您的客户服务数据模板

Freshdesk

← 返回改进指南

客户服务属性 (19) 客户服务活动 (13) 提取指南 (3)

您的客户服务数据模板

该模板全面介绍了开展有效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。使用此资源简化数据采集，为深入开展流程挖掘做好准备。

建议收集的属性
需要跟踪的关键活动
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获得深入洞察。

3 必需 4 建议 12 可选

	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 Event Time，即时间戳，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。在分析中，该属性用于构建每个服务请求的时间线，也是计算所有时间相关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绩效和识别延迟不可或缺。为什么重要该时间戳对于按时间顺序排列事件，以及计算周期时间、SLA合规性等所有基于时长的指标至关重要。获取位置对应FreshdeskAPI中与工单事件、回复或状态变更关联的“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	单个客户咨询或问题的唯一标识，通常称为工单或案例。
说明服务请求是连接单次客户互动相关所有活动的主要案例标识。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。从工单创建、分配到解决和关闭，该ID在整个生命周期内保持不变。在流程挖掘中，此属性对于还原每个客户案例的端到端历程至关重要。通过将所有相关事件归入同一服务请求ID，分析人员可以可视化顺序流、衡量周期时间，并识别影响单个案例的变体或瓶颈。为什么重要这是连接所有相关事件的核心Case ID，可将其归入单个流程实例，从而完整呈现每次客户服务历程。获取位置这是Freshdesk中的主要工单ID，通常位于“Tickets”API端点的“id”字段中。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”“已发送首次响应”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。分析这些活动的顺序和频率是流程挖掘的核心。它可以帮助您可视化顺序流，识别常见路径和少见路径，并发现偏离标准操作流程的情况。了解活动对于定位低效环节、发现“工单已重新打开”等返工循环或合规问题至关重要。为什么重要此属性定义流程图中的步骤，使您能够可视化并分析从开始到结束的顺序流。获取位置根据Freshdesk中的事件类型推导，可结合“Tickets”API端点的状态变更，以及“Conversations”端点中的备注或回复等具体事件。示例工单已创建已发送首次响应状态变更为Pending工单已解决工单已关闭
	优先级 Priority	分配给服务请求的优先级，例如“Low”“Medium”“High”或“Urgent”。
说明 Priority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。Priority可以根据规则自动设置，也可以由代理在分诊过程中手动设置。该属性对于分析SLA合规性和资源分配至关重要。按Priority筛选流程图后，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。此外，还可以了解Priority变更这一类返工是否常见，以及它对流程有何影响。为什么重要对于SLA分析，以及判断资源是否得到合理分配、能否更快处理高优先级问题至关重要。获取位置对应Freshdesk“Tickets”对象中的“priority”字段。示例低中高紧急
	分配的客服 AssignedAgent	事件发生时负责处理工单的客户服务人员姓名或ID。
说明该属性用于标识负责处理服务请求的具体客服。由于重新分配或升级，负责客服可能在工单生命周期内发生变化。按Assigned Agent分析数据对于构建绩效管理仪表板至关重要。它可以衡量客服个人KPI，例如平均解决时间、工单量和重新打开率。这有助于识别高绩效客服、发现培训需求，并分析客服转交对整体解决时间的影响。为什么重要支持按客服个人进行绩效分析，帮助识别高绩效人员、培训机会及重新分配的影响。获取位置对应Freshdesk“Tickets”对象中的“responder_id”字段，之后可与客服详情进行关联。示例 Alice JohnsonRobert SmithMaria Garcia
	服务请求类型 ServiceRequestType	服务请求的分类，例如“Question”“Incident”“Problem”或“Feature Request”。
