做出相关业务决策至关重要。分析人员可借此了解数据覆盖的时间范围，并确认使用的是当前可用的最新信息。对于任何流程挖掘仪表板或报告，这都是一项重要的元数据，可让相关人员了解数据的时效性。重要性显示数据的时效性，确保分析和决策依据的是最新信息。获取途径这是数据提取过程中生成的元数据字段，用于记录数据提取的时间戳。示例 2023-12-01T08:00:00Z
	是否超出SLA时限 IsSlaBreached	布尔标记，用于表示服务请求的解决时间是否超过SLA目标时限。
说明此计算属性为每个服务请求提供明确的SLA达标与否标记。它通过比较实际“ResolutionTime”和“SlaTargetResolutionTime”得出。如果实际时间超过目标时限，标记值为true。此属性简化了SLA达标情况的分析和仪表板展示。您可以轻松统计和筛选超时工单，快速了解未达标的规模，并逐级下钻分析这些工单的流程模式，查找根本原因。它直接支持SLA合规概览仪表板和KPI。重要性为每个未达到目标时限的案例提供明确标记，简化SLA达标情况分析，并支持对超时问题进行根因分析。获取途径计算字段，通过比较实际解决时间戳与Freshdesk中的“SlaTargetResolutionTime”或“due_by”字段得出。示例 truefalse
	是否重新打开 IsReopened	布尔标记，用于表示已解决的服务请求是否曾被重新打开。
说明此案例级属性用于标记服务请求在生命周期内是否发生过“Ticket Reopened”活动。它可以帮助您快速识别和分析需要返工的案例。工单重新打开率较高，说明首次解决可能不够有效或不够彻底，导致效率下降、客户不满。筛选重新打开的工单后，分析人员可以调查根本原因，例如常见的重新打开原因、重新打开率较高的客服人员或团队，以及最容易被重新打开的工单类型。重要性识别需要返工的案例，这是衡量解决质量和流程效率的重要指标。分析这些案例有助于提升首次联系解决率。获取途径计算字段。如果某个服务请求存在Activity = “Ticket Reopened”的事件，则设为true。示例 truefalse
	沟通渠道 CommunicationChannel	服务请求的发起渠道，例如“电子邮件”“电话”“聊天”或“Web门户”。
说明此属性用于识别客户沟通的来源或渠道。不同渠道的流程和解决时间可能各不相同。例如，通过聊天发起的请求，预期解决时间可能短于通过电子邮件提交的请求。按沟通渠道分析流程，有助于优化资源分配并了解各渠道的效率。分析结果可以显示哪些渠道解决问题更快、客户满意度更高，为渠道推广或投入决策提供依据。重要性可按电子邮件、电话或聊天等客户联系渠道分析流程绩效和效率。获取途径对应Freshdesk“Tickets”对象中的“source”字段。示例电子邮件电话Web门户聊天
	源系统 SourceSystem	数据提取自的系统，本例中为“Freshdesk”。
说明此属性用于标识流程数据的来源应用。在此分析中，该值为固定值，例如“Freshdesk”，表示所有事件均来自Freshdesk客户服务平台。此属性看似简单，但对于数据治理以及合并多个系统的数据十分重要。它能清晰说明数据来源和背景，帮助分析人员了解所查看数据的出处。这对于维护数据完整性、建立对分析结果的信任至关重要。重要性提供有关数据来源的重要背景信息，这对于数据治理和合并多个源系统的数据至关重要。获取途径这是数据转换过程中添加的固定值“Freshdesk”，用于标识数据源。示例 Freshdesk
	满意度评分 SatisfactionRating	工单解决后客户提供的满意度评分。
说明满意度评分是衡量结果的重要指标，通常通过工单解决后发送的调查问卷收集。评分一般为数值，也可能采用“满意”“一般”或“不满意”等类别。此属性可用于分析流程模式与客户结果之间的关系。通过分析导致低满意度评分的流程变体，组织可以找出对客户体验造成负面影响的具体行为或延迟，从而直接了解流程效率与客户满意度之间的联系。重要性将流程执行情况与客户结果关联起来，帮助识别哪些流程行为会带来较高或较低的客户满意度。获取途径此数据属于Freshdesk的满意度评分功能，可通过“Surveys”或“Satisfaction Ratings”API端点获取。示例 5314
	首次响应时间 FirstResponseTime	从工单创建到客服人员首次回复客户所经过的时间。
说明首次响应时间用于衡量客户收到客服人员首次非自动回复的速度。计算方式为“First Response Sent”活动与“Ticket Created”活动时间戳之差。这项KPI是衡量服务响应速度的重要指标，也会显著影响客户满意度。首次响应时间较短，能让客户知道问题已获悉并正在处理中。分析此指标有助于组织确保达到首次响应SLA，并及时响应客户。重要性衡量服务响应速度，这是影响客户满意度的关键因素，也直接关系到主动提供服务的目标。获取途径计算字段，表示“Ticket Created”事件与“First Response Sent”事件时间戳之间的时长。示例 3000009000001800000

