叮当小宝CS答疑：大促前客服排班怎么排？AI先答人工盯异常
每年两次大促，客服排班都是运营主管最头疼的功课之一。一家做母婴用品的店铺去年大促的客服成本是这样的：临时外包四个人，培训三天上岗，峰值时段依旧排队，活动结束后三份咨询纠纷里有一份源自外包客服答错优惠规则。今年他们换了个思路：不再按「预估咨询量除以人均接待量」去堆人头，而是先用叮当小宝CS把咨询结构拆开，AI接走确定性的部分，人只排守异常和售后。这篇把这套排班思路的账算给大家看。
大促咨询和日常咨询不是一个东西。日常咨询里，商品参数、物流时效这类确定性问题占大头；大促咨询里，优惠机制类问题会暴涨：满减怎么叠、预售定金退不退、价保怎么申请、赠品什么时候发。这类问题有共同特点：答案完全由活动规则决定，规则是店铺自己定的，提前全部可预知。也就是说，大促增量咨询里最重的那一块，恰恰是机器最擅长答的那一块。
真正需要人的是另一小撮：订单出错的补救、物流异常的安抚、售后争议的协商，外加拿不准要不要答应的议价。这部分的量在大促里相对固定，不会随咨询总量线性暴涨。
排班思路就应该跟着这个结构走：确定性咨询交给AI，人的班表围着异常处理设计。而传统排班把两类咨询混在一起按总量堆人，既堆不齐峰值，又浪费了平时的工时。
头一段是大促前的准备周。知识库按今年的活动规则重写一遍：满减口径、优惠券叠加规则、预售时间表、发货节奏，逐条录入并互相校对，规则冲突是答错的头号来源。然后用历史大促的咨询记录做回测，把AI答不准的条目修到能答准。这周的工作决定大促期间AI的应答质量，投入产出比极高。
第二段是活动期的守值班表。人不再按咨询量排，而是按异常类型排：一个人守退款售后，一个人守物流异常和催发，主管机动处理升级会话。叮当小宝CS在工作台里把AI拿不准的会话自动转人工并附摘要，转人工的会话在峰值当天大约占总咨询的一成五到两成，按这个量排人，比按总量排省了一大半人力。外包在这个模式里只做售后安抚一类的高情绪劳动，不再需要背活动规则，培训成本从三天降到半天。
第三段是活动后的复盘周。把大促期间AI答错的样本、转人工的会话分类统计，更新知识库和排班表。去年的纠纷复盘发现，最贵的错误都发生在优惠规则口径上，今年的准备周里这一块占了知识库更新的一半篇幅。
今年大促头一天，这家店的咨询量比去年同期翻了不止一倍，排班人数却比去年少了三个人。AI直接解决率七成六，转人工会话的首次响应时长和日常期持平，优惠规则类问题的答错样本是个位数。活动结束后因答错规则引起的纠纷是零，去年是七起。店长的总结很到位：「以前排班是在赌人够不够，现在是在管例外。」
这套排班思路并不只属于大促。日常的周末小高峰、直播专场、上新的爆发期，都是同构的问题：总量的波动来自确定性咨询，需要人的部分相对稳定。把「AI先答、人工盯异常」的骨架搭起来之后，排班表就从猜谜变成了算术。
大促是对客服体系的一次全面体检，体检报告就是那批答错的样本和转人工的会话。认真复盘一次，体系会长一大截。
大促客服线还有一份文件比排班表更要紧：异常升级规则。什么情况客服可以直接答应客户、什么情况要请示店长、什么情况直接上报平台小二，白纸黑字写清楚，值班的人才有主心骨。母婴店这份规则写了两页：退款请求三十元以内客服直接处理；质量问题导致的退货一律先道歉再走标准流程，不与买家争辩；涉及孩子安全的反馈（比如材质疑虑）十分钟内上报主管并暂停相关商品的自动应答条目。第三条尤其重要——AI的知识库可以在几分钟内下线一条争议条目，这是机器体系特有的止损速度，前提是有人第一时间按响警报。
去年大促他们没这份规则，客服在群里@来@去等回复，客户在另一头越等越气。今年规则在手，值班表上的每个人都知道自己的权限边界，处理速度反而快了。大促是一面镜子，照出的不是客服的临场发挥，而是组织预案的厚度。
相关阅读：千牛自动回复设置教程 · 拼多多回复率提升实操