说明 Service Request Type是定义客户咨询性质的重要分类字段。该分类通常在创建工单时或初始分诊阶段设置，用于将请求路由至合适的团队或客服。在分析中，该属性支持按请求类型拆分流程，了解不同类型请求的处理方式。它可以帮助回答“事件是否比问题需要更长时间解决？”以及“哪些请求类型最常被重新打开？”等问题。这种细分对于识别特定类型的瓶颈并相应优化工作流至关重要。为什么重要支持按流程细分，对比不同客户问题类型的绩效和工作流，例如事件与问题之间的差异。获取位置这可能对应Freshdesk“Tickets”对象中的“type”字段。示例问题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“Open”“Pending”“Resolved”或“Closed”。
说明 Status属性表示服务请求在特定时间点所处的状态。状态变更通常代表流程中的关键里程碑，例如等待客户输入时从“Open”变为“Pending”，或客户回复后从“Pending”变为“Open”。跟踪状态变更是了解工单生命周期的基础。它有助于识别工单在特定状态中停留的时间，从而定位瓶颈。例如，工单长时间处于“Pending”状态，可能表明等待客户提供信息时出现延迟。为什么重要跟踪状态变更是了解工单生命周期，以及识别案例在“Pending”或“On Hold”等特定状态中停留时长的关键。获取位置对应Freshdesk“Tickets”对象中的“status”字段。历史状态需要根据活动日志推断。示例未结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目标时间。
说明该属性定义根据服务级别协议（SLA）解决服务请求的目标时长。该目标通常取决于工单的优先级或类型。这是计算SLA合规性的关键输入。将实际解决时间与该目标进行比较后，可以判断是否“Met”或“Breached”。分析不同请求类型、团队或代理的SLA表现，是服务管理的核心工作之一。为什么重要为衡量SLA合规性提供基准，这是任何客户服务组织的重要绩效指标。获取位置该值可能以Freshdesk“Tickets”对象中的“fr_due_by”（首次响应）或“due_by”（解决）字段提供，也可能需要根据SLA策略规则推导。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。
说明该属性指定服务请求所涉及的产品或服务线。它通常是Freshdesk中的自定义字段，用于帮助工单分类、路由和报告分析。按产品筛选流程后，组织可以发现特定产品相关的问题。例如，分析可以显示某个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。为什么重要支持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。获取位置通常为自定义字段。具体位置取决于Freshdesk配置，可能位于“Tickets”API响应中的“custom_fields”部分。示例 Alpha PlatformBeta Mobile AppGamma Subscription
	代理转派次数 AgentTransferCount	服务请求从一名代理重新分配给另一名代理的总次数。
说明该属性是案例级指标，用于统计工单负责代理发生变更的次数。它通过计算每个服务请求中“Ticket Reassigned”活动的出现次数得出。频繁转派也称为“乒乓式转派”，每次交接都可能造成上下文丢失，导致明显延误和糟糕的客户体验。分析转派次数有助于识别初始路由问题、代理技能缺口或流程复杂性。通常应尽量减少不必要的转派，以提升效率和客户满意度。为什么重要衡量内部交接的频率。内部交接可能是延误和客户受挫的重要来源，分析结果有助于提升一线解决率。获取位置计算字段，表示每个唯一Service Request对应的“Ticket Reassigned”活动数量。示例 0132
	最近数据更新时间 LastDataUpdate	表示数据最近一次从源系统刷新时间的时间戳。
说明该属性记录数据集最近一次从Freshdesk提取或更新的日期和时间。它可以透明呈现当前分析数据的新鲜度，这对于及时、准确地制定业务决策至关重要。分析人员可以利用该信息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。它是任何流程挖掘仪表板或报告的重要元数据，可确保相关人员了解数据的时效性。为什么重要反映数据的新鲜度，确保分析和决策基于最新信息。获取位置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
	分配组 AssignedGroup	负责处理服务请求的团队或部门。
说明 Assigned Group代表负责处理特定服务请求的代理团队。工单通常会根据类型或复杂程度路由至专业团队，例如“Technical Support”或“Billing Department”。该属性有助于分析部门间交接和团队层面的表现。您可以了解哪些团队处理的工单最多、解决时间最长，以及工单在团队之间转移的频率。这些信息对于优化团队结构和工作流至关重要。为什么重要支持在团队或部门层面分析表现，突出交接环节并识别特定团队的瓶颈。获取位置对应Freshdesk“Tickets”对象中的“group_id”字段。示例 L1支持L2技术支持计费客户成功
	客户名称 CustomerName	发起服务请求的客户名称或ID。