必填建议填写选填

客户服务活动

以下是建议记录在事件日志中的关键流程步骤和重要节点，可用于准确发现流程并识别瓶颈。

5 建议填写 8 选填

	活动	说明
	工单已关闭	这是最后一项活动，表示工单已永久关闭。通常在工单处于“已解决”状态一段时间且客户没有新回复后，由系统自动执行。
重要性此活动标志着服务请求生命周期的正式结束，为准确计算端到端周期时间提供最终节点。获取途径从“工单活动”日志中获取，该日志会记录状态最终变为“已关闭”的变更。此变更通常由系统自动化触发。采集工单的“状态”字段更新为“已关闭”时记录此事件。事件类型 explicit
	工单已分配	表示将工单分配给特定客服人员或小组处理。每当客服人员或小组字段被填写或更改时，系统都会在工单历史记录中明确记录此事件。
重要性跟踪分配情况对于分析客服人员工作量、发现分派效率问题和衡量分配时间KPI至关重要。这有助于了解工作如何分配，以及工作开始前延误发生在哪里。获取途径从“工单活动”日志中获取，该日志会记录“客服人员”或“小组”字段的变更及其时间戳。采集客服人员或小组的“分配给”字段更新时记录此事件。事件类型 explicit
	工单已创建	这是客户服务生命周期中的首个事件，表示客户请求正式记录到Freshdesk的时刻。通过电子邮件、门户、电话或API集成创建新工单时，系统会明确记录此活动。
重要性此活动是每个案例的起点，是计算总体解决时间、按渠道或类型分析工单量的基础。获取途径这是Freshdesk“工单活动”日志中的明确事件。创建新工单记录时，系统会自动生成此事件。采集工单创建后，系统会直接在其活动流中记录此事件。事件类型 explicit
	工单已解决	这是一个重要节点，表示客服人员已提供解决方案，并将工单状态更改为“已解决”。工单历史记录会明确记录此状态变更。
重要性此活动标志着工单的主动处理结束，也是衡量解决时间的依据。它是分析客服人员表现和整体流程效率的重要事件。获取途径从“工单活动”日志中获取，该日志会记录状态变为“已解决”的具体变更及其时间戳。采集工单的“状态”字段更新为“已解决”时记录此事件。事件类型 explicit
	已发送首次回复	表示工单创建后，客服人员首次向客户发送公开回复。Freshdesk会明确记录此事件，用于衡量SLA跟踪所需的“首次响应时间”。
重要性这是衡量客户响应速度和SLA达成情况的重要节点。分析到达此活动所需的时间，有助于发现首次联系客户时的延误。获取途径 Freshdesk会为SLA用途跟踪此特定事件，对应客服人员添加首条公开评论的时间戳。采集根据工单对话历史中客服人员的首条公开回复识别。事件类型 explicit
	SLA未达标	当工单响应或解决所用时间超过SLA策略规定的目标时，就会发生此计算事件。Freshdesk会跟踪SLA状态，并将工单标记为“违规”，据此可推导出此活动。
重要性此活动可直接支持SLA达成情况分析，准确指出服务级别承诺未能兑现的时间和环节。这对于发现延误的系统性原因至关重要。获取途径通过观察工单的“SLA”状态推断或计算此事件。工单的SLA状态变为“已违规”时可以生成此活动，也可以通过将响应或解决时间戳与SLA目标进行比较来计算。采集当“解决时间”超过“SLA解决时间目标”时，根据工单数据推导此事件。事件类型 calculated
	客户已回复	表示收到客户的新回复或消息。这是工单对话线程中的明确事件，通常会触发状态从“待处理”变为“未解决”。
重要性此活动有助于了解客户互动中的双向沟通情况并衡量客户响应时间。它还会重新启动已暂停的SLA计时器，影响合规指标。获取途径作为工单对话线程中的新条目记录。此事件与客户联系人记录相关联。采集客户联系人在工单中添加了新的公开备注。事件类型 explicit
	工单优先级已更改	客服人员或自动化规则更改工单优先级时会发生此事件，例如从“低”改为“高”。工单活动日志会明确记录此更新。
重要性优先级变更可能意味着工单已升级处理，或问题紧急程度经过重新评估。分析这些变更有助于了解升级处理的原因及其对解决时间的影响。获取途径从“工单活动”日志中获取，该日志会记录工单属性的所有变更，包括“优先级”字段。采集 “优先级”字段值更新时记录此事件。事件类型 explicit
	工单已重新分配	工单首次分配后，从一名客服人员或一个小组转交给另一名客服人员或另一个小组时会发生此事件。工单活动日志会将其作为负责人变更明确记录。
重要性频繁重新分配或客服人员之间转派率较高，通常表明初始分派不准确或知识分散在不同团队中。此分析有助于找出提高首次联系解决率的机会。获取途径首次分配后，通过“工单活动”日志中“客服人员”或“小组”字段的变更进行跟踪。采集首次分配后，“分配给”字段再次更新。事件类型 explicit
	工单已重新打开	客户回复已处于“已解决”状态的工单时，会发生此活动，工单状态也会自动变回“未解决”。系统会明确记录此事件。
重要性工单重新打开率较高，说明初次提供的解决方案可能无效，导致返工并降低客户满意度。分析此活动对于开展“工单重新打开分析”和提高首次联系解决率至关重要。获取途径客户回复触发状态从“已解决”自动变回“未解决”时，系统会记录此事件。此状态变更会记入“工单活动”日志。采集客户互动触发状态从“已解决”变为“未解决”。事件类型 explicit
	已添加内部备注	客服人员在工单中添加私人备注，供其他客服人员内部协作使用。工单活动流会明确记录此事件，且仅客服人员可见。
重要性跟踪内部备注有助于分析协作模式，并发现需要大量内部讨论的问题。解决前内部备注频繁出现，可能表明问题复杂或存在知识缺口。获取途径在工单对话历史中记录为“私人备注”，与面向客户的公开回复区分开来。采集客服人员添加标记为“私人”的备注时记录此事件。事件类型 explicit
	满意度调查已发送	表示已向客户发送满意度调查，通常由工单解决后的自动化规则触发。如果自动化操作记录在工单历史中，系统可能会捕获此事件。
重要性标志着反馈收集流程开始。将调查回复与流程变体关联分析，可以深入了解流程表现如何影响客户满意度。获取途径此活动通常由“自动化规则”触发。它是否作为独立事件显示在工单活动日志中，取决于Freshdesk的自动化日志配置。采集工单解决后，自动化规则执行时记录此事件。事件类型 explicit
	状态已更改为待处理	客服人员等待客户提供信息时，会将工单状态更改为“待处理”。工单活动历史记录会明确记录此状态变更。
重要性此活动标记流程因等待外部信息而暂停的时段。分析工单处于此状态的时间，有助于量化客户侧延误并开展SLA达成情况分析，因为此状态下通常会暂停SLA计时器。获取途径从“工单活动”日志中获取，该日志会记录所有状态变更，包括转为“待处理”。采集工单的“状态”字段更新为“待处理”时记录此事件。事件类型 explicit

