客服工單分流怎麼設計：把訊息拆成三種，退換貨尖峰的人力才排得出來

零售商自己預估，2025 年會有 15.8% 的年度營收以退貨的形式回來，金額約 8,499 億美元；如果只看線上訂單，這個比例是 19.3%，節慶檔期則是 17%。這是 NRF 與 Happy Returns 在 2025 年 10 月公布的退貨調查，樣本是 2,006 位曾退過線上訂單的消費者，加上 358 位年營收逾 5 億美元的美國電商從業者。台灣市場的規模、退貨政策與物流結構都跟美國不同，這組數字是量級參考，不是台灣品牌可以直接抄的 KPI。

先說清楚口徑：19.3% 是以銷售金額計算的線上退貨比例，不是訂單退貨率，也不是件數退貨率，三個分母算出來的數字差很多。就算只當量級看，回頭路的份量也不小。而回頭路的接觸次數不只一次，消費者會為了同一筆退貨，在申請、進度、退款三個不同的時間點各來問一次。這條路在營運上叫逆向流程，指商品從消費者手上退回、檢驗、入庫到退款完成的整段物流與金流。品牌的出貨團隊很清楚它，客服排班表卻常常不知道它存在。多數品牌到今天還是在用出貨的節奏排退貨的班，然後每一檔都在同一個地方翻車。

檔期覆盤會上，業績那頁很快就被翻過去了

檔期客服會垮掉，多半是因為後半段要處理的工單性質已經換了，排班表上的人與授權卻還停在前半段。我們看檔期覆盤簡報時常想到一個畫面：投影幕上第一張圖是業績達成率，綠色的，但接下來討論的重心很快就從業績移到客服撐不住的那幾天。現場容易歸咎於人手不足、工讀生難找。我們比較在意的是，前後半段客服面對的其實已經是兩種工作。

回不完，其實是三個不同的問題疊在一起

客服訊息回不完的瓶頸通常有三個來源：工單混流、節奏錯位、資料斷點。品牌講「訊息回不完」的時候，往往把這三件事混成一句話。它們的成因不同，解法也不同，混在一起談就會得到「再請兩個人」這種解不了的結論。

工單混流是排隊問題：一條隊伍裡混著三十秒能結束的事和三十分鐘也未必能結束的事，前者的等待被後者整條拉長。節奏錯位是時間軸問題：促銷的尖峰由行銷排程決定，退貨的尖峰由退貨政策天數和逆物流回收速度決定，兩者本來就不同步。資料斷點則是資訊問題：同一個問題，客服查得到就是一分鐘，查不到就變成一次轉單、一次等待、一次回撥。

三件事裡只有最後一件能靠買工具解決，前兩件都得靠改流程。而多數品牌的順序剛好相反。

三組公開調查，說的是同一件事

自助服務不是把量攔下來，是把量篩了一次

Gartner 在 2024 年 8 月公布的自助服務調查訪問了 5,728 位消費者，調查在 2023 年 12 月執行。結果是：73% 的消費者在服務歷程中的某個環節用過自助服務，但只有 14% 的問題在自助服務裡被完全解決。連消費者自己形容「很簡單」的問題，也只有 36% 在自助服務走完。

失敗的原因很具體：43% 的人找不到跟自己問題相關的內容，45% 的人覺得公司根本沒搞懂他想做什麼。

這組數字要提醒品牌的是自助服務的角色常被誤解。它是一道篩子，把最標準的那 14% 留在系統裡。其餘的問題沒有在自助服務裡結案，去向則是分散的：有人轉往真人，有人換一個通路再試，也有人乾脆放棄。調查沒有拆解這個分流比例，所以品牌要自己量。可以確定的是，轉到真人的那一批是帶著已經試過一次、失敗了、比一開始更煩躁的狀態回來的。品牌把常見問題頁上線就當作量能問題已解決時，很可能量沒少多少，難度和情緒卻整批往上走。這批調查在生成式 AI 客服大規模導入之前執行，該視為基準值而非現況；換一代技術之後，自助結案率與轉真人比例都該重新量一次。

