TapCub 正式上线:统计、分析、客服一个平台免费用
在线客服

客服问题清单:服务后问什么,对话里问什么

客服问题分两类:服务后问客户的,和对话里做诊断的。问题越少越好,每个都对应一个会因此改变的决定。本文给出 8 减到 3 的取舍测试、客服的诊断序列,以及按问题类型拆满意度的可复算算例。

克洛伊·摩根 发布于 2026 年 11 月 16 日 15 分钟阅读 在线客服
示例数据:400 次对话中的 200 份评分。横条是 1–5 分制的均分(5.0 = 100)。总体 780/200 = 3.9 掩盖了账单 192/60 = 3.2,而其余类型为 588/140 = 4.2。示例数据

客服问题分两类:服务结束后你问客户的,和客服在对话里做诊断时问的。前一类越少越好——每个问题都要对应一个你会因此改变的决定——而且记住:对话本身往往比任何问卷更能说明问题。

读完你会知道

  • 只保留答案会改变决定的问题——并写出这个决定的负责人。
  • 服务后:一道 1–5 分评分、一道费力程度题、一道可选的开放「为什么」;解决后约 24 小时内发出。
  • 对话才是更丰富的问卷:挖已解决的对话记录,给高频问题写知识库答案,盯命中率。

客服问题的两个类别

「客服问题」其实是两件不同的事,把它们混在一起,正是大多数问题清单显得没用的原因。一类是服务结束后你问客户的;另一类是客服在对话过程中、为了把问题解决而问的。两类的措辞、时机,以及「算不算成功」的标准,都不一样。

(如果你是来找面试题的——「说一次你处理愤怒客户的经历」——那是另一种意图。这篇讲的是怎么问客户,不是怎么招客服。)

类别谁来问示例问题它干的活
服务后的问题你,在解决之后「您对本次服务满意吗?(1–5 分)」·「您打这个分的主要原因是什么?」告诉你接下来该修什么
对话里的诊断问题客服,在对话进行中「报错前发生了什么?」·「您想达成什么?」让这位访客拿到答案

服务后这一类的规则,就是本文的核心观点:问题越少越好,留下的每一个问题,都要对应一个你会因此改变的决定。诊断这一类的规则不同——问到足以诊断为止,不多问。而且在你写下任何一道问卷题之前,先记住:对话本身往往比问卷更能说明问题。服务后的问题,成功在于它改变了你接下来修什么;诊断问题,成功在于访客不用再把话说一遍。

一个常见的错误是把两类混在一起。有的团队每次聊完都发一份十题问卷,里面还夹着「您当时想做什么?」——一道诊断题——而问题早就解决了。客户在对话里已经告诉过客服,再问一遍,得到的只是敷衍,不是数据。服务后的问题回头看体验,诊断问题往前看问题本身。把两者分开,本文后面也分开讲。

决策测试:只保留会改变决定的问题

大多数服务后问卷都是越加越长:有人加一道题,没人删一道题。解法是一条一句话的测试。对每道题,写下它的答案会改变哪个决定,以及这个决定归谁管。两样都说不出来,就删掉这道题。

三个例子就能看懂。「您对本次服务满意吗?(1–5 分)」留下:客服主管看哪类问题得分低,就先修哪类。「您的姓名和邮箱是?」删掉:登录后的对话本来就知道访客是谁,没人会因为这个答案改变决定。「您有多大可能把我们推荐给别人?(0–10 分)」暂时删掉:这类净推荐值式的问题,只有当有人负责一个会据此行动的跟进项目时,才值得占一个位置。

要写一个真实的角色,不是一个部门。「客服主管每周一看得分低的类型,并指派修复」是负责人;「公司重视反馈」不是。一道边界题也是这样被刷掉的:「您对我们的网站满意吗?」听起来有用,但如果没人负责根据问卷答案去改版,它就只是装饰。删掉,或者先找到负责人。被删的题也不是信息丢了——身份和来源挪到统计里,它们本来就在那儿。费力程度那道题留下的理由和评分一样:客户体验负责人靠它判断退款流程要不要减少步骤。