建议填写选填

数据提取指南

如何从Freshdesk获取数据

步骤

使用具有查看和导出工单权限的管理员账户登录Freshdesk。
在左侧导航菜单中打开主“工单”选项卡，查看工单列表。
使用右侧的“筛选工单”面板设置数据提取范围。至少设置“已创建”日期范围，例如最近6个月。您还可以按Group、客服人员或来源等条件筛选数据。
应用筛选条件后，点击工单列表右上方的“导出”图标。该图标形似一个指向托盘的向下箭头。
在“导出工单”弹出窗口中，选择要包含的字段。请确保选中事件日志所需的所有相关默认字段和自定义字段，包括工单ID、创建时间、解决时间、关闭时间、首次回复时间、客服人员、Group、状态、优先级、类型，以及其他可能有用的自定义字段。
确认所选字段。Freshdesk将在后台开始处理导出任务。您会收到一封电子邮件，其中包含CSV文件的下载链接。数据量较大时，处理可能需要一些时间。
点击邮件中的链接下载CSV文件。
导出的文件每行对应一张工单，记录工单当前状态和关键时间戳。要创建事件日志，您需要转换这些数据。
使用查询部分提供的Python脚本或数据准备工具，将时间戳列（创建时间、首次回复时间、解决时间、关闭时间）转换为多行，每行代表一项活动。
将原始时间戳列映射到具体的活动名称，例如将“创建时间”列映射为“工单已创建”活动。
生成最终的事件日志CSV，包含必需列：ServiceRequest、Activity和EventTime，以及其他建议的属性。
将转换后的文件保存为CSV格式，以便上传到您的流程挖掘工具。

配置

权限：需要管理员账户，或具有查看和导出账户工单权限的自定义角色。
日期范围筛选：务必使用“已创建”或“已关闭”时间字段设置日期范围，以免导出全部历史数据，导致处理速度很慢。首次分析通常建议选择3至6个月的数据。
工单字段：在导出对话框中，您可以选择要包含的字段。请务必选中所有可用的时间戳字段，例如Created at、First responded at、Resolved at和Closed at，这些字段是事件日志的基础。还应包含Ticket ID等标识字段，以及Agent、Group、Priority和Type等上下文信息字段。
数据量：单次导出的工单数量有限，通常最多为30,000张。对于更大的数据集，您可能需要按月等较短时间段分批导出。
交付方式：导出为异步处理。CSV文件不会直接下载，而是通过下载链接发送到发起导出的用户电子邮件地址。

查询示例 json

### Part 1: Freshdesk Export Configuration

This process uses the user interface for extraction. In the **Export Tickets** dialog, configure the following settings:

```json
{
  "filter_by": {
    "created": "[Specify Date Range, e.g., Last 6 Months]",
    "status": ["Open", "Pending", "Resolved", "Closed"],
    "// additional_filters": "Optionally filter by Group, Agent, Type, etc."
  },
  "export_fields": [
    "Ticket ID",
    "Created at",
    "First responded at",
    "Resolved at",
    "Closed at",
    "Group",
    "Agent",
    "Status",
    "Priority",
    "Type",
    "// include_custom_fields": "[Select any relevant custom fields]"
  ]
}
```

