大模型落地應用:讓Agent自動“退款”,防止被薅羊毛,平衡成本與用戶體驗
處理大量的退款請求時,如何平衡用戶體驗和成本控制?通過引入AI技術自動處理退款請求,不僅提高了處理效率,降低了成本,還能有效防止惡意的薅羊毛行為。本文將詳細介紹AI如何在充電行業中實現自動化退款處理,并探討其對行業的深遠影響。
一、兩輪充電行業的”Ai退款”實踐
1. 業務場景與矛盾點
業務簡述:提供線下充電樁的充電服務。服務千萬級的用戶。用戶直接掃碼付費完成充電
1)場景下的角色:
- 服務商:提供場地。廠商安裝設備后,進行設備維護,獲取用戶充電金額的提成;
- 廠商:提供充值小程序軟件,設備硬件等設施
- 消費者:掃碼充電,享受充電服務
2)業務的問題:
- 線下環境比較復雜,會因為各種原因導致充值失敗。設備故障、停電、網絡等;
- 消費金額普遍較低:1元、2元、5元居多;
- 若人工進行退款,服務鏈路長(涉及設備排查、訂單排查、服務商等),服務成本太高;
- 若實現直接退款,容易“羊毛黨”泛濫導致服務商利益受損。直接退款只會導致羊毛黨只會越來越多;
- 若不處理或者處理太慢等,導致用戶投訴過多,體驗太差
3)本質是矛盾點:用戶體驗與成本的平衡
- 人工介入處理,訂單量大,成交金額低(1元、2元、5元),人工去處理成本高。
- 為了體驗直接退款,容易被惡意使用。給服務商造成損失
2. 解決辦法
- 讓AI來當裁判,對于符合規則的直接進行直接退款或者部分退款;
- 對于惡意使用退款操作的人/用戶,直接不退款;
- 對于Agent判斷有爭議,引導客服進行介入;
Agent介入的好處
- 相對明確的判斷的和操作,AI可以直接進行操作。不用人工參,降低人工處理成本
- 提高了“薅羊毛”的操作成本,杜絕了一批羊毛黨。
二、整體的Agent的處理邏輯
讓大模型來直接輔助退款的邏輯流程
1)涉及到的大模型/Agent的主要能力:
- Rag:知識庫查詢規則等
- Agent會話模式:re-act控制流程和目標
- 調用工具:輔助模型fanction call
- 長期記憶:畫像數據、訂單數據等長期記憶內容
2)流程說明
- 在會話之前。把他的訂單、畫像、瀏覽軌跡給到大模型-。然后基于問題直接解答;
- 將規則“退款規則”、“判斷規則”等文本內容推過知識庫的形式,讓模型來訪問獲取,補充內容;
- 提前預設sop退款流程,讓模型理解執行步驟。
1. 整體的效果如下(測試環境下):
1)過程我們可以看到
- 主動引導:Agent引導用戶提供退款的理由。
- 訂單/設備信息確認:提前獲取用戶訂單數據、設備信息。通過各種狀態、規則等推理退款理由的合理性
- 退款金額協商:通過設備狀態、退款規則等,同客戶確認可退金額
- 自動退款:直接完成退款操作。
2)效果
- 整個過程由大模型來控制,操作、判斷。
- 通過理解問題、規則、要求。來進行準確的處理。模擬人進行復雜情況的判斷
- 合理用戶的合理訴求下,能夠在短時間內完成退款的請求。
- 對于羊毛黨,有設備的數據、訂單數據等,有效防止惡意薅羊毛和退款
3)成本層面
- 約80%的退款操作、退款金額由大模型判斷直接執行,不再需要人工審核
本文由 @易俊源 原創發布于人人都是產品經理。未經許可,禁止轉載
題圖來自 Unsplash,基于 CC0 協議
該文觀點僅代表作者本人,人人都是產品經理平臺僅提供信息存儲空間服務。
評論
- 目前還沒評論,等你發揮!