產業的實際做法是重配置，不是砍人

如果自助服務和 AI 真的能把量吃掉，理性的結論應該是縮編。但主管們實際在做的事情正好相反。

Gartner 在 2026 年 4 月公布的人力調查訪問了 321 位客服主管，調查期間是 2025 年 9 月到 10 月。85% 的主管正在擴大真人客服的職責範圍，75% 把客服人員調到組織裡全新的角色；80% 表示自己面臨調整人力配置的壓力。真正已執行或計畫用裁員縮減第一線的只有 31%；同一份調查另外顯示，63% 透過自然離職慢慢降低第一線人數，同時把騰出來的人力挪去做更高價值的任務。兩群是否重疊，公開資料沒有說明。要留意的是，這 321 位主管來自全球各產業，不限零售，也不限台灣。

同一個方向在 Gartner 另外三份資料裡重複出現，這裡壓成一句：縮編的計畫多半沒走完，導入方向轉向輔助真人的工具。

把這幾組數字並排看，它們共同指出的是真人角色正在被重新配置。接下來這一步是本文的推論，不是調查直接證實的：如果簡單案件的佔比下降，留在人手上的平均難度與技能需求就會跟著改變，而只算人頭與時段的排班表看不到這個變化。這個推論成不成立，每個品牌要用自己的工單資料驗證，不能直接套用。

退貨流程被列為優先事項，是因為它最吃人

回到 NRF 那份調查。近三分之二的商家，具體說是 64%，把「六個月內更新退貨流程」列為優先事項。同一份調查也指出，9% 的退貨屬於詐欺。

這 9% 值得單獨拿出來看。要區分的是偵測與結案：把可疑件標記出來，規則與模型幫得上忙；決定這一件到底退不退、要不要通報、要不要留住這位客人，是另一回事。這類案件要看訂單歷史、退貨紀錄、商品狀態描述，判錯還有商業與客訴後果，因此不宜由一條沒有驗證、沒有權限分層、沒有人工覆核的自助流程自行結束。它就是本文接下來要講的第三類工單的典型樣貌：數量不多，卻吃掉不成比例的工時與心力。團隊在檔期後段開始撐不住時，往往就是這種需要判斷的案件累積起來，而且沒有人有權當場結案。

工單的成本不在處理時間，在決策成本

客服工單真正的成本單位是決策成本，也就是解決它需要動用多大的決策權，而不是它佔用多少分鐘。品牌衡量客服量能時，習慣用「則數」和「平均處理時間」。這兩個指標的問題是把所有工單當成同質的水，只有量多量少的差別。工單之間的差異其實在於誰有權結束它。

以下是本文為了排人力而提出的三分法，依「解決它需要誰的決定」來切：

1. 查得到的工單。答案已經在系統裡，只是消費者找不到，例如訂單到哪了、退款什麼時候入帳、這件商品還有沒有貨。這類的正確衡量方式不是回覆速度，而是「有多少比例根本不需要人回覆就結束了」。
2. 要改資料的工單。答案不在查詢，在於執行一個動作，例如改地址、取消訂單、開立退貨單。規則是明確的，關鍵在於第一線有沒有被授權一次做完。這類該看的是一次結案率。
3. 要判斷的工單。沒有標準答案，需要人衡量情境與風險，例如瑕疵認定、超出鑑賞期的例外處理、詐欺疑慮、情緒已經升溫的客訴。這類該看的是結案時間，以及第一線被授權的補償額度到哪裡。

混流之所以致命，是因為第三類案件會佔用不成比例的處理時間，而它們排在同一條隊伍裡的時候，第一類和第二類的等待時間會跟著一起長。消費者感受到的不是「你們在處理難題」，是「你們都不回我」。於是他們再傳一次訊息，工單量又往上加一輪。

這套分法有它成立的前提，講清楚比較公平。它假設一則工單能歸到一個主要類別，或至少能拆成子工單；假設分類需要的資料在入口就拿得到；假設第一線的授權配有金額上限與事後覆核；也假設每條隊伍都留得住最低限度的人。這四件事有任何一件不成立，分流就會退化成「多了三個標籤，工作照舊」。麻煩的是這種退化不會報錯，規則還在、標籤還在貼，只是沒有人發現它已經不起作用，所以要定期抽件回頭核對分類的準確度。