### Part 2: Data Transformation Script (Python with Pandas)

The exported CSV is a snapshot and must be transformed into an event log. The following script reshapes the data to create a row for each key activity.

```python
import pandas as pd

# --- Configuration ---
# Replace with the actual path to your downloaded Freshdesk CSV export
input_csv_path = 'freshdesk_export.csv'
output_csv_path = 'freshdesk_event_log.csv'

# --- Load Data ---
def transform_freshdesk_export(file_path):
    """Loads the Freshdesk export and transforms it into an event log."""
    try:
        df_raw = pd.read_csv(file_path)
    except FileNotFoundError:
        print(f"Error: The file {file_path} was not found.")
        return None

    # --- Rename and Select Columns ---
    # Adjust column names based on your specific export file
    column_mapping = {
        'Ticket ID': 'ServiceRequest',
        'Agent': 'AssignedAgent',
        'Type': 'ServiceRequestType',
        'Status': 'Status',
        'Priority': 'Priority',
        'Created at': 'Time_Ticket_Created',
        'First responded at': 'Time_First_Response_Sent',
        'Resolved at': 'Time_Ticket_Resolved',
        'Closed at': 'Time_Ticket_Closed'
    }
    df = df_raw.rename(columns=column_mapping)

    # Define the columns that are common to all events for a given ticket
    base_columns = ['ServiceRequest', 'AssignedAgent', 'ServiceRequestType', 'Status', 'Priority']
    # Ensure all required base columns exist
    for col in base_columns:
        if col not in df.columns:
            df[col] = None # Add missing columns as null

    # --- Unpivot Timestamp Columns to Create Events ---
    events = []
    activity_map = {
        'Time_Ticket_Created': 'Ticket Created',
        'Time_First_Response_Sent': 'First Response Sent',
        'Time_Ticket_Resolved': 'Ticket Resolved',
        'Time_Ticket_Closed': 'Ticket Closed'
    }

    for time_col, activity_name in activity_map.items():
        if time_col in df.columns:
            # Select rows where the timestamp exists
            df_event = df[df[time_col].notna()].copy()
            if not df_event.empty:
                df_event['Activity'] = activity_name
                df_event['EventTime'] = pd.to_datetime(df_event[time_col])
                events.append(df_event[base_columns + ['Activity', 'EventTime']])

    if not events:
        print("No events could be generated. Please check your column names and data.")
        return None

    # --- Combine, Sort, and Finalize ---
    df_event_log = pd.concat(events, ignore_index=True)

    # Calculate Resolution Time (optional, as an attribute)
    if 'Time_Ticket_Created' in df.columns and 'Time_Ticket_Resolved' in df.columns:
        df_res_time = df[['ServiceRequest', 'Time_Ticket_Created', 'Time_Ticket_Resolved']].dropna()
        df_res_time['ResolutionTime'] = (pd.to_datetime(df_res_time['Time_Ticket_Resolved']) - pd.to_datetime(df_res_time['Time_Ticket_Created'])).dt.total_seconds() / 3600.0 # In hours
        df_event_log = df_event_log.merge(df_res_time[['ServiceRequest', 'ResolutionTime']], on='ServiceRequest', how='left')

    # Sort the event log for proper ordering
    df_event_log = df_event_log.sort_values(by=['ServiceRequest', 'EventTime'], ascending=[True, True])

    return df_event_log

# --- Execute Transformation ---
if __name__ == "__main__":
    event_log = transform_freshdesk_export(input_csv_path)
    if event_log is not None:
        event_log.to_csv(output_csv_path, index=False)
        print(f"Event log successfully created at: {output_csv_path}")
```

步骤

准备工作：确保系统已安装Python 3.6或更高版本。运行以下命令安装所需的Python库：用于发起API调用的requests和用于数据处理的pandas：pip install requests pandas。
获取Freshdesk API密钥：以管理员身份登录Freshdesk。点击右上角的个人资料图标，选择“个人资料设置”。API密钥会显示在右侧。请妥善复制并保管该密钥。
创建Python脚本：新建一个Python文件，例如extract_freshdesk.py。将“查询”部分提供的完整Python脚本复制到该文件中。
配置脚本参数：打开脚本并更新顶部的占位变量。将DOMAIN设为您的Freshdesk域名，例如yourcompany.freshdesk.com；将API_KEY设为您获取的密钥；将START_DATE_STR设为数据提取的起始日期，格式为YYYY-MM-DD。
运行脚本：在终端中执行python extract_freshdesk.py。脚本将开始从Freshdesk API获取工单数据。
监控提取进度：脚本会在控制台输出进度，显示当前处理的工单页码。具体耗时取决于日期范围和工单数量；受API速率限制影响，提取可能需要较长时间。
处理API响应：脚本会逐页获取工单，以处理API分页；如果收到429 Too Many Requests错误，则会暂停执行，并按照Freshdesk指定的等待时长重试，以遵守API速率限制。
转换数据：对于每张工单，脚本会获取相关对话和活动，并解析原始JSON响应，为13项必需活动创建明确记录，例如“工单已创建”“状态变更为待处理”和“工单已解决”。
检查输出：脚本运行完成后，会在同一目录下生成freshdesk_event_log.csv文件，其中包含提取的活动和属性构成的结构化事件日志。
准备上传：打开生成的CSV文件，确认其中包含预期数据。检查ServiceRequest、Activity和EventTime列是否存在且已正确填充。随后即可将文件上传到ProcessMind。