说明该属性用于识别与服务请求关联的客户，支持以客户为中心分析流程，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哪些客户提交的工单最多，或哪些客户最常遇到重复打开的问题。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。此外，它对于了解客户跨多个服务请求的端到端旅程也十分重要。为什么重要支持以客户为中心查看流程，帮助识别频繁提交请求的客户或反复遇到问题的客户。获取位置该信息通过“Tickets”对象中的“requester_id”关联，并连接至Freshdesk中的“Contacts”或“Users”对象。示例 John DoeJane SmithGlobal Tech Inc.
	是否违反SLA IsSlaBreached	用于表示服务请求解决时间是否超过SLA目标的布尔标记。
说明该计算属性为每个服务请求提供清晰的二元SLA合规性指标。它通过比较实际的“ResolutionTime”和“SlaTargetResolutionTime”得出。如果实际时间超过目标时间，该标记则为true。该属性简化了SLA合规性分析和仪表板展示。分析人员可以轻松统计和筛选违反SLA的工单，快速了解SLA不合规的规模，并深入分析相关流程模式以查找根因。它直接支持SLA Compliance Overview仪表板和KPI。为什么重要通过为每个未达到目标的案例提供清晰标记，简化SLA合规性分析，并支持对违规情况进行根因分析。获取位置计算字段，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	用于表示已解决的服务请求是否曾被重新打开的布尔标记。
说明该案例级属性用于标记服务请求生命周期中是否曾发生“Ticket Reopened”活动。如果发生过，该标记则为true，从而便于识别和分析需要返工的案例。重新打开的工单比例较高，通常说明首次解决并不有效或不完整，导致效率下降和客户受挫。筛选重新打开的工单后，分析人员可以调查其根因，例如常见的重新打开原因、哪些代理或团队的比例较高，以及哪些工单类型最容易被重新打开。为什么重要识别需要返工的案例，这是衡量解决质量和流程低效的重要指标。分析这些案例有助于提升首次联系解决率。获取位置计算字段。如果某个Service Request存在Activity = “Ticket Reopened”的事件，则设为true。示例 truefalse
	沟通渠道 CommunicationChannel	发起服务请求的渠道，例如“Email”“Phone”“Chat”或“Web Portal”。
说明该属性用于识别客户沟通的来源或渠道。不同渠道可能对应不同的流程路径和解决时间。例如，通过Chat发起的请求，其预期解决时间可能短于通过Email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渠道效率。分析结果可以显示哪些渠道对应更快的解决速度或更高的客户满意度，为渠道推广和投入决策提供依据。为什么重要帮助分析Email、Phone或Chat等不同客户联系渠道的流程表现和效率。获取位置对应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	数据提取来源的系统，在此处为“Freshdesk”。
说明该属性用于标识流程数据来源的应用程序。在本次分析中，其值为静态值，例如“Freshdesk”，表示所有事件均来自Freshdesk客户服务平台。虽然看似简单，但在数据治理和合并多个系统的数据时，该属性十分重要。它提供清晰的数据血缘和上下文，确保分析人员了解所分析数据的来源。这对于维护数据完整性并建立分析可信度至关重要。为什么重要提供有关数据来源的关键上下文，对于数据治理以及合并多个源系统的数据至关重要。获取位置这是静态值“Freshdesk”，在数据转换过程中添加，用于标识数据来源。示例 Freshdesk
	满意度评分 SatisfactionRating	客户在工单解决后提供的满意度分数。
说明 Satisfaction Rating是衡量结果的关键指标，通常通过工单解决后发送的调查收集。它一般采用数值分数，或“Satisfied”“Neutral”“Unsatisfied”等分类评级。该属性支持将流程模式与客户结果关联起来。通过分析导致低满意度分数的流程变体，组织可以识别对客户体验产生负面影响的具体行为或延误，从而直接了解流程效率与客户满意度之间的关系。为什么重要将流程执行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。获取位置该数据属于Freshdesk的满意度评级功能，可通过“Surveys”或“Satisfaction Ratings”API端点获取。示例 5314
	首次响应时间 FirstResponseTime	从工单创建到代理首次回复客户所经过的时间。
说明 First Response Time用于衡量客户收到服务代理首次非自动回复的速度。它通过“First Response Sent”活动时间戳与“Ticket Created”活动时间戳之差计算得出。该KPI是衡量服务响应能力的关键指标，并会显著影响客户满意度。较短的首次响应时间可以让客户确认问题已被受理并正在处理。分析该指标有助于组织确保达到首次响应SLA，并提供及时的客户服务体验。为什么重要衡量服务响应能力，这是影响客户满意度的关键因素，也直接支持主动服务交付目标。获取位置计算字段，表示“Ticket Created”事件与“First Response Sent”事件时间戳之间的时长。示例 3000009000001800000

