呼叫中心数据分析
呼叫中心数据分析
呼叫中心数据分析在现代商业环境中，呼叫中心扮演着至关重要的角色，它是企业与客户之间沟通的桥梁。
呼叫中心数据分析是一种基于呼叫中心采集的数据进行分析的方法，旨在匡助企业了解客户需求、改进客户服务并优化运营效率。
本文将详细介绍呼叫中心数据分析的标准格式，包括数据采集、数据分析和数据应用三个方面。
一、数据采集1. 数据源：呼叫中心数据分析的首要任务是采集呼叫中心的数据。
数据源可以包括呼叫中心系统、客户关系管理系统（CRM）、交互式语音应答系统（IVR）等。
这些系统可以提供呼叫数量、呼叫时长、呼叫类型、客户信息等数据。
2. 数据清洗：在采集到数据后，需要对数据进行清洗，以确保数据的准确性和完整性。
数据清洗包括去除重复数据、填补缺失数据、处理异常值等。
3. 数据存储：清洗后的数据应存储在可靠的数据库中，以便后续的数据分析。
常用的数据库包括关系型数据库（如MySQL、Oracle）和非关系型数据库（如MongoDB、Redis）。
二、数据分析1. 基本统计分析：对呼叫中心数据进行基本统计分析是数据分析的第一步。
可以计算呼叫数量、呼叫时长、呼叫类型的频率分布，了解呼叫中心的运营状况和客户需求。
2. 呼叫趋势分析：通过对呼叫数据的时间维度进行分析，可以了解呼叫的日、周、月、季度和年度趋势。
这有助于企业预测呼叫量的变化，并合理安排人力资源。
3. 客户满意度分析：通过分析客户满意度调查结果和呼叫中心数据，可以评估客户对呼叫中心的满意度。
可以利用NPS（Net Promoter Score）等指标衡量客户满意度，并找出影响客户满意度的关键因素。
4. 问题识别与解决：通过对呼叫中心数据的分析，可以发现客户常见问题和痛点。
可以通过分析问题发生的频率、原因和解决方案的有效性，提出改进建议，优化客户服务流程。
5. 员工绩效评估：呼叫中心数据分析还可以用于评估员工的绩效。
可以根据呼叫数量、呼叫时长、客户评价等指标，对员工进行评估和排名，激励员工提高工作效率和服务质量。
呼叫中心数据分析
呼叫中心数据分析在当今数字化的商业世界中，呼叫中心已成为企业与客户互动的重要枢纽。
每天，大量的电话呼入呼出，承载着客户的咨询、投诉、建议以及订单等各类信息。
而对这些海量数据进行深入分析，对于企业提升服务质量、优化运营流程、增强市场竞争力具有至关重要的意义。
呼叫中心数据分析是什么？简单来说，就是对呼叫中心产生的各类数据进行收集、整理、分析和解读的过程。
这些数据来源广泛，包括通话记录、客户信息、问题类型、处理时长等等。
通过对这些数据的综合分析，企业能够获取许多有价值的洞察。
首先，我们来看看客户行为分析。
通过分析客户来电的频率、时间分布以及咨询的问题类型，可以了解客户的需求规律和偏好。
比如，某电商平台的呼叫中心发现，在促销活动后的一周内，客户来电咨询物流问题的数量大幅增加。
这就提示企业在未来的促销活动中，要提前做好物流配送的规划和沟通，以提高客户满意度。
再来说说服务质量评估。
平均通话时长、客户等待时间、问题解决率等指标是衡量服务质量的关键。
如果平均通话时长过长，可能意味着客服人员的业务熟练度不够，或者是问题本身较为复杂，需要进一步优化流程。
而客户等待时间过长则会直接影响客户的体验，导致客户流失。
通过对这些数据的监测和分析，企业能够及时发现服务中的问题，并采取针对性的措施加以改进。
另外，员工绩效分析也是呼叫中心数据分析的重要组成部分。
通过分析每个客服人员的通话量、问题解决能力、客户满意度等指标，可以对员工的工作表现进行客观评价。
对于表现优秀的员工，可以给予奖励和晋升机会，激励他们继续保持；对于表现不佳的员工，则可以提供培训和辅导，帮助他们提升能力。
