我一直在将 Discourse 指标复制到我们的 BI 工具 ThoughtSpot 中，当涉及到 “首次响应时间” 指标时，我注意到当按周或月查看时，该指标的报告方式存在缺陷。
目前，Discourse 报告会计算 每日平均响应时间，但在聚合到 周或月 视图时，它只是简单地取 每日平均值的平均值，而不是计算 加权平均值。这可能导致误导性的结果，尤其是在某些日子的主题数量远多于其他日子的情况下。
示例：
以下是每日响应时间和主题数量的细分：
| 日期 | 平均响应时间（小时） | 主题数 |
|---|---|---|
| 3月16日 | 1.9 | 1 |
| 3月15日 | 23.6 | 1 |
| 3月14日 | 0.4 | 3 |
| 3月13日 | 6.0 | 7 |
| 3月12日 | 0.3 | 1 |
| 3月11日 | 2.1 | 8 |
| 3月10日 | 6.6 | 1 |
现在，如果我们计算 平均值的平均值，我们会得到：
然而，这并 不能 准确地表示真实的首次响应时间，因为它将每一天同等对待，而忽略了创建了多少主题。相反，正确的方法是计算 加权平均值，并考虑主题数量：
使用这种方法：
为什么这很重要
差异很大——5.82 小时 vs. 2.85 小时。当前的方法会过度权衡异常日期（如 3 月 15 日，响应时间为 23.6 小时但只有一个主题）并低估高活动日期（如 3 月 11 日，有 8 个主题，响应时间为 2.1 小时）。
为了更准确地表示响应时间，Discourse 在按时间聚合时应切换到加权平均值。
很想听听大家的想法——有人注意到这个问题吗？