YundaDesk翻一遍客服后台的标签列表,常见的画面是:「物流问题」「物流延迟」「发货慢」「配送」四个标签同时存在,谁也说不清区别,新来的客服看心情打,月底想按标签出个报表,发现同一类问题散在四个桶里,数字对不上,报表直接作废。标签体系不是打得越多越好,是要能让人一眼看出「客户在问什么、哪类问题在变多」——这篇讲怎么把它从一团乱麻,搭成一套真正能用的分类系统。
标签体系为什么会自己乱掉
标签失控几乎都是同一个原因:没人定义边界,谁想加就加。客服 A 觉得该细分,建了「退货-质量问题」;客服 B 嫌麻烦,统一打「退货」;客服 C 干脆不打标,留空。三个月下来,标签列表膨胀到上百个,重叠、同义、废弃标签混在一起,没人敢动——删了怕丢历史数据,不删列表越滚越大。
更隐蔽的问题是标签之间没有层级关系。「物流」「退货」「产品咨询」和「加急处理」堆在同一层,前三个是问题类型,最后一个是处理方式,维度完全不同却混着用,统计的时候没法按同一个逻辑切片。这也是为什么很多团队一开始就该把标签设计当成一次性的架构决策,而不是随手加字段。
先分层:标签树该怎么搭
可用的标签体系至少要分两层,建议三层:
| 层级 | 作用 | 举例 |
|---|---|---|
| 一级(意图大类) | 客户在问什么类型的事 | 物流、退换货、产品咨询、账户、优惠 |
| 二级(具体场景) | 大类下更细的场景 | 物流→未收到货 / 物流→地址错误 / 物流→清关问题 |
| 独立维度(处理属性) | 和意图无关的处理信息 | 渠道、语言、是否转人工、紧急程度 |
关键是把「客户问的是什么」和「这通对话怎么被处理的」拆成两套标签体系,不要混在一层。前者回答业务问题,后者回答运营问题,两者都需要,但不能互相污染。一级标签数量控制在 8—12 个比较合理,太少没有区分度,太多退化成谁都记不住的清单。
如果标签树设计得足够克制，报表里看到的就不再是一堆相互重叠的名称，而是一张能解释队列压力来源的意图分布图。下面这个测算只演示口径：同样 1,000 通会话，先按一级意图切开，再去看每个大类下的二级原因。
一级标签先回答“客户主要在问什么”（示例测算）
打标规范:谁打、什么时候打、怎么防重叠
有了标签树,还需要一份简短的打标规范,否则同样的对话不同人打出不同标签,数据照样不可用。规范至少要写清楚三件事:
- 谁来打:AI 自动初打 + 坐席在转人工或结束会话时复核,而不是等运营团队事后回溯打标——回溯打标成本高、记忆失真,大概率不了了之。
- 什么时候打:会话结束时强制打标,而不是「有空再补」。可以做成任务清单形式约束:
- 每通结束会话必须至少有一个一级标签
- 涉及转人工的会话必须标注转人工原因
- 新出现、找不到合适标签的场景先打「待归类」,不要硬塞进相近标签
- 怎么防重叠:一级标签之间要互斥,一通对话原则上只打一个一级标签;如果一通对话同时涉及物流和退货,以客户最终诉求为准,而不是把两个标签都打上——多标签会让后面按标签统计时出现重复计数。
AI 自动打标怎么运作,人要做什么
人工从头打标不现实,量一大就会拖延或敷衍。AI 客服在处理会话的同时,可以依据知识库里已有的分类和历史标注,给对话打上初步标签,坐席只需要确认或修正,而不是从空白开始选。
这里有一条边界要说清楚:AI 打标是辅助,不是终局。标签体系本身、一级二级的划分,仍然需要人来定义和维护;AI 只负责把具体某一通对话套进已有的框架里,套错了坐席随手改一下就行,不需要走复杂流程。这和 AI 客服本身的定位是一致的——AI 先接、答不上或需要判断时转人工兜底,标签打错了同样是坐席顺手订正,这个修正动作本身也会被记下来,反复出现的纠偏会变成完善标签规则的信号。
标签怎么回流知识库缺口
标签体系搭起来之后,最直接的用处不是好看,是能倒回去发现知识库哪里没覆盖。逻辑很直接:
- 定期看哪个二级标签下,AI 独立解决率明显偏低、转人工比例偏高;
- 这类标签往往对应知识库里内容薄弱或缺失的场景;
- 把这个发现变成知识库补充的具体任务,而不是停留在「知道了」。
这条链路能不能走通,前提是知识库本身要能被结构化地补充和更新,标签发现的缺口才有地方落地,具体怎么搭建可以看给 AI 一个真正能用的知识库。补充完知识库之后,AI 下次遇到同类问题答得更准,这套「标签发现问题→知识库补空白→AI 变准」的闭环,本质上也是让 AI 越用越聪明机制里的一部分——只是这次触发学习建议的线索,来自标签统计,而不是坐席临场纠正。
按标签出报表:老板能看到什么
标签体系搭好之后,报表才有意义。常见几类报表:
- 意图分布周报:一级标签占比排序,哪类问题量最大、哪类环比涨得最快;
- 转人工原因分布:哪些二级标签下转人工比例异常高,定位知识库或流程问题;
- 渠道对比:同一个标签在不同渠道(WhatsApp、邮件、网站挂件)的占比是否明显不同,判断某个渠道是否吸引了特定类型的诉求;
- 时间趋势:大促前后同一标签的量级变化,提前判断是否需要针对某类高频问题做专门话术准备,这块可以参考大促客服筹备指南里怎么提前预案。
这些报表能不能出得准,完全取决于前面标签体系搭得干不干净——标签本身重叠、模糊,报表数字再好看也是假象。
常见误区
最常见的误区是把标签当成万能筐,什么信息都想塞进去,导致一级标签膨胀到几十个,谁也记不住该选哪个。标签树该克制,能用二级标签细分的,不要新增一级标签。
另一个误区是标签体系定好就再也不改。业务在变,新渠道、新市场带来新的对话场景,「待归类」桶里积累的对话就是最好的信号——定期复盘、该拆分拆分、该合并合并,标签体系才不会变成上线那天就过时的东西。
标签体系是把散乱对话变成经营数据的第一步,搭得好,后面的会话分析、知识库迭代、报表都能顺着往下走;搭得乱,后面每一步都要先花时间清理数据。如果你还在用几十个互相重叠的标签手工打标,不妨先从上面这套三层结构和打标规范开始整理。想看 YundaDesk 怎么把打标、知识库、报表放进同一个工作台,可以去产品页面了解更多。