除了以上几个方面，呼叫中心数据分析还能在市场预测和产品改进方面发挥作用。
通过分析客户的反馈和需求，企业可以预测市场趋势，提前调整产品策略。
例如，某手机厂商的呼叫中心发现，近期客户对某款手机的电池续航问题反映较多，这就为研发部门提供了改进的方向。
然而，要做好呼叫中心数据分析，并非易事。
呼叫中心数据分析
呼叫中心数据分析1. 引言呼叫中心作为企业与客户之间的重要沟通渠道，承担着处理客户问题、提供支持和解决疑问的重要职责。
为了更好地了解呼叫中心的运营情况以及客户需求，进行数据分析是至关重要的。
本文将介绍呼叫中心数据分析的标准格式，包括数据来源、分析方法和结果展示。
2. 数据来源呼叫中心数据可以从多个渠道获得，如电话系统、CRM系统、社交媒体等。
以下是一些常见的数据来源：- 电话系统：包括呼叫持续时间、呼叫次数、呼叫类型等。
- CRM系统：包括客户信息、交互记录、投诉记录等。
- 社交媒体：包括客户在社交媒体上的留言、评论等。
3. 数据分析方法呼叫中心数据分析可以采用多种方法，根据不同的目标和需求选择合适的方法。
以下是一些常见的数据分析方法：- 呼叫量分析：通过统计呼叫中心的呼叫量，了解客户的活跃程度和呼叫趋势。
可以通过时间段、地区、产品类型等维度进行分析。
- 呼叫时长分析：通过统计呼叫的平均时长、最长时长等指标，了解客户的问题复杂度和解决效率。
可以通过呼叫类型、客户等维度进行分析。
- 客户满意度分析：通过统计客户的满意度调查结果、投诉记录等，了解客户对呼叫中心服务的评价。
可以通过不同的维度（如地区、产品类型）进行分析。
- 问题分类分析：通过对客户问题进行分类和统计，了解客户最常遇到的问题类型以及解决方案的效果。
可以通过呼叫类型、产品类型等维度进行分析。
- 呼叫质量分析：通过对呼叫录音进行评估，了解呼叫中心员工的服务质量和培训需求。
可以通过关键词识别、情感分析等方法进行分析。
4. 结果展示呼叫中心数据分析的结果可以通过多种方式展示，根据受众和目的选择合适的方式。
以下是一些常见的结果展示方式：- 报表：使用表格、图表等形式展示数据指标和趋势，便于快速了解呼叫中心的运营情况。
- 可视化图表：使用柱状图、折线图、饼图等形式展示数据分布和比例，使数据更加直观易懂。
- 仪表盘：通过仪表盘展示关键指标的实时情况，方便管理层进行监控和决策。
呼叫中心数据分析
呼叫中心数据分析1. 概述呼叫中心数据分析是指通过对呼叫中心的通话记录、客户反馈和其他相关数据进行收集、整理和分析，从中获取有价值的信息和洞察力，以支持业务决策和改进呼叫中心运营效率的过程。
2. 数据收集为了进行呼叫中心数据分析，需要收集以下数据：- 呼叫记录：包括呼叫时间、呼叫时长、呼叫类型（入站呼叫、出站呼叫）、呼叫转接次数等。
- 客户信息：包括客户姓名、电话号码、地理位置、客户类型（新客户、老客户）、客户满意度等。
- 通话内容：包括客户问题描述、客服人员回答、问题解决情况等。
- 客户反馈：包括客户满意度调查结果、客户投诉记录等。
3. 数据整理和清洗在进行数据分析之前，需要对收集到的数据进行整理和清洗，确保数据的准确性和完整性。
这包括以下步骤：- 数据清洗：去除重复数据、缺失数据和错误数据。
- 数据整合：将不同来源的数据整合到一个数据集中，以便进行综合分析。
- 数据转换：将数据转换为可分析的格式，例如将日期和时间转换为标准格式，将文本数据转换为数值数据等。
4. 数据分析方法呼叫中心数据分析可以采用多种方法和技术，以下是一些常用的数据分析方法：- 描述性分析：通过对数据的统计指标（如平均值、中位数、标准差等）进行计算和分析，了解呼叫中心的整体运营情况。
- 关联分析：通过分析呼叫记录和客户反馈数据，找出呼叫中心运营和客户满意度之间的关联关系，以及不同因素对客户满意度的影响。