也有幾類案件不適合按決策成本排序，要另外開路。一則訊息同時包含改地址和抱怨的多意圖案件，該拆單還是該整案處理，要先講好；資安、人身安全、支付爭議這類耗時不高但急迫性極高的案件，必須有一條無視排隊順序的快速通道；跨平台訂單、詐欺誤判的申訴、無障礙服務需求，也都不該只靠一條隊伍規則決定。工單量本來就小的品牌則不必硬拆三隊，把三類寫成同一個人的處理順序就夠了。

最後要說的是，三分法解決的是「誰有權處理」，它不是排班演算法。真要把班表排到準，還可以比較優先級矩陣、技能路由、共用人力池、單一案件負責制，或用到件率、處理時間分布、人員佔用率、同時對話數這些變數建正式的人力預測模型。本文選擇從決策成本切入，是因為它是台灣中型零售團隊最容易在下一個檔期就動手、又不需要先買系統的那一層。

同樣的邏輯適用於服務等級協議。多數品牌只有一條 SLA，通常是首次回覆時間，然後套用在所有工單上。但這條線對三類工單的意義完全不同：對第一類來說，快速回覆一句「我幫您查一下」其實是失敗，因為理想狀態是消費者根本不需要問；對第三類來說，兩小時內回一句罐頭訊息會讓情況更糟。一條 SLA 管三種工作，等於用同一把尺量三件不同的事。

拆成三條之後，每一條該盯的東西不一樣。以下同樣是本文提出的設計原則，各項的數值門檻要用品牌自己量出來的基準去訂，不建議直接抄別人的標竿數字，因為商品結構與客群差太多。

門檻怎麼訂？先用下一節第一項行動量出來的一週基準當起點，訂一個略高於現況的目標，跑一個檔期再回頭校正。重點在於三條線各自獨立追蹤，不要再用一個平均值把它們蓋掉。

台灣品牌還有一個節奏上的錨點常被忽略。依《消費者保護法》第 19 條，通訊交易的消費者可以在收受商品後七日內解除契約，不必說明理由，也不必負擔費用；條文全文在全國法規資料庫。這裡有兩個算日子的細節值得客服主管記住：七日依民法第 120 條不算入始日，所以從收到貨的次日起算；末日遇到假日，依民法第 122 條順延到次一個工作日。也就是說同一批出貨，會因為落在週幾而讓期限位移一到兩天。另外，行政院訂有《通訊交易解除權合理例外情事適用準則》，自 2016 年施行，列出七款排除解除權的情形，包含易腐敗或保存期限較短、依消費者要求客製化、報紙期刊雜誌、已拆封的影音商品或電腦軟體、非以有形媒介提供的數位內容、已拆封的個人衛生用品、國際航空客運服務。

這條規定的實務意義是：解除權的窗口由消費者收到貨的次日往後推算，跟行銷檔期表上的日期無關。要誠實說的是，法規只界定了窗口何時開何時關，並沒有證明退貨量一定會在窗口內形成一個尖峰，更沒有指定它落在第幾天。配送天數、品類、退貨政策、週末與物流商都會改變分布。品牌要做的是把自家的到貨日與退貨申請日兩個分布疊起來看一次，先確認尖峰存不存在、落在哪裡，再決定要不要為它獨立排班。多數團隊沒做過這件事，所以只能憑感覺說「第二週比較忙」。

分流的前提，是客服看得到眼前這個人

工單分流能不能落地，取決於第一線能不能在開啟對話的那一刻就看到這個人的跨通路購買與退換貨紀錄。三分法在紙上很乾淨，落到現場會卡在同一個地方：第一線經常無法在當下判斷手上這則訊息屬於哪一類。

原因通常不是訓練不足。一則「我上禮拜在門市買的那件，可以線上退嗎」，要判斷它是查得到的、要改資料的、還是要判斷的，前提是客服能立刻看到這個人的購買紀錄跨了哪些通路、這筆交易的商品類別是否落在鑑賞期例外的範圍、這位會員過去的退換貨頻率。這些資料在多數品牌都存在，只是分散在官網訂單系統、門市 POS、會員資料庫、退貨單系統四個地方，而且會員身分不見得歸在同一個 ID 底下。