必需建议可选

客户服务活动

以下是应在事件日志中记录的关键流程步骤和重要里程碑，可用于准确发现流程并识别瓶颈。

5 建议 8 可选

	活动	说明
	工单已关闭	这是最后一项活动，表示工单永久关闭。工单在“Resolved”状态下经过设定时间且没有新的客户回复后，通常由系统自动执行。
为什么重要该活动标志着服务请求生命周期的最终结束，为准确计算端到端周期时间提供最终终点。获取位置数据来自“Ticket Activities”日志，其中记录转为“Closed”的最终状态变更。该变更通常由系统自动化触发。采集当工单的“Status”字段更新为“Closed”时记录该事件。事件类型 explicit
	工单已分配	表示将工单分配给特定客服或团队处理。每当客服或团队字段被填写或变更时，工单历史中都会明确记录此事件。
为什么重要跟踪分配情况对于分析客服工作量、识别路由效率问题和衡量分配耗时KPI至关重要。它有助于了解工作分配方式，以及工作开始前发生延迟的位置。获取位置数据来自“Ticket Activities”日志，其中会带时间戳记录“Agent”或“Group”字段的变更。采集当客服或团队的“Assigned to”字段更新时记录该事件。事件类型 explicit
	工单已创建	这是客户服务生命周期中的第一个事件，表示客户请求已正式记录到Freshdesk中。当通过电子邮件、门户、电话或API集成生成新工单时，系统会明确记录此活动。
为什么重要该活动是每个案例的起点，对于计算整体解决时间，以及按渠道或类型分析工单量趋势至关重要。获取位置这是Freshdesk“Ticket Activities”日志中的明确事件。创建新工单记录后，系统会自动生成该事件。采集创建工单后，事件会直接记录在工单活动流中。事件类型 explicit
	工单已解决	表示客服提供解决方案并将工单状态改为“Resolved”的关键里程碑。这是工单历史中明确记录的状态变更。
为什么重要该活动标志着工单主动处理阶段结束，也是衡量解决时间的依据。它对于分析客服绩效和整体流程效率至关重要。获取位置数据来自“Ticket Activities”日志，其中会带时间戳记录转为“Resolved”的具体状态变更。采集当工单的“Status”字段更新为“Resolved”时记录该事件。事件类型 explicit
	已发送首次响应	表示工单创建后，客服向客户发送的第一条公开回复。Freshdesk会明确记录此事件，用于衡量SLA跟踪所需的“First Response Time”。
为什么重要这是衡量客户响应能力和SLA合规性的关键里程碑。分析到达该活动所需的时间，有助于识别首次联系客户时的延迟。获取位置这是Freshdesk为SLA目的跟踪的特定事件，对应客服添加第一条公开评论的时间戳。采集通过工单对话历史中的第一条客服公开回复识别。事件类型 explicit
	SLA已违约	当工单响应或解决所需时间超过SLA政策规定的目标时，会产生此计算事件。Freshdesk会跟踪SLA状态，并将工单标记为“violated”，据此可推导出该活动。
为什么重要该活动可直接支持SLA合规分析，精准定位未达到服务级别承诺的时间和环节，对于识别延迟的系统性原因至关重要。获取位置该事件通过观察工单的“SLA”状态推断或计算得出。当工单SLA状态变为“Violated”时，或将响应、解决时间戳与SLA目标进行比较时，可以生成该活动。采集当“Time to Resolve”超过“SLA Target Resolution Time”时，根据工单数据推导。事件类型 calculated
	客户已回复	表示收到客户的新回复或沟通消息。这是工单对话线程中的明确事件，通常会触发状态从“Pending”变回“Open”。
为什么重要此活动对于了解客户互动的双向导入导出特征和衡量客户响应时间至关重要。它还会重新启动已暂停的SLA计时器，从而影响合规指标。获取位置作为工单对话线程中的新条目记录，并与客户联系人记录关联。采集客户联系人向工单添加了新的公开备注。事件类型 explicit
	工单优先级已变更	当客服或自动化规则更改工单优先级，例如从“Low”改为“High”时，会发生此事件。该变更会作为明确更新记录在工单活动日志中。
为什么重要优先级变化可能表示工单升级，或问题紧急程度被重新评估。分析这些变化有助于了解升级原因及其对解决时间的影响。获取位置数据来自“Ticket Activities”日志，该日志记录工单属性的所有变更，包括“Priority”字段。采集当“Priority”字段值更新时记录该事件。事件类型 explicit
	工单已重新分配	初次分配后，工单从一名客服或一个团队转交给另一名客服或团队时，会发生此事件。工单活动日志会将其记录为负责人变更。
为什么重要频繁重新分配或客服之间转交率过高，通常表明初始路由不准确或知识分散在不同团队中。分析这些情况有助于发现提升首次接触解决率的机会。获取位置通过“Ticket Activities”日志中首次分配后的“Agent”或“Group”字段变更进行跟踪。采集完成初次分配后，“Assigned to”字段再次更新。事件类型 explicit
	工单已重新打开	当客户回复处于“Resolved”状态的工单时，会发生此活动，系统会自动将其状态改回“Open”。这是系统记录的明确事件。
为什么重要重新打开率高，表明初始解决方案效果不佳，导致返工和客户不满。分析该活动对于“Ticket Re-opening Analysis”和提升首次接触解决率至关重要。获取位置当客户回复触发状态从“Resolved”自动变回“Open”时，系统会捕获该事件。此状态变更记录在“Ticket Activities”日志中。采集客户互动触发状态从“Resolved”变更为“Open”。事件类型 explicit
	已发送满意度调查	表示发送客户满意度调查，通常由自动化规则在工单解决后触发。如果自动化操作记录在工单历史中，系统可能会捕获该事件。
为什么重要标志着反馈收集流程开始。将调查回复与流程变体关联起来，可以深入了解流程绩效如何影响客户满意度。获取位置通常由“Automation Rule”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对自动化操作的日志配置。采集工单解决后，由自动化规则执行记录该事件。事件类型 explicit
	已添加内部备注	客服向工单添加供内部协作使用的私密备注。该事件会明确记录在工单活动流中，只有客服可见。
为什么重要跟踪内部备注有助于分析协作模式，并识别需要大量内部讨论的问题。解决前频繁添加内部备注，可能表明问题复杂或存在知识缺口。获取位置在工单对话历史中记录为“Private Note”，可与面向客户的公开回复区分。采集当客服添加标记为“Private”的备注时记录该事件。事件类型 explicit
	状态变更为Pending	当客服等待客户提供信息，并将工单状态改为“Pending”时，会发生此活动。工单活动历史会明确记录该状态变更。
为什么重要用于识别等待外部输入期间流程暂停的情况。分析处于该状态的时长，有助于量化客户侧延迟并支持SLA合规分析，因为SLA计时器通常会在此状态下暂停。获取位置数据来自“Ticket Activities”日志，该日志记录所有状态变更，包括转为“Pending”的变更。采集当工单的“Status”字段更新为“Pending”时记录该事件。事件类型 explicit

