一家电商把客服分派改造成什么样

这是一份脱敏整理后的改造复盘。企业信息与具体数字均为示意,用于说明方法与判断逻辑,不作为任何承诺。 改造前的问题是什么? 一家电商企业,客服工单靠人工分派。每天数千条工单,分到售前、售后、物流、技术四个组。 三个痛点。第一,分派靠人看内容判断,慢且不准。第二,分错了要转组,客户要重复描述。第三,高峰期货量集中,分派成为瓶颈。 第一步做了什么? 重做分类体系。 原来有二十多个类别,定义重叠,人自己也分不清。合并成九个主类,每个主类写清定义、典型场景、边界案例。 九个主类下再设子类,但分派只到主类。子类由处理组内部再分。 这一步的核心是减少判断难度。类别太多,人和模型都会错。 第二步做了什么? 建评估集。 从历史工单里抽一批,人工标注正确类别,作为基准。 抽样时特意覆盖了三类难判的:跨类工单、描述模糊的工单、多问题混合的工单。 这批数据后来成了所有改动的评判依据。 第三步做了什么? 先上规则,再上模型。 规则层处理确定性高的:含订单号且无异常关键词的走物流,含退款字样的走售后。 规则覆盖了约六成工单,剩下的交给模型判断。 这样做的原因是:规则稳定、可解释、成本低,能先把大部分简单工单分流掉。 第四步做了什么? 模型层加置信度阈值。 模型给出类别和置信度。高于阈值直接分派,低于阈值进人工队列。 阈值不是拍脑袋定的,是用评估集调出来的。调的过程中发现,阈值提高会减少错误分派但增加人工量,要找平衡点。 第五步做了什么? 兜底与反馈。 设置一个公共队列,分派失败或低置信度的工单进这里,由专人处理。 处理组可以标记分派错误,数据回流用于优化规则和模型。 上线后有什么变化? 三个变化。 第一,分派耗时下降,高峰期的积压缓解。 第二,错误分派率下降,客户重复描述的情况减少。 第三,人工从分派岗位转到复核和兜底岗位,人数减少但岗位要求提高。 具体数字不便披露,方向是明确的。 遇到了哪些问题? 四个。 第一,新类别上线初期混乱。处理组不熟悉新分类,标记错误增多。修法是加了两周过渡期,双轨运行。 第二,跨类工单无解。一条工单既涉及退款又涉及物流,只能二选一。修法是允许标记主类和副类。 第三,模型对新型问题无感。促销活动期间出现新的咨询类型,模型分错。修法是活动前人工补充规则。 第四,考核没跟上。分派岗位的考核还是看处理量,转型后指标不适用。修法是改成看复核准确率。 关键经验是什么? 四条。 第一,分类体系是基础。类别不清,模型再好也分不准。 第二,规则和模型分层。规则处理确定性,模型处理模糊性,成本更低也更稳。 第三,置信度阈值要可调。不同时期的平衡点不同,要能快速调整。 第四,兜底队列必须有。没有兜底,低置信度工单会卡住。 如果重来会怎么做? 两件事。 第一,更早改考核。考核不变,人的行为不会变。 第二,活动前预留调整窗口。大促期间咨询类型变化快,要提前准备。 改造的价值不在技术,在分类体系和兜底设计。这两样做好了,模型只是执行者。 去论坛讨论 前往 ziyuanagi.com 论坛 参与讨论

2026-11-13 · 1 min · 55 words · 王波

一家制造企业把质检交给智能体之后

这是一份脱敏整理后的改造复盘。企业信息与具体数字均为示意,用于说明方法与判断逻辑,不作为任何承诺。 起点是什么样? 一家中型制造企业,外观质检靠人工。三条产线,每条两人,两班倒,共十二人。 问题有三个。第一,漏检率随班次后半段上升,疲劳影响明显。第二,判定标准不一致,不同人对同一缺陷的容忍度不同。第三,数据不留存,出了问题无法回溯。 第一步做了什么? 不是买模型,是先定标准。 把缺陷分成六类,每类拍标准样本,写清判定边界。边界模糊的类别,先由质量部门定规则。 这一步花了三周。事后看,这三周决定了项目能不能成。 第二步做了什么? 采集方案设计。相机、镜头、光源、工装,先在一个工位做验证。 验证方法很朴素:同一批产品,人工判一遍,系统判一遍,逐件对比。 对比发现两类问题。第一,反光导致误判,改了光源角度。第二,极小缺陷拍不清,换了镜头。 第三步做了什么? 样本积累与标注。三个月积累了两万多张图,覆盖六类缺陷。 标注由质量部门做,两人交叉复核,一致性低于标准的重新标。 这一步最枯燥,但决定了模型上限。 第四步做了什么? 产线集成。触发信号、结果输出、剔除机构、MES 对接。 集成阶段只能在停机窗口做,前后用了六周。 关键设计是:系统判定的结果不直接驱动剔除,先经过一个缓冲队列,人工可复核。 上线后发生了什么变化? 三个变化。 第一,质检人力从十二人降到四人,四人转为复核和异常处理。 第二,漏检率下降,但具体数字不便披露,只能说改善明显。 第三,数据留存完整,每件产品有判定记录和图像,可回溯。 遇到了哪些问题? 四个。 第一,模型漂移。上线两个月后,效果下降。原因是物料批次变化,光照特性变了。修法是季度校准加样本补充。 第二,过杀率高。初期把良品判为缺陷的比例偏高,产线抱怨。修法是调整阈值,接受少量漏检换取过杀下降。 第三,工人抵触。担心被替代。修法是把转岗方案提前说清,让人知道去哪。 第四,集成遗留问题。剔除机构偶尔误动作,查了两周才定位到信号干扰。 关键经验是什么? 四条。 第一,标准先行。缺陷定义不清,模型再好也白搭。 第二,小范围验证。一个工位跑通再扩线,不要一次全上。 第三,人机协同设计。系统判定加人工复核的缓冲设计,让上线风险可控。 第四,运维预算。模型会漂移,运维是持续投入,不是一次性项目。 如果重来会怎么做? 两件事。 第一,更早介入产线。采集方案设计阶段就让产线工程师参与,避免后期集成返工。 第二,提前做人员沟通。转岗方案在项目启动时就讲清楚,减少中途抵触。 案例的价值不在数字,在顺序。顺序对了,同样的投入能出结果;顺序错了,投入翻倍也难成。 去论坛讨论 前往 ziyuanagi.com 论坛 参与讨论

2026-11-13 · 1 min · 48 words · 王波
🔗 字元科技海外论坛 · https://ziyuanagi.com/ | 📡 RSS 订阅
鲁ICP备2026018361号
📮 联系信箱:13789892969@139.com