把一份典型的八题草稿过一遍测试,留下三道:1–5 分评分、费力程度题、一道可选的开放式「为什么」。五道被删。这个 8 减到 3 不是信息损失——被删的题要么重复了你已有的数据,要么喂不饱任何决定。下面的表格把八道题逐一打分,列出每道题对应的决定和负责人。这些问题背后的指标,见客户体验指标。

问题它会改变哪个决定负责人取舍
您对本次服务满意吗?(1–5 分)先修哪一类问题客服主管保留
解决这个问题费了多大劲?要不要简化退款流程客户体验负责人保留
您打这个分的主要原因是什么?(可选,开放)接下来往知识库里写什么客服主管保留
您的姓名和邮箱是?无——对话或登录里已知—删除
您是怎么知道我们的?无——统计来源里已有—删除
您给我们的网站设计打几分?没人负责据问卷答案改版—删除
您有多大可能推荐我们?(0–10 分)仅当存在跟进项目时客户体验负责人暂删
您想订阅我们的邮件吗?无——营销订阅该放在别处—删除

示例问卷草稿:8 道题砍到 3 道。只有当一个明确的负责人会据此行动时,问题才留得下来。

服务后真正值得问的三类问题

对大多数团队来说,能过决策测试的有三类。每一类都给措辞、给「不要问」、给它对应的决定。

  1. 满意度(单次交互 CSAT)。 这样问:「您对本次服务满意吗?(1 = 很不满意,5 = 很满意)」别问「您对我们公司满意吗?」——那是关系层面的问题,一次聊天答不了。Qualtrics 把单次的 CSAT(针对最近一次交互)和关系型的 NPS(针对整体关系)分开。对应的决定:先修哪一类问题。要把评分变成百分比,用 CSAT 公式(SurveyMonkey):满意的人数 ÷ 全部作答人数 × 100。先定好「满意」的门槛——5 分制里通常算 4–5 分——然后保持不变。
  2. 费力程度(CES 式)。 这样问:「解决这个问题费了多大劲?(1 = 很费劲,5 = 很轻松)」,或者同意/不同意式:「这家公司让我很容易地解决了问题。」别把费力和满意度塞进一道双管题。对应的决定:要不要简化某个流程,比如退款。边界:TapCub 没有 CES 或 NPS 问卷功能——在对话里问,或者用外部问卷工具。
  3. 原因追问(一道开放题)。 这样问:「您打这个分,主要原因是什么?」可选、开放、只问一道。Nielsen Norman Group 关于题型的研究发现,开放题能挖出更深、意料之外的洞察,封闭题用来确认。别设成必答,别问三道开放题,也别追问两次「为什么」——第二道开放题会把评分变成审问。对应的决定:接下来往知识库里写什么。

两条量表规则让数字可比。方向固定(1 = 差,5 = 好),所有题一致;量表长度也固定——1–5 分和 1–7 分不是同一个指标。「满意」要先定义再计算:算 4–5 分常见,只算 5 分更严,门槛一动百分比就动。定一次,之后各月用同一个定义比。

时机规则:在解决后约 24 小时内发出请求,趁交互还新鲜。评分放前面,可选的开放题放后面,让价值最高的答案先留下来,扛住中途流失。

哪些问题不要问

六种问法,要么浪费作答,要么产出没法用的数据。

不要问为什么改成
「您对回答的速度和准确性满意吗?」双管题:两个判断,一个分数。Pew 的问卷写作指南把这类题拆成两道。一道评分,加一道开放的「为什么」
「您觉得我们的客服今天棒不棒?」诱导式措辞预设了答案,把分数抬高。「您对本次服务满意吗?」
「如果我们做一个在线客服功能,您会用吗?」假设题:人会错判自己的行为(SurveyMonkey 列的设计错误之一)。问最近一次真实交互
「您的邮箱是?您是怎么知道我们的?」你早就知道:对话里有身份,统计里有来源。身份从对话里取,来源从统计里取
每个工单后都问十道题疲劳:评分被跳过。一道评分加可选开放题通常就够。一道评分,一道可选开放题
一个必答的开放文本框作答者要么放弃,要么打个「好」字。把开放题设成可选