配置

准备工作：您需要拥有具备管理员权限的Freshdesk账户，才能获取可完整访问工单数据的API密钥。还需安装Python 3.6或更高版本，以及requests和pandas库。
API凭据：脚本需要您提供Freshdesk的DOMAIN和有效的API_KEY，并在脚本中将其配置为变量。
日期范围：START_DATE_STR变量决定提取的起始日期。建议先选择较短的范围，例如3至6个月，以控制运行时间和API用量。脚本使用updated_since筛选条件提高效率。
API版本：该脚本适用于Freshdesk v2 API。请确认您的账户支持此版本。
性能注意事项：脚本受Freshdesk API速率限制。内置的延迟机制可避免超出限制，但提取大量数据会因此耗时较长。若要加载数年完整历史数据，建议分批运行脚本，或选择业务低峰时段执行。
提取的数据：脚本配置为提取工单及其相关对话。使用include=stats参数可高效获取解决时间和响应时间等元数据。

查询示例 python

import requests
import pandas as pd
import time
import datetime
import re

class=class="hl-string">"hl-comment"># --- Configuration ---
class=class="hl-string">"hl-comment"># Replace with your Freshdesk domain
DOMAIN = class="hl-string">'[your_domain].freshdesk.com'
class=class="hl-string">"hl-comment"># Replace with your Freshdesk API Key
API_KEY = class="hl-string">'[your_api_key]'
class=class="hl-string">"hl-comment"># Set the start date for the extraction in class="hl-string">'YYYY-MM-DD' format.
START_DATE_STR = class="hl-string">'2023-01-01'

BASE_URL = fclass="hl-string">'https://{DOMAIN}/api/v2'
AUTH = (API_KEY, class="hl-string">'X')

def make_api_request(url, params=None):
    class="hl-string">"""Makes a GET request to the Freshdesk API, handling rate limits."""
    while True:
        try:
            response = requests.get(url, auth=AUTH, params=params)
            response.raise_for_status()
            return response
        except requests.exceptions.HTTPError as err:
            if err.response.status_code == 429:
                retry_after = int(err.response.headers.get(class="hl-string">'Retry-After', 60))
                print(fclass="hl-string">"Rate limit exceeded. Retrying after {retry_after} seconds...")
                time.sleep(retry_after)
            else:
                print(fclass="hl-string">"HTTP Error: {err}")
                return None
        except requests.exceptions.RequestException as err:
            print(fclass="hl-string">"Request Error: {err}")
            return None

def parse_iso_timestamp(ts):
    class="hl-string">"""Parses Freshdesk's ISO 8601 timestamp string."""
    if not ts or not isinstance(ts, str):
        return None
    return datetime.datetime.strptime(ts, class="hl-string">'%Y-%m-%dT%H:%M:%SZ')

def get_freshdesk_event_log(start_date):
    class="hl-string">"""Fetches and processes Freshdesk tickets to create an event log."""
    events = []
    page = 1
    
    class=class="hl-string">"hl-comment"># Convert start_date to the required format for the API query
    start_datetime = datetime.datetime.strptime(start_date, class="hl-string">'%Y-%m-%d')
    query_date = start_datetime.strftime(class="hl-string">'%Y-%m-%dT%H:%M:%SZ')

    while True:
        print(fclass="hl-string">"Fetching tickets page {page}...")
        tickets_url = fclass="hl-string">'{BASE_URL}/tickets'
        class=class="hl-string">"hl-comment"># Use class="hl-string">'updated_since' for incremental loads. For a full load, consider filtering by class="hl-string">'created_at'.
        params = {class="hl-string">'page': page, class="hl-string">'per_page': 100, class="hl-string">'order_by': class="hl-string">'updated_at', class="hl-string">'order_type': class="hl-string">'asc', class="hl-string">'updated_since': query_date, class="hl-string">'include': class="hl-string">'stats,requester'}
        
        response = make_api_request(tickets_url, params=params)
        if not response:
            break
            
        tickets_data = response.json()
        if not tickets_data:
            print(class="hl-string">"No more tickets found.")
            break

        for ticket in tickets_data:
            ticket_id = ticket[class="hl-string">'id']
            created_at = parse_iso_timestamp(ticket[class="hl-string">'created_at'])
            resolved_at = parse_iso_timestamp(ticket.get(class="hl-string">'stats', {}).get(class="hl-string">'resolved_at'))
            
            resolution_time_hours = (resolved_at - created_at).total_seconds() / 3600 if resolved_at and created_at else None

            common_attrs = {
                class="hl-string">'ServiceRequest': ticket_id,
                class="hl-string">'ServiceRequestType': ticket.get(class="hl-string">'type'),
                class="hl-string">'Priority': ticket.get(class="hl-string">'priority'),
                class="hl-string">'AssignedAgent': ticket.get(class="hl-string">'responder_id'),
                class="hl-string">'ResolutionTime': resolution_time_hours
            }
            
