夜雨聆风大家好，我是ViVi，这是 AI 客服的第2篇，今天我们讨论：智能分流。
上一篇我们聊了AI客服中的“意图识别”。简单来说，意图识别解决的是一个问题：“用户到底想干什么”。
比如用户说：“我昨天申请退款了，怎么钱还没回来”。系统需要判断，他现在咨询的是“退款进度”，而不是“申请退款”。但知道用户想干什么，只完成了第一步。
接下来还有一个更现实的问题：这个用户应该由谁来处理？是机器人直接解决？还是转人工？
如果转人工，是普通客服、高级客服，还是专门处理退款的客服？
如果同时有很多用户在等待，谁应该先处理？
如果最适合处理这个问题的人正在忙，是继续等，还是找第二合适的人？
1
智能分流到底是什么
很多人第一次接触“智能分流”，很容易把它理解成：用户提出问题 → AI识别意图 → 分到对应客服组。比如：退款问题 → 退款组；物流问题 → 物流组；投诉问题 → 投诉组。这当然属于分流，但只是最基础的一层。
一个真正完整的智能分流系统，需要连续回答几个问题：
（1）这个问题应该由AI还是人工处理？
（2）如果需要人工，应该进入哪个服务队列？
（3）同一个队列里有很多用户，谁先处理？
（4）这个用户应该匹配给哪个员工？
（5）如果一直找不到合适的人怎么办？
因此，我更愿意把智能分流理解成：在合适的时间，把合适的问题，交给合适的资源处理。这里的“资源”甚至不一定是人工客服，也可能是机器人、AI Agent、专家团队或者其他后台部门。
一套比较完整的逻辑，大致是这样的：
2
第1步：先判断这个问题能不能交给AI
用户进入客服系统以后，前面已经完成了一部分理解工作（意图试图）。
例如：
用户A：“帮我查一下订单什么时候发货”。系统判断：普通物流查询，没有明显风险。那么完全可以优先交给AI处理。
但用户B说：“我的账户突然少了5000块钱，这笔钱不是我操作的”。即使AI理论上可以告诉用户一些账户安全知识，也不代表应该让AI继续处理。因为这个问题已经涉及资金安全。
所以智能分流的第一步，不应该只是：这个用户属于哪个业务。还应该判断：这件事情到底能不能交给AI？
这时候就会涉及一个很重要的概念：硬规则。
硬规则可以简单理解成：无论AI判断多聪明，都不能突破的业务边界。
例如：
账户盗用 → 必须进入安全专席；
高风险投诉 → 必须进入投诉团队；
某些法律、监管类问题 → 必须人工介入；
超过某个金额的业务 → 必须有对应权限的人处理；
某些特殊用户 → 必须进入专属服务体系。
因此，AI在这里更多负责理解用户，而硬规则负责划定边界。
AI越来越聪明，并不意味着所有决定都应该交给AI。尤其在客服领域，很多问题不是“能不能回答”，而是：有没有权限处理、出了问题谁负责。
如果确定AI可以处理，就进入AI服务。如果确定必须人工，才正式进入后面的人工分流体系。
3
第2步：进入哪个队列，谁应该先处理
确定需要人工以后，接下来首先要回答：这个用户应该进入哪个服务队列？
传统客服中心通常按照业务进行划分，但实际业务往往还会综合：语言；用户类型；产品线；服务渠道；特殊业务资格等。
这里有一个很重要的设计原则：队列不要拆得过细。
比如AI可以识别出：“退款到账异常”，但员工未必需要一个叫做：“退款到账异常处理技能”的标签。员工可能只需要具备：退款业务能力。
也就是说：意图可以识别得细，但队列和员工技能不一定需要跟着拆得同样细。否则业务稍微变化，系统里就可能出现大量相似队列和技能标签，最终越来越难维护。
进入队列以后，又会出现第二个问题：谁先处理？
传统排队最容易想到的是“先来先服务”，但客服场景并不能完全这样做。
比如队列中同时有三个用户：
A：普通退款查询，刚刚进入。
B：退款失败，已经等待5分钟。
C：账户存在资金异常，刚进入20秒。
如果严格按照先来先服务，应该处理B，但实际业务很可能需要优先处理C。所以智能分流通常还会设置：优先级。
例如：高风险问题优先于普通业务异常，普通业务异常又优先于一般咨询。但这里又不能简单变成：高优先级用户可以无限插队，否则普通用户可能永远排不到。
因此，还需要考虑：等待时间，即用户等待越久，优先级应该逐步提高。所以排队并不是一成不变的。
一个原本普通的问题，等待时间太长以后，也应该逐渐获得更高的处理优先级。这也是智能分流里很容易被忽略的一点：不仅要照顾真正紧急的问题，也要避免普通用户被无限晾在队伍最后。
4
第3步：不是谁空闲给谁，而是先找有资格的人
现在行业里经常提到：技能路由。
但“技能”这个词很容易让人产生误解。很多人会想到：谁的满意度最高？谁的FCR最好？谁最擅长安抚投诉？然后把各种绩效数据全部做成员工技能标签。实际上，更合理的做法应该把员工信息分成几层。
1-第一层：资格型能力
它回答的是：这个员工到底能不能处理这个问题？
例如：
是否可以处理电话、Chat、邮件；
是否会对应语言；
是否掌握退款、物流、支付等业务；
有没有对应金额权限；
有没有高级投诉处理资格；
