售后工单用 AI 分类，规则怎么设

售后工单用 AI 分类，规则怎么设

我们去看过一家做家电售后的公司，后台每天进两百多张工单，全靠两个文员读内容手动点分类。点错的比例不低，装错队的单子往往要过两天才被发现，师傅已经跑了一趟白路。改法不是加人，是让模型先分类，人只处理它拿不准的那部分。

做了三个月，分类准确率从人工的八成多提到九成七，文员从两人减到一个半。真正起作用的不是模型多聪明，是先把分类标准写清楚了。这一节的顺序很重要：标准在前，模型在后。

分类标准先于模型

多数公司说「帮我分类」，模型只能猜。什么算「安装类」，什么算「维修类」，边界在哪里，它不知道。上门装新机和上门修旧机，在客户嘴里都是「师傅来看一下」，只有看清描述里的关键词才能分开。

我们的做法是把现有工单倒出来，人工标两百张，标的时候把判断依据写下来。写着写着就会发现，很多单子靠的不是描述，是产品型号和购买渠道。同一台空调，电商渠道来的多半是安装，线下门店来的多半是维修。这类隐含规则，只有标过一遍才浮出来。

分类不要超过八类

有家公司一开始设了十七类，模型分得乱七八糟。人的分类体系是在长期磨合里长出来的，模型一次要学十七个边界，每个边界都模糊，结果全线崩。砍到六类之后，准确率立刻上一个台阶。

砍的办法是把低频类合并。占比不到百分之三的类，先并进「其他」，等它涨上去再拆。分类的价值在于让工单流到对的人手上，不在于报表好看。分得太细，调度那边反而不知道派谁。

规则怎么写才好执行

规则不能写成「判断是否属于安装类」，得写成可以对照的条件。比如：「描述里出现新机、开箱、首次使用、装好、调试，归安装；出现不制冷、漏水、异响、跳闸、以前能用现在不行，归维修。」正反两面都给出词，模型才有落点。

还有一种写法是把客户的原始描述翻译一遍再判。客户说「昨天还好好的，今天一插电就没反应」，这句话翻译过来是「使用中突然失效」，属于维修，且优先级偏高。让模型先输出一句「客户的实际诉求是什么」，再输出分类，两步比一步准。这个中间步骤看着多余，实测能救回不少边界单。

把「拿不准」当成一个合法结果

关键的一条规则是允许它说不知道。指令里写清楚：判断依据不足时输出「待人工」，并说明缺什么信息。没有这个出口，模型会被迫在几个错答案里挑一个，错得更隐蔽。

我们统计过，允许弃权之后，弃权率稳定在一成左右，这一成里人工判对的超过九成。也就是说，它只在自己真的有把握的时候开口，剩下的交回给人，整个流程反而快了。逼它全部作答，是把风险从系统挪到了客户身上。

分类错了怎么兜

再准的分类也有错。兜底的做法是留一个纠错入口：师傅上门发现类型不对，在手机上点一下「类型有误」，写一句原因。这些记录每周回看一次，把反复出错的描述补进规则里。

有个细节值得说：纠错记录要带上原始描述，不能只记「判错了」。只记结论，你不知道它错在哪，补规则时只能凭感觉。带上原文，能看出是哪类词把它带偏了，改一次顶十次。

另一个兜底是把分类结果和客户回访绑起来。客户在电话里说的问题和工单类型对不上，就标一笔。这两路数据交叉看，能发现模型看不出来的系统性偏差，比如某个型号的描述习惯和别的型号完全不同。

人机怎么分工

现在的分工是这样：模型分完，置信度高的直接进调度队列，低的和弃权的进人工待审。人工那边的工作从「全部读一遍」变成「只看两成」，看的是模型标出来的疑点，比自己从头找快得多。

调度那边还要加一道规则：涉及安全的单子不看置信度，一律人工确认。漏电、燃气、漏水到楼下，这类描述出现就红 {MOD}标记，不管模型多确定。这条不以准确率为转移，是底线。

谁签字谁负责

人工待审那部分，审核的人要在工单上留名。模型判对判错都不追人，人审过的单子出了岔子要能追到人。这条定下来之后，待审环节的认真程度明显不一样，随手点通过的少了。责任落在谁头上，动作自然就慢半拍，那半拍常常就是救回来的错误。

还要给审核的人一条反馈通道。他在审的时候发现规则漏了一种说法，能直接提出来，一周汇总改一次规则。提了没人理，他就不提了，规则也就停在第一天那个版本上。这条比技术方案更能决定这套东西能用多久。

效果怎么验

每周抽五十张人工复核，算三个数：整体准确率、各类的准确率、弃权率。整体数字好看不代表没问题，某一类掉到八成以下，一定是那类的边界没说清。

跑满一个月，回头对比人工时期的两个指标：派工返工率和首次上门解决率。分类准不准，最后要看这两件事有没有变好。数字好但返工率没降，说明分类维度选错了，分得再准也不解决业务问题。

几个容易踩的坑

描述太短就判

很多工单只有一句「空调坏了」。这种单子不管模型怎么判都是猜。规则里要加一条：描述少于十五个字，先让客服补一句再分类，别硬判。补一句话的成本很低，判错的成本是一次上门。

把历史标签当标准答案

拿历史工单训练或做评测时，那些标签本身就是人标的，错的比例不低。拿它当标准答案，等于把旧错误学一遍。先用两百张重新标过的干净数据做基准，再拿历史数据做大规模回归，顺序别反。

忽略多语言和方言

南方的工单里会出现「唔冻」「冇反应」这类写法，模型不一定认。做区域业务的公司，开工前把方言说法汇一张表塞进指令，比事后纠错省事。

这套东西值不值

算账很直接：两个文员一年的人力成本，减去一套接口的费用和半个人的复核时间，剩下的就是省下来的。真正难算的是返工率下降带来的口碑，那个不进报表，但客户续不续单看的就是这个。

也想提醒一句：分类是售后流程里最机械的一段，改它见效快。但工单流转慢、备件不到位、师傅排班乱，这些它一个都解决不了。先把最脏最重复的那段交给它，剩下的流程问题还得人去理。