- 预测分析：通过建立模型和算法，预测未来的呼叫量、客户满意度等指标，以便进行资源规划和业务决策。
- 文本分析：对呼叫中心的通话内容进行文本挖掘和情感分析，了解客户问题的主要特点和情感倾向，以及客服人员的回答效果。
5. 数据分析结果应用通过呼叫中心数据分析，可以获得以下应用结果：- 运营效率改进：通过分析呼叫记录和通话时长，找出呼叫中心运营中的瓶颈和效率低下的环节，提出改进措施。
- 客户满意度提升：通过分析客户反馈和调查结果，找出客户满意度低的原因，改进客户服务流程和培训客服人员。
呼叫中心数据分析
呼叫中心数据分析引言概述：呼叫中心作为企业与客户之间的重要联系渠道，每天都会产生大量的通话数据。
这些数据蕴含着珍贵的信息，通过对呼叫中心数据的分析，企业可以深入了解客户需求、优化运营流程、提升客户满意度。
本文将从五个方面介绍呼叫中心数据分析的重要性和方法。
一、呼叫量分析：1.1 呼叫量趋势分析：通过对呼叫量的日、周、月、季度、年度等时间段的分析，了解呼叫量的变化趋势，为企业提供合理的资源配置和人员安排。
1.2 呼叫量分布分析：对呼叫量在不同时间段的分布情况进行分析，找出高峰期和低谷期，合理调整人员数量和工作时间，提高呼叫中心的效率。
1.3 呼叫量来源分析：分析不同渠道、不同地区、不同产品的呼叫量占比，匡助企业了解市场需求和产品受欢迎程度，以便进行精准营销和产品策划。
二、通话时长分析：2.1 平均通话时长分析：计算呼叫中心每一个客服人员的平均通话时长，了解客服人员的工作效率和服务质量，为培训和绩效考核提供依据。
2.2 通话时长分布分析：分析通话时长的分布情况，找出通话时长过长或者过短的异常情况，进行问题排查和改进，提高客户满意度。
2.3 通话时长与问题解决率的关系分析：通过对通话时长和问题解决率的相关性分析，找出通话时长与问题解决率之间的关联，为提升问题解决效率提供参考。
三、客户满意度分析：3.1 客户满意度调查分析：通过呼叫后的满意度调查问卷，采集客户对呼叫中心服务的评价，分析客户满意度的整体水平和不同维度的得分，为改进服务提供指导。
3.2 问题类型与满意度的关系分析：将客户反馈的问题类型与满意度进行关联分析，找出问题类型对满意度的影响，为提升客户满意度制定针对性的改进措施。
3.3 客户满意度与重复投诉率的关系分析：通过客户满意度和重复投诉率的相关性分析，了解客户满意度对重复投诉率的影响，为提高客户忠诚度和口碑效应提供参考。
四、服务质量分析：4.1 服务等待时间分析：分析客户在呼叫中心等待接通的时间分布情况，找出等待时间过长的问题，优化呼叫中心的服务流程和人员配置。
呼叫中心数据分析
呼叫中心数据分析一、引言呼叫中心是企业与客户之间进行沟通和交流的重要渠道。
随着呼叫中心技术的不断发展和应用，大量的数据被收集和记录下来。
本文将对呼叫中心数据进行分析，以帮助企业了解客户需求、提高客户满意度和优化运营效率。
二、数据收集和整理1. 数据来源呼叫中心数据来源于客户与呼叫中心的通话记录、在线聊天记录、电子邮件交流等渠道。
2. 数据类型呼叫中心数据包括客户信息、通话时长、通话目的、问题分类、客户满意度评价等。
3. 数据整理对收集到的数据进行清洗和整理，包括去除重复数据、填补缺失值、转换数据格式等，以确保数据的准确性和一致性。
三、数据分析方法1. 呼叫量分析通过对呼叫中心数据进行统计和分析，可以了解到不同时间段、不同渠道的呼叫量情况，从而合理调配人力资源，提高客户服务质量。
2. 问题分类分析将客户呼叫中心的问题进行分类，可以帮助企业了解客户的主要关注点和需求，有针对性地改进产品或服务，提高客户满意度。
3. 通话时长分析通过分析呼叫中心通话的平均时长、最长时长、最短时长等指标，可以评估客户服务的效率和质量，优化呼叫中心的运营流程。