建议可选

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您的Freshdesk实例。
从左侧导航菜单进入主“工单”选项卡，查看工单列表。
使用右侧的“筛选工单”面板定义数据提取范围。至少设置“已创建”日期范围，例如最近6个月。您还可以添加Group、Agent或Source等其他筛选条件，进一步缩小数据集范围。
应用筛选条件后，点击工单列表右上角的“导出”图标，该图标形似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。请确保选择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、首次响应时间、Agent、Group、状态、优先级、类型，以及其他可能有用的自定义字段。
确认选择。Freshdesk将在后台开始处理导出。您会收到一封电子邮件，其中包含下载CSV文件的链接。数据量较大时，处理可能需要一些时间。
通过电子邮件中的链接下载CSV文件。
导出的文件每行对应一个工单，记录工单当前状态的快照及关键时间戳。要创建事件日志，您必须转换这些数据。
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、首次响应时间、解决时间、关闭时间）逆透视为单独的行。每个新行代表一项活动。
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。
生成最终事件日志CSV，包含必需列：ServiceRequest、活动和EventTime，以及其他建议使用的属性。
将转换后的文件保存为适合上传到流程挖掘工具的CSV格式。

配置

**权限：**需要管理员账户，或具有从账户查看和导出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，避免导出完整历史记录，否则处理速度可能非常慢。初次分析通常建议选择3到6个月的时间段。
**工单字段：**在导出对话框中，您可以选择要包含的字段。请务必选择所有可用的时间戳字段，例如Created at、First responded at、Resolved at和Closed at，因为这些字段构成事件日志的基础。同时包含“工单ID”等标识字段，以及“客服人员”“Group”“优先级”和“类型”等上下文字段。
**数据量：**单次导出的工单数量有限，通常为30,000张工单。对于更大的数据集，您可能需要将时间范围拆分为更小的区间，分月执行多次导出。
**交付方式：**导出是异步过程。CSV文件不会直接下载，而是以下载链接的形式发送到发起导出任务用户的电子邮件地址。