當客服查不到，就只能把問題往人身上推：先跟消費者說「我幫您確認後回覆」，再轉單給另一個同事，再等一輪。原本三十秒的第一類工單，就這樣被推成一次跨部門的第三類流程。這條路徑的根，跟我們先前盤點 AI 客服讀不到哪幾張表時談的是同一個：不管接手的是人還是模型，讀不到的資料就無法拿來做判斷。

這是 CDMP（Customer Data Management Platform，顧客資料管理平台，把散在各系統的顧客資料整合成單一身分的那一層）在服務端的實際用處，跟行銷端很不一樣。行銷端要的是把會員圈成受眾去溝通；服務端要的是把同一個人的線上訂單、門市消費、退換貨紀錄、會員等級歸戶在同一個身分底下，讓客服視窗一打開就看得到完整輪廓。OMO 歸戶做起來之後，客服判斷的依據就從「消費者說了什麼」變成「這個人實際發生過什麼」。順帶一提，這也是為什麼線上線下的資料一旦對不起來，客人往往比報表先發現：報表可以慢慢對帳，站在客服視窗前面的人不能等。

分流還需要第二件事：讓工單自己留下分類。以 91APP 的即時客服為例，它支援對話貼標、最多三位多席位客服，並在即時對話視窗顯示會員資訊；規則面上，發票與退款這類需要特殊處理的問題本來就走另一條線，跟一般詢問分開入口。實際可用的版本與啟用條件請以品牌自己的後台設定為準。貼標真正的價值不在當下那則對話，而在一季之後可以回頭問：哪一類工單佔比最高、哪一類結案最慢、哪一個商品分類重複產生同一種問題。那份統計會直接告訴品牌，下一檔的人力該加在哪一格。

要提醒的是，工具解決的是資料斷點，解決不了工單混流與節奏錯位。導入平台卻不改分派規則與 SLA，得到的往往是一套更貴的舊流程，這在 CRM 導入的失敗案例裡已經演過很多次。

把一條隊伍拆成三條：下一個檔期之前可以先做的事

1. 先量一週，不要先請人。把過去一週的客服訊息全部倒出來，用三分法各標一次，算出三類的則數佔比與耗時佔比。要看的是兩個佔比之間的落差：如果某一類的則數不多、耗時卻明顯偏高，那一類就是真正的瓶頸。這張表是後面所有決定的依據。所需人天取決於訊息量、抽樣比例與標記人數，量大的品牌可以先抽樣一成來估。
2. 把第一類搬離人工隊伍。第一類工單的解法是讓消費者自己查得到，不是回得更快。把訂單狀態、退款進度、退換貨規則做成消費者在自己的帳戶頁就能查到的東西，並且確保入口顯眼。要對照的指標是那 43%：消費者找不到相關內容，比沒有內容更傷。
3. 給第二類一個授權額度。列出第一線可以當場決定的事情清單與金額上限，寫成白紙黑字。實務上這份清單長得像「外觀微瑕但不影響功能，可當場補償，上限由品牌自訂」「漏寄低單價配件，免退貨直接補寄」「超商退貨的資料異動，客服可直接改不用轉單」這種句子，一條一條寫死，讓一次結案率變成可管理的指標。授權不清楚時，第二類會自動被推進第三類，這是最容易發生也最不必要的量能浪費。
4. 先確認退貨的節奏，再決定要不要給它一張班表。先用「檔期出貨日 ＋ 平均配送天數 ＋ 七日解除權」框出可能的區間：假設某檔出貨集中在活動後兩天、平均配送三天，這個區間的末端大約落在活動結束後十二天前後，比多數團隊的直覺晚。三個參數裡只有七日是法定的，另外兩個要用自家上一檔的實際紀錄去帶。框出區間之後，把上一檔真實的退貨申請日分布疊上去核對：量真的集中在那裡，才值得為它獨立排班；如果分布是平的，那就別動班表，把力氣留給前三項。退貨原因與商品分類的統計要回頭餵給商品與行銷團隊，讓下一檔的問題在源頭少一點；欄位設計決定你收到的是結案理由，還是一份商品頁修改單。會員的歸戶資料在這一步同時發揮作用，讓客服在尖峰時段能一眼判斷案件類型，不用靠猜。