4. 客户满意度分析通过对客户满意度评价数据的统计和分析，可以了解客户对呼叫中心服务的满意程度，发现问题并及时改进，提升客户体验。
5. 呼叫转化率分析通过分析呼叫中心的呼叫转化率，即客户通过呼叫中心解决问题或购买产品的比例，可以评估呼叫中心的销售能力和服务质量，为企业制定营销策略提供依据。
四、数据分析工具和技术1. 数据可视化工具使用数据可视化工具如Tableau、Power BI等，将呼叫中心数据转化为图表、图形等形式，直观地展示数据分析结果，方便管理层和决策者进行数据洞察和决策。
2. 数据挖掘技术利用数据挖掘技术如聚类分析、关联规则挖掘等，挖掘呼叫中心数据中的潜在规律和关联关系，为企业提供更深入的洞察和决策支持。
3. 自然语言处理技术对呼叫中心的在线聊天记录、电子邮件交流等非结构化文本数据进行自然语言处理，提取关键词、情感分析等，帮助企业了解客户需求和情感倾向。
呼叫中心数据分析
呼叫中心数据分析概述：呼叫中心数据分析是通过对呼叫中心的各种数据进行采集、整理和分析，以获取有关呼叫中心运营和客户服务的洞察和见解的过程。
通过深入分析呼叫中心数据，企业可以了解客户需求、改进服务质量、优化运营效率以及制定更有效的业务决策。
数据采集：呼叫中心数据分析的第一步是采集相关的数据。
这些数据可以包括呼叫中心的通话记录、客户满意度调查、呼叫等待时间、呼叫转接次数、呼叫质量评分等。
此外，还可以采集与呼叫中心相关的其他数据，例如销售数据、客户反馈等。
数据整理和清洗：在进行数据分析之前，需要对采集到的数据进行整理和清洗。
这包括去除重复数据、填补缺失值、处理异常值等。
通过数据整理和清洗，可以确保分析的准确性和可靠性。
数据分析方法：呼叫中心数据分析可以采用多种方法和技术。
以下是一些常用的数据分析方法：1. 呼叫中心绩效分析：通过对呼叫中心的关键指标进行分析，如呼叫接通率、平均通话时长、呼叫等待时间等，可以评估呼叫中心的绩效表现。
这有助于发现潜在的问题和瓶颈，并提出改进建议。
2. 客户满意度分析：通过分析客户满意度调查数据，可以了解客户对呼叫中心服务的满意程度。
这可以匡助企业发现客户需求和期望，并改进客户服务策略。
3. 呼叫中心质量管理：通过对呼叫中心的通话录音进行分析，可以评估呼叫中心的服务质量。
这包括评估客服人员的沟通技巧、问题解决能力以及客户体验等方面。
4. 呼叫中心效率分析：通过分析呼叫中心的运营数据，如呼叫量、呼叫转接次数、呼叫等待时间等，可以评估呼叫中心的运营效率。
这有助于发现运营瓶颈，并提出改进措施，以提高呼叫中心的效率和生产力。
数据可视化：为了更好地理解和传达数据分析的结果，可以使用数据可视化工具将数据呈现为图表、图形和仪表板等形式。
数据可视化可以匡助用户更直观地理解数据，发现数据中的模式和趋势，并支持决策制定过程。
报告和建议：最后，根据数据分析的结果，可以撰写详细的报告，并提出相应的建议。
呼叫中心数据分析
呼叫中心数据分析呼叫中心数据分析1. 概述呼叫中心是企业与顾客进行方式沟通的重要渠道之一，通过分析呼叫中心的数据，企业可以获取客户需求、了解客户反馈、优化服务质量等重要信息。
本文将介绍呼叫中心数据分析的意义、常用方法和步骤。
2. 呼叫中心数据的意义呼叫中心数据包含大量有价值的信息，通过对这些数据进行分析，企业能够获取以下洞察：- 客户需求：通过分析来电目的、问题类型等信息，企业可以了解客户的需求，进一步优化产品和服务。
- 服务质量：通过分析来电时长、通话过程中的沟通质量等信息，企业可以评估服务质量，发现问题并进行改进。
- 客户满意度：通过分析来电评价、客户反馈等信息，企业可以了解客户满意度，发现问题并及时解决。