a 示例查询 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

**前提条件：**确保系统已安装Python3.6或更高版本。运行以下命令安装所需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：**以管理员身份登录您的Freshdesk实例。点击右上角的个人资料图标，选择“Profile Settings”。您的API密钥会显示在右侧。请安全复制该密钥。
**设置Python脚本：**创建新的Python文件，例如extract_freshdesk.py。将“query”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设置为您的Freshdesk域名，例如yourcompany.freshdesk.com；将API_KEY设置为您获取的密钥；将START_DATE_STR设置为所需的数据提取开始日期，格式为“YYYY-MM-DD”。
**执行脚本：**在终端中使用以下命令运行脚本：python extract_freshdesk.py。脚本将开始从Freshdesk API获取工单数据。
**监控提取过程：**脚本会在控制台输出进度，显示当前处理的工单页码。根据日期范围和工单数量，该过程可能因API速率限制而耗时较长。
**处理API响应：**脚本包含按页获取工单的API分页处理逻辑。当收到429 Too Many Requests错误时，脚本会暂停执行，并按照Freshdesk指定的时长等待后重试，同时遵守API速率限制。
**数据转换：**对于每个工单，脚本会获取其关联的对话和活动，然后解析原始JSON响应，为13项所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：**脚本完成后，会在同一目录生成名为freshdesk_event_log.csv的文件。该文件包含提取的活动和属性组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。验证ServiceRequest、Activity和EventTime列存在且已正确填充。完成后即可将文件上传至ProcessMind。

配置

前提条件：需要拥有Administrator权限的Freshdesk账户，以获取可完整访问工单数据的API密钥。您还必须安装Python 3.6+以及requests和pandas库。
API凭据：脚本需要您专属的FreshdeskDOMAIN和有效的API_KEY，并且必须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时间。建议先选择较小的范围，例如3至6个月，以控制执行时间和API使用量。脚本使用updated_since筛选条件提高效率。
API端点版本：脚本基于Freshdesk v2 API构建。请确认您的账户兼容此版本。
性能注意事项：脚本受Freshdesk API速率限制约束。内置延迟机制可避免超出限制，但这意味着提取大量数据时速度会较慢。对于覆盖数年历史数据的完整加载，建议分批运行脚本，或安排在业务低峰期执行。
包含的数据：脚本配置为提取工单及其关联对话。使用include=stats参数高效获取解决时间、响应时间等元数据。

a 示例查询 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

选择提供持续维护的Freshdesk连接器、支持增量提取，并能写入所需目标的商业ETL平台，例如数据仓库或平面文件。确认连接器版本支持工单、对话、客服、工单历史或审计数据、SLA信息，以及连接器能够获取的自动化或调查记录。
使用连接器所需的最小读取权限创建Freshdesk集成凭据。根据[根据您的系统进行配置]配置Freshdesk账户URL、身份验证方式、凭据、工作区或账户范围，以及连接器专用对象。不要在导出的配置文件中暴露凭据。
配置工单、对话、客服、工单历史或审计记录、SLA记录，以及可用时的调查或自动化记录等提取对象。启用分页、重试处理、速率限制处理和增量提取。增量提取应使用源系统支持的修改时间戳或连接器的增量同步功能。
将提取期间设置为[开始日期]至[结束日期]，通常覆盖三至六个月。为增量运行设置回溯期间，避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，将连接器原始输出存储在[您的原始落地区域]。
使用[您的暂存表名称]或等效ETL组件，将原始数据标准化为暂存数据集。保留源工单标识、源记录标识、事件时间戳、事件类型、操作者、分配的客服、请求类型、状态和优先级。将所有时间戳转换为统一时区，最好使用UTC；如果原始时区可用，也应保留。
为每项明确可用的活动创建一行事件。将工单创建映射为Ticket Created，将分配变更映射为Ticket Assigned，将客服首次公开回复映射为First Response Sent，将待处理状态变更映射为Status Changed to Pending，将客户回复映射为Customer Responded，将客服私密备注映射为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，将已解决状态变更映射为Ticket Resolved，将解决后的重新打开映射为Ticket Reopened，将已记录的调查发送映射为Satisfaction Survey Sent，将关闭状态变更映射为Ticket Closed。
应用活动专属规则，不要推断未记录的事件。Ticket Assigned必须表示初始分配，Ticket Reassigned必须表示相对于原负责人或组的后续变更。First Response Sent必须是工单创建后客服发送的首次公开回复。只有存在明确SLA违规或等效源状态时，才能推导SLA Breached。仅当明确提供发送记录或自动化操作时，才应包含Satisfaction Survey Sent。
使用业务映射选定的稳定服务请求或对话标识填充ServiceRequest。ActivityName必须准确填入一项所需活动标签，EventTime填入活动开始时间戳；在可用时填充EventEndTime；将SourceSystem填为Genesys Cloud CX和AWS EventBridge，将LastDataUpdate填为提取刷新时间戳。可用时填充可选属性，否则留为NULL。
优先使用提供商事件标识去重；如不可用，则使用有文档记录的复合键去重，该复合键包含ServiceRequest、ActivityName、EventTime、参与者或客服标识以及源事件标识。处理EventBridge重试和乱序交付。不要合并时间戳相同但实际不同的重复保持、转接、提供或其他合法重复活动。
根据原始负载数量、事件时间戳、对话标识、队列和客服信息以及完整活动列表，验证标准化输出。导出包含ServiceRequest、ActivityName、EventTime、SourceSystem和LastDataUpdate必需列的平面文件，或加载对应表，并在可用时加入建议列。确保时间戳使用ProcessMind接受的统一时区和格式，然后将事件日志作为Service Request流程输入上传。