            class=class="hl-string">"hl-comment"># 1. Ticket Created
            events.append({
                **common_attrs,
                class="hl-string">'Activity': class="hl-string">'Ticket Created',
                class="hl-string">'EventTime': created_at.strftime(class="hl-string">'%Y-%m-%d %H:%M:%S'),
                class="hl-string">'Status': class="hl-string">'Open' 
            })
            
            class=class="hl-string">"hl-comment"># 2. First Response Sent
            first_responded_at = ticket.get(class="hl-string">'stats', {}).get(class="hl-string">'first_responded_at')
            if first_responded_at:
                events.append({
                    **common_attrs,
                    class="hl-string">'Activity': class="hl-string">'First Response Sent',
                    class="hl-string">'EventTime': parse_iso_timestamp(first_responded_at).strftime(class="hl-string">'%Y-%m-%d %H:%M:%S'),
                    class="hl-string">'Status': ticket.get(class="hl-string">'status')
                })

            class=class="hl-string">"hl-comment"># Fetch conversations for detailed activities
            conv_url = fclass="hl-string">'{BASE_URL}/tickets/{ticket_id}/conversations'
            conv_response = make_api_request(conv_url)
            if conv_response:
                conversations = conv_response.json()
                for conv in conversations:
                    event_time = parse_iso_timestamp(conv[class="hl-string">'created_at']).strftime(class="hl-string">'%Y-%m-%d %H:%M:%S')
                    
                    class=class="hl-string">"hl-comment"># 3. Customer Responded vs 4. Internal Note Added
                    if conv[class="hl-string">'source_type'] == class="hl-string">'note':
                        if conv.get(class="hl-string">'private', False):
                            events.append({
                                **common_attrs,
                                class="hl-string">'Activity': class="hl-string">'Internal Note Added',
                                class="hl-string">'EventTime': event_time,
                                class="hl-string">'Status': ticket.get(class="hl-string">'status')
                            })
                        else: class=class="hl-string">"hl-comment"># System generated notes for status changes etc.
                            body_text = conv.get(class="hl-string">'body_text', class="hl-string">'')
                            class=class="hl-string">"hl-comment"># 5. Status Changed to Pending
                            if class="hl-string">'Status changed from' in body_text and class="hl-string">'to Pending' in body_text:
                                events.append({**common_attrs, class="hl-string">'Activity': class="hl-string">'Status Changed to Pending', class="hl-string">'EventTime': event_time, class="hl-string">'Status': class="hl-string">'Pending'})
                            class=class="hl-string">"hl-comment"># 6. Ticket Assigned / Reassigned
                            if class="hl-string">'Assigned to' in body_text:
                                activity_name = class="hl-string">'Ticket Assigned' if any(e[class="hl-string">'Activity'] == class="hl-string">'Ticket Assigned' for e in events if e[class="hl-string">'ServiceRequest'] == ticket_id) else class="hl-string">'Ticket Reassigned'
                                events.append({**common_attrs, class="hl-string">'Activity': activity_name, class="hl-string">'EventTime': event_time, class="hl-string">'Status': ticket.get(class="hl-string">'status')})
                            class=class="hl-string">"hl-comment"># 7. Ticket Priority Changed
                            if class="hl-string">'Priority changed from' in body_text:
                                events.append({**common_attrs, class="hl-string">'Activity': class="hl-string">'Ticket Priority Changed', class="hl-string">'EventTime': event_time, class="hl-string">'Status': ticket.get(class="hl-string">'status')})
                            class=class="hl-string">"hl-comment"># 8. Satisfaction Survey Sent
                            if class="hl-string">'Satisfaction Survey was sent to the contact' in body_text:
                                events.append({**common_attrs, class="hl-string">'Activity': class="hl-string">'Satisfaction Survey Sent', class="hl-string">'EventTime': event_time, class="hl-string">'Status': ticket.get(class="hl-string">'status')})
                    else: class=class="hl-string">"hl-comment"># Not a note, so it's a reply
                        class=class="hl-string">"hl-comment"># 9. Customer Responded
                        if conv.get(class="hl-string">'incoming', False):
                            events.append({
                                **common_attrs,
                                class="hl-string">'Activity': class="hl-string">'Customer Responded',
                                class="hl-string">'EventTime': event_time,
                                class="hl-string">'Status': class="hl-string">'Open' class=class="hl-string">"hl-comment"># Typically a customer response re-opens the ticket
                            })
            
            class=class="hl-string">"hl-comment"># 10. SLA Breached
            if ticket.get(class="hl-string">'fr_escalated', False) or ticket.get(class="hl-string">'resolution_escalated', False):
                 breach_time = ticket.get(class="hl-string">'stats', {}).get(class="hl-string">'status_updated_at', ticket.get(class="hl-string">'updated_at'))
                 events.append({
                    **common_attrs,
                    class="hl-string">'Activity': class="hl-string">'SLA Breached',
                    class="hl-string">'EventTime': parse_iso_timestamp(breach_time).strftime(class="hl-string">'%Y-%m-%d %H:%M:%S'),
                    class="hl-string">'Status': ticket.get(class="hl-string">'status')
                })