后两行其实是同一个错误换了身衣服:向客户索取他并不欠你的力气。解决完还要填一个必答的开放框,读起来像作业;多数人打个「好」字就走,或者干脆不填。一道评分、一道可选的「为什么」、一天内发出——对大多数团队来说,这就是服务后问卷的全部。如果你要的比这更多,多半该去读对话记录,而不是加题。

客服在对话里该问的诊断问题

诊断这一类的目标不同:不是要一个分数,是要一个诊断。两条序列覆盖大多数对话。

排障——四步,每步一个问题:

  1. 发生了什么:「报错出现时,您正在做什么?」
  2. 您期望什么:「您本来期望发生什么?」
  3. 您试过什么:「到目前为止您试过哪些办法?」
  4. 何时何地:「您在哪个页面,问题是什么时候开始的?」

售前——三步:

  1. 目标:「您想达成什么?」
  2. 阻碍:「现在卡住您的是什么?」
  3. 成功:「对您来说,怎样才算一个好的结果?」

下面是排障序列的四轮对话:

访客: 导出按钮没反应。 客服: 失败时您在做什么——哪个页面,刚才点了什么? 访客: 报表页,刚改完日期范围。 客服: 您期望发生什么,到目前为止试过什么? 访客: 下载一个 CSV。我刷新了两次。 客服: 谢谢——这就把范围缩到日期范围导出了。我来查这条路径。

四个问题,定位一个原因,不靠猜。售前序列同理:目标、阻碍、成功,然后给建议。

开放与封闭的规则(Nielsen Norman Group,Rosala 2024):开放用来发现,封闭用来确认。「报错前发生了什么?」是开放;「是更新之后才开始的吗?」是确认。你给出的选项会塑造答案:Pew Research Center 在 2008 年大选后的一次民调里,把「经济」作为封闭选项给出时,58% 的人选了它;改成开放题,只有 35% 的人主动提到它。先发现,再给选项。有了假设,就从开放切到封闭:「是更新之后才开始的吗?」一个来回就能证实或排除。

两组好坏对照:

  • 差:「您试过重启吗?」——封闭,而且预设了解法。好:「报错前发生了什么?」——开放,能定位原因。
  • 差:「您要月付还是年付?」——封闭,还没诊断就开始推销。好:「您想达成什么?」——开放,先做资格判断。

完整的多轮模板见在线客服话术;语气和时机见聊天礼仪。这一节讲的是提问逻辑,不是话术库。

算例:一个月的问题,两种读法

示例数据。一个月,400 次对话,分五类:账单 120、配送 100、退货 80、操作指引 60、售前 40。其中 200 位访客留了 1–5 分评分:账单 60 人(均分 3.2)、配送 50 人(4.4)、退货 40 人(3.5)、操作指引 30 人(4.6)、售前 20 人(4.5)。

读法一——看平均。 加权和:60×3.2 + 50×4.4 + 40×3.5 + 30×4.6 + 20×4.5 = 192 + 220 + 140 + 138 + 90 = 780。总体均分:780 ÷ 200 = 3.9。看起来还行。

读法二——按类型拆。 账单:192 ÷ 60 = 3.2。其余:588 ÷ 140 = 4.2。3.9 的平均分掩盖了账单的问题。换成 CSAT 百分比(4–5 分算满意):账单 24 ÷ 60 = 40%,配送 44 ÷ 50 = 88%。同一个月,两个完全不同的故事。操作指引(4.6)和售前(4.5)本来就强;数据告诉你别动它们,把力气花在账单上。