- 运营效果：通过分析呼叫中心的工作效率、呼叫分布等信息，企业可以评估运营效果，进行资源优化。
3. 呼叫中心数据分析方法呼叫中心数据分析通常使用以下常用方法：- 数据收集：呼叫中心数据可以从各种渠道获取，如方式录音、呼叫记录等。
企业需要建立数据收集机制，确保数据的准确性和完整性。
- 数据清洗：在进行数据分析之前，需要对数据进行清洗，包括去除重复记录、处理缺失值等。
- 数据转换：将呼叫中心数据转换成适合分析的格式，如将方式录音转换成文本，提取关键信息等。
- 数据分析：使用统计学和机器学习等方法，对呼叫中心数据进行分析，探索数据的关联性、趋势等。
- 结果可视化：通过可视化工具，将数据分析的结论以图表等形式展示，便于企业决策和沟通。
4. 呼叫中心数据分析步骤呼叫中心数据分析通常包括以下步骤：- 定义分析目标：根据企业的需求，明确呼叫中心数据分析的目标，如了解客户需求、提升服务质量等。
- 收集和整理数据：获取呼叫中心的数据，清洗和整理数据，确保数据的准确性和完整性。
- 数据探索分析：对数据进行探索性分析，包括统计量计算、数据可视化等，发现数据之间的关系和趋势。
- 数据建模和预测：基于数据分析的结果，建立模型进行预测，如客户满意度的预测、服务质量改进的方向等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
练习2
要求： 每增加一个二线人力 (或专家投诉
人力)，一线人力不变，则一线人均服 务量需增加多少才能与现有水平“1084 单”持平？
2.IVR通话均长/ICS闭环时长
结束 学习态
出勤率 VS 工时利用率 VS 通话率 ➢出勤率=符合要求出勤小时数/排班应出勤小时数×100％ ➢工时利用率=在线工作时长(签入系统时长)/工作时长×100％ ➢通话率=通话时长/在线工作时长(签入系统时长) ×100％
我和数据有个约会
——透过数据看运营
课程安排
➢Part Ⅰ 30min 什么是数据？什么是统计？
➢Part Ⅱ 160min 运营数据分析
➢Part Ⅲ 20min 有意思的研究
Part Ⅰ 数据 & 统计
数据无处不在
员工数据
姓名 出生年月 籍贯 身份证号码 住址 入职时间
数据无处不在
运营数据
➢成长中的儿童，年龄较大的 身高会比较高，一般而言年龄 较大的儿童拼写能力会比年龄 较小的儿童强
从统计的误区学到的
➢ 统计不是为了考核作图 ➢ 统计不能只看结果不看原因 ➢ 统计学就是把数据转化为信息的科学 ➢ 利用统计方法进行数据分析，是为了验证某
个想法、观察运营的某种状态（健康度）等 运营指标而进行的分析
案例1（续）
练习1
要求： 用控制图找出服务量出现异常的 时间点
案例2——人均服务量(人均工作量)
为什么人均服务量重要
ICS总处理量：309755 ➢现有人力为：129.5人，其中一线人力103人，二线人力 12.5人，专家投诉人力14人
➢一线人均服务量为：3007 加入二线后人均服务量为：2682 再加入专家投诉后人均服务量为：2392
1.服务量——是正常波动，还是异常？
➢正常波动是由随机原因引起的运营波动，处于控制状态 ➢异常波动是指由可指出原因(系统原因)引起的运营波动， 处于脱控状态 ➢通过观察控制图上点的分布来判断运营波动是由随机原因 引起的，还是可指出原因引起的
一个小知识——标准差
标准差：各数 据偏离均值的 距离的平均数
➢A、B两种运营情况满意度均值都为70% ➢哪种运营情况更好？
案例1——呼叫中心常用的判断标准
控制图：“68531”原则 ➢6：存在连续6个点↑或↓； ➢8：存在连续8个点处于均值(AVE)的单边； ➢5：在连续5个点中，有4个点在1倍标准差(AVE+STD,AVE-STD)之外； ➢3：在连续3个点中，有2个点在2倍标准差(AVE+2STD,AVE-2STD)之外； ➢1：有1个点在3倍标准差(AVE+3STD,AVE-3STD)之外