四件事裡有三件不需要買任何東西，只需要有人把它排進下一個檔期的準備清單。

人力算得準的品牌，算的不是人數

回到覆盤簡報上那張綠色的業績達成圖。撐不住的那幾天，團隊缺的通常是一份把工作分成三種的清單，和一份寫明第一線可以自己決定什麼的授權表；補兩個工讀生解決不了這件事。

客服量能真正的單位從來不是人頭，是可以被授權出去的判斷。當三類工單走三條隊伍、三條 SLA、三種衡量指標，在多數情況下同樣的人數可以承接更大的量，因為每一則訊息都落在對的手上。前提是分類拿得到資料、授權寫得夠清楚、每條隊伍都還留得住最低限度的人。而當退貨的節奏被實際量出來、獨立畫在時間軸上，撐不住的那幾天就從意外變成一個排得進去的東西。

品牌最常問的客服工單分流問題

Q1：工單分流跟現在用的客服系統分類有什麼不同？

A1：多數客服系統的分類是依主題切的，例如物流、金流、商品。本文提出的三分法是依「解決它需要誰的決定」切的：查得到的、要改資料的、要判斷的。主題分類幫助統計，決策分類才決定該由誰接、給多少時間、授權到哪裡。兩套可以並存，一則工單同時帶主題標籤與決策類別。

Q2：電商每天客服訊息量很大回不完，直接導入 AI 智能客服就能解決嗎？

A2：只能解決一部分。AI 承接的主要是三分法裡的第一類，也就是答案已經在系統裡、消費者只是找不到的那些。Gartner 2024 年的調查顯示自助服務只完全解決 14% 的問題，其餘會回到人工，而且情緒與難度都更高。品牌若沒有先做工單分流與會員資料歸戶，AI 攔不住的案件會跟原本的隊伍混在一起，導入之後反而更亂。

Q3：預算有限的品牌，第一步該做什麼？

A3：先做量測，不要先採購。用一週的訊息紀錄手動標三類，算出則數佔比與耗時佔比。這件事只需要一位同仁兩到三個工作天，卻能直接回答「該補人還是該補授權」。沒有這張表就採購工具，很容易買到解決不了真正瓶頸的東西。

Q4：多久能看到成效？

A4：授權額度與自助查詢入口這兩項，通常在下一個檔期就會反映在一次結案率與轉單次數上。資料歸戶與分類統計要看得出趨勢，需要累積至少一個完整的檔期週期，多數品牌會用一季作為第一次檢視點。

Q5：檔期客服爆量又找不到工讀生，退換貨的人力到底該怎麼抓？

A5：先放棄「促銷日就是客服高峰」的直覺。依《消費者保護法》第 19 條，通訊交易消費者可在收受商品後七日內解除契約，且依民法第 120 條自收到貨的次日起算、末日遇假日順延。所以退貨相關的詢問會落在「檔期出貨日 ＋ 平均配送天數 ＋ 七日」框出來的區間，比促銷尖峰晚。前兩個參數用自家上一檔的實際紀錄帶。要注意法規只界定窗口，沒有保證量會集中成尖峰，所以框出區間後要拿上一檔真實的退貨申請日分布核對，確認有集中才值得獨立排班。同時確認自家商品是否落在行政院公告的七款合理例外，那會直接改變可退範圍與詢問量。

Q6：分流最容易失敗的地方在哪裡？

A6：第一線看不到判斷所需的資料。當客服查不到這位消費者的跨通路購買紀錄與退換貨歷史，他無法在當下判斷案件屬於哪一類，只能一律轉單，分流規則就形同虛設。所以會員歸戶通常要跟分流規則同時做，只做其中一件效果會打折。

延伸閱讀

• 退貨率怎麼算才看得出問題：分母是訂單、件數還是金額，決定了你看到的答案
• 退貨率高的會員該不該留？先算淨貢獻，別急著上黑名單
• CDP × CRM × AI Skill：CS 顧問怎麼把資料變成營收機會