门槛很关键:这里「满意」指 4–5 分。只算 5 分,账单的 CSAT 还会更低;算 3–5 分,就会升高。门槛定一次,之后各月用同一个定义比——否则你量的是自己的问卷设计,不是服务。

再看第二个答案来源:对话本身。把 400 次按问的问题打标签,前 20 个高频问题覆盖了 260 ÷ 400 = 65%。写 20 条知识库问答,置顶前 8 条。下个月,同样 400 次提问换了走法:240 次在置顶 FAQ 里自助解决、不建会话,160 次变成对话,知识库答了其中 96 次。命中率:之前 40 ÷ 400 = 10%,之后 96 ÷ 160 = 60%。对话量:400 → 160,降了 60%。

这两个决定——先修账单、写 20 条知识库——来自读对话和按类型拆评分,不是来自一份更长的问卷。下面的图按类型画出均分,并放上总体线作对照。

app.tapcub.com

各类问题的平均满意度 · 200 份评分

均分,1–5
账单3.2
配送4.4
退货3.5
操作指引4.6
售前4.5
总体3.9
示例数据
示例数据:400 次对话中的 200 份评分。横条是 1–5 分制的均分(5.0 = 100)。总体 780/200 = 3.9 掩盖了账单 192/60 = 3.2,而其余类型为 588/140 = 4.2。

你已经有的答案:对话记录和访客上下文

有三个来源,不用问客户任何问题,就能回答大多数服务后的问题:

  1. 已解决的对话记录——客户用过的原话,包括你在解决之前他问的那个问题,以及他问的时候是什么语气(这正是客户情绪分析的原材料)。
  2. 访客上下文——来源、当前页面、近期浏览。「您是怎么知道我们的?」统计里早就有。
  3. FAQ 答案上的「没解决」点击——如果点「没解决」会开一个对话,每次点击都会带着那个 FAQ 答案没能解决的问题进来,告诉你哪里该转人工。

用算例里那五个桶打标签——账单、配送、退货、操作指引、售前——这样各月的计数才对得上。每一次「没解决」点击都当成一条待办:它点名了具体哪条答案失效,这是你能拿到的成本最低的改写清单。

前 20 名清单就是你的内容待办:每一条都是客户已经问过的问题,用的是他们自己的话。一套四步挖掘流程,每月跑一次:

  1. 导出或标记一个月的已解决对话,按问题类型分类。
  2. 按类型计数;列出前 20 个高频问题。
  3. 每条写一个问答答案;置顶前 8 条。
  4. 下个月,复查知识库命中率和对话量。

解决率告诉你这些答案有没有真的把问题关掉;怎样训练客服把诊断序列问好,见客服培训。

在 TapCub 里怎么做

把算例里的账单高峰搬进 TapCub。五步。

  1. 挖问题日志。 在 客服 › 客服工作台 打开「已结束」列表,读一个月的对话记录;每段已结束的对话都能看到满意度评分。上下文侧栏显示访客的来源、当前页面和最近两天的浏览轨迹,和统计用的是同一个访客 ID——所以「这个问题从哪来?」不用问客户。自己把每段对话归进五个类型,就像上面 400 次对话的拆分;账单那一类 3.2 分的问题就是这样浮出来的。
  2. 把前 20 名变成知识库问答。 在 客服 › 知识库 的「草稿收件箱」点「从历史会话生成」,系统把近 30 天已解决会话里的访客提问和坐席回复归并成问答草稿(每 24 小时可生成一次,每批消耗 1 次 AI 额度);草稿要你通过才会上线。改好前 20 条,置顶前 8 条,让它们出现在访客端常见问题里:点开答案不建会话、不占额度,点「没解决」或要求转人工才开会话,并把问题带给坐席。开了 AI 接待时,对话里的问题匹配上问答对,就原文发送存好的答案,不耗 AI 次数。这个分流正是关键:容易的 65% 自助,剩下的交给人工,而且对话记录已经在手。
  3. 在对话里问更少、有映射的问题。 用上面的诊断序列,把一致的措辞存进 客服 › 常用语;坐席在输入框输入 / 插入,发送前可改。服务后的评分是现成的:坐席把对话解决后,访客可以在 24 小时内打 1–5 分,每个会话一次——正是上文「评分放最前、趁新鲜问」的规则,不用另做问卷。TapCub 没有问卷功能,所以费力程度和开放的「为什么」要在对话里问,或者用外部问卷工具。
  4. 看报表,手动拆分。 客服 › 客服报表 给出满意度均分(保留一位小数)和评分条数、「坐席工作量」里按人的满意度、解决率、首次响应(只算人工首次回复)和知识库命中率——算例里是 96 ÷ 160 = 60%。上面按问题类型的拆分是手动给对话分类,不是报表自带的维度;报表给的是均分,4–5 分占比的 CSAT 要用你自己的统计来算。
  5. 清楚边界。 TapCub 没有 NPS 或 CES 问卷。AI 只生成回复——不改订单、不发邮件、不调用别的系统。没有聊天前表单:在对话里问,或者非工作时间用 客服 › 聊天设置 › 离线留言。这里也不编造行业平均 CSAT——和你自己的历史比。