通话均长 ➢统计期内，员工通过电话和用户交流的平均时长
2.IVR通话均长/ICS闭环时长
闭环时长 ➢统计期内，自用户提单开始到员工回复給用户的平均时长
一个小知识——离散系数
➢离散系数又称变异系数 ➢适用情况
在进行两个或多个群体运营情况的比较时，如果 统计单位或均值不同，需要用到离散系数 ➢公式
离散系数=标准差/平均值
案例4（续）
演示：Z技能组平均闭环时长的计算
练习4
要求： 根据表格数据，分别计算包含超时单 和不包含超时单的平均闭环时长
3.工时利用率&通话率
在线工作时长
有效在线工作时长
请假示忙时长 学习时长
刷卡上班
登录/ 换班签入
上班
请假/示忙
结束 请假/示忙
换退 班出 签/出刷卡下班
下班
工作时长
进入 学习态
满意度 效率 质量 成本
数据无处不在
用户数据
VIP/非VIP QQ号码 开通业务 求助渠道 游戏行为
数据无处不在
工资收入
数据无处不在
房价
数据无处不在
消费
恩格尔系数=食物支出金额/总支出金额
➢60％以上为贫困 50％~60％为温饱 40％~50％为小康 40％以下为富裕
处于什么阶段？
数据无处不在
讨论
Q： 数据分析有哪些步骤？
数据分析的过程
Part Ⅱ 运营数据分析
常用的考核
IVR 人均服务量 通话均长 工时利用率 通话率 接通率 满意度 正确率
ICS 人均服务量 闭环时长 服务响应率 处理率 满意度 正确率
1.服务量
服务量(工作量) ➢统计期内，员工处理的服务请求总量
1.服务量
统计的小故事
There are three kinds of lies: Lies, Damned lies, and Statistics!!
世上有三种谎言: 谎言, 该死的谎言, 还有统计！！
统计的误区-1
➢ ICS与IVR满意度差异大吗？ ➢ ICS满意度波动大吗？
统计的误区-1
➢ 更改Y坐标轴之后呢？
案例3——IVR通话均长
②
①
③
④
➢团队的优秀员工集中在哪个象限？
案例3（续）
①象限：通话均长较长，离散系数较高
➢趋势值在明显进步，通常是新员工 ➢趋势值没有明显进步或退步，通常是技能没有成功养成的员工 ➢趋势值明显退步，注意员工的离职倾向
②象限：通话均长较短，离散系数较高
➢趋势值在明显进步，处于明显成长进步的阶段 ➢趋势值没有明显进步或退步，表现不稳定 ➢趋势值明显退步，处于明显的低潮和退步阶段，注均长较短，离散系数较低
➢优秀员工集中的象限 ➢注意发展趋势
④象限：通话均长较长，离散系数较低
➢技能不好，非常稳定 ➢需要投入较多精力
练习3 要求： 绘制Y组员工的四象限图
案例4——ICS闭环时长
发现超时单据
案例4——ICS闭环时长
组长进行解释
Q：超时单对整体业务的闭环 时长影响有多大？
统计的误区-2
➢根据交通管理部门的统计结 果，多数车祸发生在当汽车行 驶于一般车速的时候，只有少 数车祸发生在超速的时候，所 以开快车比较安全？
➢多数人都以一般车速开车， 所以多数车祸发生于一般车速
统计的误区-2
➢民间调查研究显示，身高比 较高的儿童拼写能力也比较好， 所以从一个人身高的高矮，可 以判断他拼写能力的强弱？
➢数据包含的信息很多，但是数据中的信息往 往是分散的，单个数据很难直接被应用起来 ➢统计学就是把数据转化为信息的科学
统计的小故事
一辆火车行驶在草原上，遇到一群白色的 羊……
➢物理学家说，我们看到的羊群是白色的 ➢数学家说，我们看到的羊群朝向我们这面的那 部分是白色的 ➢统计学家说，我们看到了103只羊，它们都是白 色的，我推断天下的羊都是白色的