            class=class="hl-string">"hl-comment"># 11. Ticket Resolved
            if resolved_at:
                events.append({
                    **common_attrs,
                    class="hl-string">'Activity': class="hl-string">'Ticket Resolved',
                    class="hl-string">'EventTime': resolved_at.strftime(class="hl-string">'%Y-%m-%d %H:%M:%S'),
                    class="hl-string">'Status': class="hl-string">'Resolved'
                })

            class=class="hl-string">"hl-comment"># 12. Ticket Reopened
            reopened_at = ticket.get(class="hl-string">'stats', {}).get(class="hl-string">'reopened_at')
            if reopened_at:
                events.append({
                    **common_attrs,
                    class="hl-string">'Activity': class="hl-string">'Ticket Reopened',
                    class="hl-string">'EventTime': parse_iso_timestamp(reopened_at).strftime(class="hl-string">'%Y-%m-%d %H:%M:%S'),
                    class="hl-string">'Status': class="hl-string">'Open'
                })
                
            class=class="hl-string">"hl-comment"># 13. Ticket Closed
            closed_at = ticket.get(class="hl-string">'stats', {}).get(class="hl-string">'closed_at')
            if closed_at:
                events.append({
                    **common_attrs,
                    class="hl-string">'Activity': class="hl-string">'Ticket Closed',
                    class="hl-string">'EventTime': parse_iso_timestamp(closed_at).strftime(class="hl-string">'%Y-%m-%d %H:%M:%S'),
                    class="hl-string">'Status': class="hl-string">'Closed'
                })

        page += 1

    class=class="hl-string">"hl-comment"># Create DataFrame and sort by time
    df = pd.DataFrame(events)
    df[class="hl-string">'EventTime'] = pd.to_datetime(df[class="hl-string">'EventTime'])
    df = df.sort_values(by=[class="hl-string">'ServiceRequest', class="hl-string">'EventTime']).reset_index(drop=True)
    df[class="hl-string">'EventTime'] = df[class="hl-string">'EventTime'].dt.strftime(class="hl-string">'%Y-%m-%d %H:%M:%S')

    return df

if __name__ == class="hl-string">'__main__':
    print(class="hl-string">"Starting Freshdesk data extraction...")
    event_log_df = get_freshdesk_event_log(START_DATE_STR)
    if not event_log_df.empty:
        output_filename = class="hl-string">'freshdesk_event_log.csv'
        event_log_df.to_csv(output_filename, index=False)
        print(fclass="hl-string">"Extraction complete. Event log saved to {output_filename}")
    else:
        print(class="hl-string">"No data extracted.")

步骤

选择具备受维护的Freshdesk连接器、支持增量提取并可写入所需目标位置（如数据仓库或平面文件）的商业ETL平台。确认连接器版本支持工单、对话、客服人员、工单历史或审计数据、SLA信息，以及连接器可读取的自动化或调查记录。
创建Freshdesk集成凭据，并仅授予连接器所需的最低读取权限。使用[根据您的系统进行配置]设置Freshdesk账户URL、身份验证方式、凭据、工作空间或账户范围，以及连接器专属对象。请勿在导出的配置文件中暴露凭据。
配置提取对象，包括工单、对话、客服人员、工单历史或审计记录、SLA记录，以及可用的调查或自动化记录。启用分页、重试、速率限制处理和增量提取，并使用源系统支持的修改时间戳或连接器的增量同步功能。
将提取时间段设为[开始日期]至[结束日期]，通常覆盖3至6个月。增量运行时应设置回溯时间段，以免遗漏延迟到达的对话、状态变更、SLA更新和调查记录。转换前，先将连接器原始输出保存到[您的原始数据存放位置]。
使用[您的暂存表名称]或等效ETL组件，将原始数据整理为暂存数据集。保留源工单标识、源记录标识、事件时间戳、事件类型、执行者、分配的客服人员、请求类型、状态和优先级。将所有时间戳统一转换为约定时区，建议使用UTC；如有原始时区信息，也应保留。
为每项明确可用的活动创建一条事件记录。将工单创建映射为Ticket Created，将分配变更映射为Ticket Assigned，将客服人员首次公开回复映射为First Response Sent，将状态变更为待处理映射为Status Changed to Pending，将客户回复映射为Customer Responded，将客服人员的内部备注映射为Internal Note Added，将优先级变更映射为Ticket Priority Changed，将后续负责人变更映射为Ticket Reassigned，将SLA违规映射为SLA Breached，将状态变更为已解决映射为Ticket Resolved，将解决后重新打开映射为Ticket Reopened，将已记录的调查发送映射为Satisfaction Survey Sent，将状态变更为已关闭映射为Ticket Closed。
按各事件的规则处理数据，不要推断未记录的事件。Ticket Assigned表示首次分配；Ticket Reassigned表示之后从原负责人或Group转交给其他负责人的变更。First Response Sent表示工单创建后客服人员首次公开回复。只有来源数据明确记录SLA违规或等效状态时，才能生成SLA Breached。只有调查发送记录或自动化操作明确可用时，才能纳入Satisfaction Survey Sent。
将所有按事件生成的数据集合并为一个事件日志，包含必需列ServiceRequest、Activity和EventTime，以及建议列AssignedAgent、ServiceRequestType、Status和Priority。如有稳定的源事件标识，仅删除完全重复的源事件记录。即使时间戳相同，也不要合并不同事件。
按ServiceRequest和EventTime排序；如有稳定的源事件顺序或源记录标识，再按其排序。验证每行的ServiceRequest和EventTime均已填充，Activity仅包含文档中定义的活动名称，且所有时间戳格式一致。
将最终事件日志导出为UTF-8 CSV、Parquet或ProcessMind支持的目标格式。将文件或目标数据集上传至ProcessMind，或连接到ProcessMind；将ServiceRequest映射为案例标识，Activity映射为活动字段，EventTime映射为事件时间戳，然后确认每项必需活动都对应一条明确的事件记录。