这套做法和问卷的规则一样:问题更少,每个都对应一个决定——而大多数答案,早就在对话记录里,不在问卷里。

常见问题

客服的 CSAT 多少分算好?

没有通用数字;它取决于你的渠道、客户,以及你把「满意」定在哪。盯自己的历史。上面那个示例月里,账单只有 40%,配送却到 88%——同一个团队内部的差距,比任何基准都大。同一套问法下持续上升的趋势,比行业平均更有意义。所以先把量表和门槛定死,再看趋势。

CSAT、NPS、CES 有什么区别?

CSAT 量的是最近一次交互的满意度,是单次的。NPS 量的是整体关系和推荐意愿,看的是长期。CES 量的是解决一个问题花了多大力气。聊完问 CSAT,定期问 NPS,修流程时问 CES。Qualtrics 也是这么区分单次和关系的,三者回答的是不同的问题。

服务后问卷该有几道题?

一道评分加一道可选的开放「为什么」通常就够;再长的问卷也别超过十题。每多一道题,完成率就降一点,答案也更偏向有耐心的人。把每道候选题过一遍上面的决策测试:如果没有一个明确的负责人会因为这个答案改变决定,就删掉。三道映射清楚的题,胜过十道没人行动的题。

客服问卷什么时候发?

解决后约 24 小时内,趁交互还新鲜、还没被下一次冲淡。评分放前、开放题放后,让价值最高的答案扛住中途流失。在线客服里,会话一解决就请访客评分,时机自己就对了,不用去追一段已经模糊的记忆。

该问客户的姓名或邮箱吗?

只在你还没有的时候问。登录后的对话你知道他是谁,统计也早就记了来源。再问一遍,浪费一道题,还显得你刚才没在听。如果跟进确实需要联系方式,就在对话里问一次,说清楚拿来做什么——对方说不愿意,就往下走。

这些问题能让 AI 替我问吗?

AI 能起草并发送回复,包括诊断问题,但它只生成文字——不改订单、不调用别的系统。精确匹配的知识库问答根本不需要 AI 调用。决策测试和服务后评分留在人手里:目的是改变一个决定,不是把问卷自动化。

另见:FAQ 页面怎么做:从真实顾客问题开始。

资料来源

这篇文章对你有帮助吗?

我们会根据反馈修改和补充这篇内容。

克洛伊·摩根

增长策略顾问

关注获客渠道、激活与转化实验,将数据洞察转化为可执行的增长假设和评估方法。

问题更少,答案更多

工作台里的访客上下文、精确匹配的知识库问答、客服报表里的满意度评分——不需要问卷功能。

看清数据,找到增长。

每一次点击,都有数据依据。装好一行代码,1 分钟看到第一批数据。

无需信用卡 · 统计与客服都有免费版 · 统计无 Cookie