配置

连接器范围：使用[Configure based on your system]配置Freshdesk账户、工作区或租户范围。提取连接器提供的工单、对话、Agent、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：在支持的情况下，使用专用的只读集成凭据。将凭据存储在ETL平台的安全连接管理器中，并将访问权限限制为授权管理员。
日期范围：先提取3至6个月的历史数据。对于增量加载，使用连接器支持的游标或修改时间戳，并设置回溯窗口，以捕获延迟到达或更正后的记录。
必需输出字段：每行事件都必须填充ServiceRequest、Activity和EventTime。
建议输出字段：在可用时保留AssignedAgent、ServiceRequestType、Status和Priority。历史值应取自事件记录或适用的工单历史记录，不应根据工单当前状态推断。
活动筛选：包含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所需的全部源记录。
事件规则：不要根据工单最终状态推断事件。请将明确的状态变更、分配变更、对话类型、SLA违规记录和已记录的调查操作分别提取为独立行。
时间戳处理：将EventTime标准化为UTC或其他约定时区。为便于审计，在可用时于暂存层保留源时间戳和源时区。
目标位置：使用[Your destination table name]或[Your output file name]。保留原始层和转换层，以便审计事件映射并重新运行处理流程。
性能：启用分页、增量同步；仅在Freshdesk连接器速率限制允许的范围内使用并行处理；启用指数退避重试；在支持的情况下按修改日期分区。避免反复提取完整的对话和历史数据量。
去重：在可用时使用连接器提供的稳定源记录标识符。删除由重试导致的完全重复记录，但即使业务事件的时间戳和值相同，也要保留这些独立事件。
前提条件：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、目标写入权限，以及充足的API或连接器配额。
可用性说明：对象名称、字段名称、历史覆盖范围、SLA数据提供情况，以及调查或自动化数据覆盖范围，会因ETL产品和Freshdesk套餐而异。请使用[Configure based on your system]配置映射，并在投入生产前根据连接器架构进行验证。

a 示例查询 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？

从清晰了解流程开始，推动客户服务运营转型。该模板是开展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，让客户满意。

开始免费试用

无需信用卡，几分钟即可完成设置

您的客户服务数据模板

您的客户服务数据模板

客户服务属性

客户服务活动

提取指南

Freshdesk原生工单数据导出为CSV

步骤

配置

a 示例查询 json

通过Freshdesk REST API使用Python脚本提取

步骤

配置

a 示例查询 python

使用带Freshdesk连接器的第三方ETL工具

步骤

配置

a 示例查询 json

准备好开始了吗？

立即优化Freshdesk客户服务

您的客户服务数据模板

您的客户服务数据模板

客户服务属性

客户服务活动

提取指南

Freshdesk原生工单数据导出为CSV

步骤

配置

a 示例查询 json

通过Freshdesk REST API使用Python脚本提取

步骤

配置

a 示例查询 python

使用带Freshdesk连接器的第三方ETL工具

步骤

配置

a 示例查询 json

准备好开始了吗？

立即优化Freshdesk客户服务

我们重视您的隐私