配置

连接器范围：使用[根据您的系统进行配置]设置Freshdesk账户、工作空间或环境范围。提取连接器可读取的工单、对话、客服人员、工单历史或审计记录、SLA记录，以及调查或自动化记录。
身份验证：如支持，请使用专用的只读集成凭据。将凭据保存在ETL平台的安全连接管理器中，并限制授权管理员访问。
日期范围：先提取3至6个月的历史数据。增量加载时，使用连接器支持的游标或修改时间戳，并设置回溯时间窗口，以捕获延迟到达或已更正的记录。
必需输出字段：每条事件记录都必须填充ServiceRequest、Activity和EventTime。
建议输出字段：如有数据，请保留AssignedAgent、ServiceRequestType、Status和Priority。历史值应取自事件记录或相应的工单历史记录，不应使用工单当前状态代替。
活动筛选：纳入生成以下活动所需的所有源记录：Ticket Created、Ticket Assigned、First Response Sent、Status Changed to Pending、Customer Responded、Internal Note Added、Ticket Priority Changed、Ticket Reassigned、SLA Breached、Ticket Resolved、Ticket Reopened、Satisfaction Survey Sent和Ticket Closed。
事件规则：不要根据工单最终状态推断事件。应将明确记录的状态变更、分配变更、对话类型、SLA违规记录和调查发送操作分别提取为独立行。
时间戳处理：将EventTime统一为UTC或其他约定时区。如有源时间戳和源时区信息，请在暂存数据中保留，以便完整审计。
目标位置：使用[您的目标表名称]或[您的输出文件名]。保留原始层和转换层，以便审计事件映射并重新运行处理。
性能：启用分页和增量同步；并行处理不得超出Freshdesk连接器的速率限制；采用退避重试，并在支持时按修改日期分区。避免反复提取全部对话和历史数据。
去重：如有稳定的源记录标识，请使用该标识。删除重试造成的完全重复记录，但即使业务事件的时间戳和值相同，也应分别保留。
准备条件：需要获得许可的ETL平台、受支持的Freshdesk连接器、有效的Freshdesk集成凭据、所需Freshdesk对象的访问权限、目标位置写入权限，以及充足的API或连接器配额。
可用性说明：不同ETL产品和Freshdesk套餐支持的连接器对象名称、字段名称、历史数据覆盖范围、SLA数据和调查或自动化数据各不相同。请使用[根据您的系统进行配置]设置映射，并在投入生产前根据连接器架构进行验证。

查询示例 json

SELECT
    ServiceRequest,
    Activity,
    EventTime,
    AssignedAgent,
    ServiceRequestType,
    Status,
    Priority
FROM [Your transformed event log source]
WHERE EventTime >= [Start date]
  AND EventTime < [End date]
  AND Activity IN (
      'Ticket Created',
      'Ticket Assigned',
      'First Response Sent',
      'Status Changed to Pending',
      'Customer Responded',
      'Internal Note Added',
      'Ticket Priority Changed',
      'Ticket Reassigned',
      'SLA Breached',
      'Ticket Resolved',
      'Ticket Reopened',
      'Satisfaction Survey Sent',
      'Ticket Closed'
  )
  AND ServiceRequest IS NOT NULL
  AND EventTime IS NOT NULL
ORDER BY ServiceRequest, EventTime;

准备好开始了吗？

先清晰了解流程，再着手改进客户服务运营。此模板将帮助您迈出数据驱动优化的第一步。

返回改进指南

下载模板

立即优化Freshdesk客户服务

实现80%的首次联系解决率，提升客户满意度。

开始免费试用

无需信用卡，几分钟即可完成设置

客户服务数据模板

客户服务数据模板

客户服务属性

客户服务活动

数据提取指南

通过Freshdesk原生功能将工单数据导出为CSV

步骤

配置

查询示例 json

通过Freshdesk REST API使用Python脚本提取数据

步骤

配置

查询示例 python

使用带Freshdesk连接器的第三方ETL工具

步骤

配置

查询示例 json

准备好开始了吗？

立即优化Freshdesk客户服务