是否具备特殊产品或用户群体的处理权限。
这些标签的共同特点是：相对稳定且可以验证。因此，它们非常适合做第一轮筛选。
比如现在来了一个：“中文用户，申请处理2000元退款”。
那第一轮筛选以后，真正进入候选池的只有员工A。
2-第二层：熟练程度
比如：
员工A和员工B都有退款技能，但A的退款业务熟练度是5级，B是3级。那么复杂退款问题当然可以优先考虑A。
但这里最好不要把“熟练度”变成绝对门槛，否则可能形成一个非常典型的循环。
与此同时，其他员工因为长期拿不到这类业务，越来越缺乏经验，最后系统的数据看起来还会再次证明：“果然只有A最擅长退款”。这就是典型的反馈回路。
所以比较合理的思路应该是：稳定能力决定能不能接，熟练程度决定更希望谁接，而不是把最熟练的人变成唯一能接的人。
5
第4步：从合格员工中，选择“现在最合适的人”
经过资格筛选以后，可能仍然有很多人都可以处理，这时候才真正需要做员工排序。
系统可能综合考虑：
业务熟练程度；
当前是否空闲；
当前负载；
已经多久没有分到任务；
当前同时处理多少个Chat；
部分类似场景的历史处理表现。
这里有一个特别重要的区别：最强的人，不一定是现在最合适的人。
例如：员工A处理退款能力最强，但他现在已经同时处理4个Chat；员工B退款能力稍弱一些，但完全空闲。如果所有退款用户都继续等A，A会越来越忙，而B没有任务，用户等待时间越来越长。
这种分配当然不能算“智能”。
所以智能分流优化的应该是：整体资源效率，而不是把每一个Case都塞给最厉害的人。
这也涉及一个比较敏感的问题：能不能直接根据员工的FCR、AHT、满意度等绩效指标来决定任务分配？
理论上可以参考，但最好不要过度依赖。因为绩效数据本身也可能受到任务分配影响。
比如：A员工前两周集中支援一个比较简单的业务。结果，FCR很高，AHT很低。于是，系统认为他“特别擅长”这一场景，然后继续给他更多类似业务。
那这些漂亮的数据到底说明：员工能力特别强？还是因为系统本来就给了他更容易处理的Case？很难完全拆开。同时绩效还会受到：样本量；班次；用户类型；业务难度；促销活动；数据口径等很多因素影响。
因此，一个相对稳妥的设计是：资格标签负责筛选，熟练度负责优先级，绩效数据只作为员工排序中的参考信号之一，不要让它拥有过高权重。
6
第5步：“靶心路由”扩大分配，以及判断智能分流效果
现实世界不会每次都刚好有一个完美员工正在等待用户。
假设一个Case希望匹配：英语 + 退款技能4级以上，但当前所有符合条件的人都在忙，怎么办？
第一种选择当然是继续等，但不能无限等，所以比较合理的机制是：逐步放宽匹配要求。
例如：
刚进入时：退款熟练度5级 + 英语能力4级以上。
等待5秒：放宽到退款熟练度4级。
继续等待：放宽到退款熟练度3级。
再继续等待：只要具备基本退款资格和英文服务能力，就可以承接。
这里要注意：可以放宽的是偏好，不能放宽的是资格。
比如：A员工没有2000元退款权限。无论用户等多久，也不能因为队列太忙，突然让他拥有这个权限。
如果不断扩大员工池，仍然无法在合理时间内提供服务，就需要进入：溢出处理。
判断是否需要溢出，更值得关注的是：预计等待时间和SLA。也就是：按照当前服务能力，这个用户还能不能在目标时间内获得服务？如果不能，就应该逐步扩大服务范围或者启动备用机制。
而整个智能分流项目上线以后，也不能只看一个：“分流准确率95%”。
最终评估至少应该关注几类结果：
（1）分流本身：
意图和路由是否准确；
高风险问题有没有漏掉；
错误分流有没有下降。
（2）用户过程：
转接率有没有下降；
等待时间有没有改善；
SLA有没有提升；
用户放弃率有没有降低。
（3）问题解决：
FCR有没有提高；
重复进线有没有减少；
用户满意度有没有变化；
AHT是否合理。
这里尤其不能单独追求AHT。如果AHT下降20%，但用户重复进线增加30%，那很可能不是效率提高了，而只是客服更快结束了会话。
最后还应该看整个客服中心：
高级客服有没有继续被大量简单业务占用；
普通员工是否获得足够业务机会；
各技能组负载是否合理；
单次服务成本有没有下降；
相同人力是不是能够处理更多需求。
这也是为什么智能分流不能做成一个一次性项目。因为业务一直在变化，产品会变，政策会变，用户表达方式会变，员工会调岗、离职、培训、支援，旺季和淡季的流量结构也完全不同。
这些变化都会影响意图识别、队列、员工技能、优先级和最终分配效果。
所以真正合理的运行方式应该是：上线 → 监控 → 发现问题 → 调整 → 验证 → 继续运行。
如果上一篇的“意图识别”，解决的是：让AI听懂用户；那么这一篇的“智能分流”，解决的就是：听懂以后，到底该怎么办。
智能分流并不是简单地把用户分给“最好的客服”，它真正要做的是：在有限的服务资源里，根据风险、时效、能力和负载，为每一个问题找到当下更合适的去处。
这才是智能分流值得研究的地方。
END
求点赞
求分享
求喜欢
