台北零售店 AI 客服匿名案例：流程與成效口徑

資料來源與證據限制

本文保留既有匿名案例敘述，用於說明導入流程。公司背景、對話、引言與數字均來自原有案例文稿；目前可查閱的公開資料未附客戶確認、訪談原稿或業務系統匯出，不能視為已獨立核驗的客戶證明。以下「原文記載」不代表已取得客戶回報原件，也不是推估值或效益保證。

導入同時調整 FAQ、退換貨政策、轉人工流程、商品推薦與廣告文案，未提供對照組或其他歸因分析，不能把客單價、滿意度或 CTR 的變動全歸因於 AI。

背景：產業位置與痛點醞釀

這家客戶是台北的連鎖生活風格零售品牌，北部有 4 家直營門市，主力通路是實體 + 自營官網 + 蝦皮。一年營收約 8000 萬，員工 18 人，其中客服 1 位、行銷 2 位、門市 12 位。

從 2023 年開始，他們的成長主要來自線上——官網流量倍增、蝦皮評價穩定累積，LINE 官方帳號也從 2000 好友成長到 1.3 萬。問題是，所有諮詢都集中在那 1 位客服身上。

痛點不是一次爆發，是一個季度一個季度慢慢堆起來的。2024 年 Q1 客服平均回覆時間是 2 小時，到 Q3 已經拖到隔天，顧客開始在蝦皮留言板公開抱怨「問了三天還沒回」。老闆找我們的時候已經是臨界點——再不處理，下一季要不就請兩個客服（月增 8 萬人事成本），要不就眼睜睜看轉換率繼續下滑。

客服本人也快撐不住了。她每天到公司第一件事是打開 LINE 看隔夜累積的訊息，常常光處理昨天的就耗到中午。業務部要她同時處理電話訂單與 LINE 諮詢，她的午餐時間幾乎都在打字。

挑戰

這家位於台北的零售店每天要回覆上百個顧客問題，包括：

• 商品尺寸與規格查詢
• 訂單進度追蹤
• 退換貨政策詢問
• 優惠活動細節

以往這些工作都由一位專職客服負責，但隨著業務成長，回覆速度越來越慢，顧客抱怨增加。更重要的是，客服人員大部分時間都在回答重複性問題，無法專注於更有價值的工作。

他們之前試過什麼沒效

找我們之前，他們試過三件事，每件都沒解決問題：

第一次：自己 Google 找免費 FAQ 外掛。 行銷主管花了兩個下午完成官網的自助 FAQ 頁，結果發現顧客根本不會主動點進去看——大家習慣直接在 LINE 上問。流量漏斗斷掉，FAQ 頁上線第一個月瀏覽量不到 80 次。

第二次：買了一套坊間的 LINE 自動回覆機器人。 月費 1200 元，可以設定 30 個關鍵字自動回覆。結果是——顧客的問法太多元，關鍵字覆蓋率不到 30%。更糟的是機器人答錯後，客服還要多花時間「道歉 + 重新解釋」，工時不降反升。三個月後關掉。

第三次：找某家 AI 公司談 LINE AI 客服。 對方開價 45 萬一次性 + 月費 2 萬。諮詢會議的焦點是「我們的技術多強」、「用什麼模型」，完全沒問「你們最常被問的 5 個問題是什麼」、「答案統一了嗎」。老闆當下就覺得不對。

三次失敗的共同點：沒有人先問他們的客服流程現況。

為什麼找 YOTRON

決策點是一次餐敘，朋友介紹之下加了我們。第一通電話老闆講了 5 分鐘現況，我們只問一句——

「你們客服回覆的內容，有統一的答案嗎？同一個問題被不同時段問，會得到一樣的回覆嗎？」

老闆愣了一下說「應該有吧⋯⋯但我沒特別檢查」。我們建議他那週自己去 LINE 後台撈 20 筆客服對話出來看。

一週後他回來：「我看完了，20 筆裡面有 14 筆答案的措辭不一樣，有 3 筆甚至講錯退換貨政策。」

這是原文記載的關鍵決策點。對比前述工具與廠商洽談，YOTRON 著重的是——先讓他看到問題的真正位置。答案不是「買更好的 AI」，是「先把回答統一」。

解法

我們幫他們建立了 LINE OA AI 客服系統，功能包括：

1. 智能問答

原文記載，透過知識庫，AI 可自動回答 80% 以上的常見問題，需要時轉接真人客服；這個比例尚無對話紀錄可核驗，也不等於回答準確率。

2. 訂單查詢

顧客可以直接在 LINE 裡輸入訂單編號，查詢出貨進度與物流狀態。

3. 推薦商品

依後文的實際分工敘述，AI 負責理解顧客意圖、觸發規則式商品推薦；依購買歷史建立個人化模型仍屬後續計畫，不能當作已完成的功能或成交率成效。

4. 24小時服務

系統設計為下班時間或假日仍可接收問題並自動回覆；真人接手時效與服務可用率未提供量測紀錄。

導入細節：每週做了什麼

這個案子從 kickoff 到 AI 上線，總共 6 週。

Week 1：客服 SOP 盤點。 我們與客服本人坐在一起，把她過去 3 個月的 LINE 對話全部匯出，分類成 7 大類 43 個常見問題。這一週最驚訝的發現是——她自己寫下的「標準答案」與她實際回覆的內容差異很大。我們原本以為盤 SOP 就是把她腦袋裡的東西寫出來，結果發現她腦袋裡的「標準」本身就不穩定。所以這週多花了 2 天與老闆一起確認每個答案的官方版本。

Week 2：FAQ 知識庫建置。 把 43 個問題的標準答案寫成結構化文件，包含主答案 + 3 種問法的變形 + 轉人工的觸發條件。這週的卡點是「退換貨政策」——官網寫的是「7 天鑑賞期」，但客服實際操作時會給到 10-14 天彈性。我們建議老闆先把政策統一（決定是 7 天還是 14 天），再訓練 AI。老闆花了 2 天開會決定——最後選 14 天並同步更新官網，反而因此減少後續糾紛。

Week 3：AI 訓練 + 內部測試。 我們把知識庫灌入 GPT-4o，設定 prompt engineering 讓它只從知識庫回答，不亂發揮。內部測試期間，客服本人每天試用 2 小時，標記「這個答案不 OK」的回覆。第一天 43 個問題有 12 個回答偏差，第三天只剩 2 個。

Week 4：跟官網 API 串接訂單查詢。 原本以為這週會很單純，結果卡在官網的訂單 API 格式不統一——新舊兩版系統並存，有些訂單編號是 6 碼有些是 8 碼。我們原本以為可以直接串，結果發現要先做一層格式轉換。多花 2 天寫轉換層。

Week 5：真人客服小量上線（20% 流量）。 先讓 AI 處理 20% 的訊息，客服本人監看所有 AI 對話。這週最大的發現是——AI 在處理「委婉投訴」時會回得太制式，例如顧客說「商品有點失望」，AI 會直接套退換貨 SOP，沒有先情緒共感。我們加了一層「情緒偵測」prompt，讓 AI 遇到情緒字眼先轉真人。另一個意外發現是：AI 在推薦商品的時候，準確度比規則式推薦還低——因為它不熟這個品牌的商品定位。我們最後決定商品推薦還是走規則式，AI 只負責理解意圖、觸發對應的推薦模組，這個分工之後才穩定。

Week 6：全量上線 + 資料儀表板。 所有訊息由 AI 先接，識別不了或情緒性的轉客服。同時建了一個儀表板讓老闆每週看 AI 處理率、轉人工率、顧客滿意度。

成果

原文將下列數字列為上線首月的變化，但未附前後資料與計算明細，應連同上方證據限制閱讀：

• 客服工時：記載每週減少 20 小時；可視為文稿所述的工作容量釋出，不能直接換算裁減人數或現金節省。
• 人力成本：記載降低 40%、每年節省超過 NT$50 萬；目前無法核驗成本範圍、年化方式及是否已實際減少支出。
• 顧客滿意度：記載提升 15%；缺原始分數及調查方法，不能判定增幅口徑或成因。
• 平均訂單金額（客單價）：記載增加 12%；這不是轉單率，亦無法證明由推薦功能單獨造成。

量化以外的軟性改變

以下是既有文稿中的主觀感受與後續觀察，尚無訪談或對話原件可核驗：

客服本人終於能準時下班，而且開始主動找老闆討論「怎麼優化 VIP 服務」——以前她完全沒力氣想這些。老闆自己也睡得著了，以前週末晚上要盯手機怕顧客抱怨，現在 AI 能處理到半夜，隔天早上只看儀表板。

原文另記載，上線後兩個月有 4 位顧客在 LINE 留言稱回覆變快、2 位 VIP 顧客推薦朋友加入會員。行銷部也開始參考對話調整商品文案與廣告標題，文稿稱廣告 CTR 增加 18%。這些敘述未附對話、推薦紀錄或廣告報表，不能當作已驗證的顧客證言或 AI 帶動行銷成效的證據。

客戶引言

以下引言及署名沿用原文，尚未取得可供核驗的訪談原稿或引用確認，不作為已驗證推薦：

「原本以為 AI 客服會很機械化，沒想到顧客都說回覆很快而且很精準。現在我的客服人員可以專注在 VIP 顧客的服務上，整個團隊的效率提升很多。」—— 店經理 王小姐

技術細節

這套系統採用以下技術：

• LINE Official Account API
• GPT-4o 模型進行自然語言處理
• Supabase 資料庫儲存對話紀錄
• n8n 自動化流程串接

後續計畫

原文記載，AI 客服上線半年後，這家零售品牌規劃以下三件事；實際規劃日期與執行狀態未提供：

第一，把 AI 延伸到門市會員服務。 4 家門市每天也會接到會員的查詢電話，他們想讓同一套知識庫支援語音客服。這是他們自己規劃的，不是我們賣的。

第二，建立商品推薦的個人化模型。 目前 AI 的推薦還是規則式的，他們想往「看顧客過去 3 個月的購買紀錄做推薦」這個方向走。我們會陪他們做技術評估，但主導權在他們。

第三，把知識庫沉澱成內訓教材。 當初為了訓練 AI 整理的 43 個常見問題 + 標準答案，現在變成新進客服的訓練教材，老闆打算 2026 下半年招 1 個兼職客服專門處理 VIP，用這份知識庫讓新人一週就能上手。

這才是我們覺得一個 AI 案子真正成功的樣子——客戶自己會繼續規劃下一步，而不是停在交付那天。

總結

這份匿名案例的參考價值在於先整理客服 SOP，再逐步上線、保留轉人工機制。若要評估自身導入效益，應先記錄客服工時、服務量、完整成本與訂單基準，再用相同口徑比較；本文數字不能直接套用到其他零售業者。歡迎聯絡我們討論導入與量測方式。