YundaDesk尺码问题看起来是售前小事，真正算账时往往很贵：客户买小了要换，买大了要退，来回物流、库存占用、差评解释，全都压到客服和运营身上。服饰鞋类尤其明显，同一件 S 码，在欧美、东南亚、日韩客户眼里可能完全不是一个概念。
所以尺码推荐不能只靠一句「建议拍平时码」。更稳的做法，是把客服问法、尺码表、版型说明和风险边界整理成一套脚本，让 AI 客服先接住高频咨询；遇到身材特殊、脚型复杂、退换争议，再转人工判断。这样既能提高首响，也能减少因为沟通不清带来的退换货。
先把尺码知识库整理成可回答的问题
很多店铺有尺码表，但客服还是答不好，原因是尺码表只给了数字，没有把数字翻译成客户听得懂的判断。建议每个主推款至少补齐这几类信息：
| 信息 | 知识库写法 | 客服可回答的问题 |
|---|---|---|
| 基础尺码表 | S/M/L 对应胸围、腰围、衣长、肩宽或鞋内长 | 「我 168cm / 60kg 穿什么码？」 |
| 版型 | 修身、常规、宽松、偏短、偏窄、脚背低 | 「这款会不会紧？」 |
| 面料弹性 | 无弹、微弹、高弹、洗后是否缩水 | 「介于两个码怎么选？」 |
| 模特信息 | 身高体重、试穿尺码、穿着效果 | 「模特穿 M，我该选几码？」 |
| 退换规则 | 尺码不合适能否换、谁承担运费 | 「买错码能不能换？」 |
YundaDesk 的知识库可以上传文档、抓取网站，也可以手动维护问答。重点不是把表格塞进去就完事，而是把「客户会怎么问」也写进去。比如「我平时穿 ZARA M」「我脚宽」「我想穿宽松一点」，这些才是 AI 实际会遇到的提问。
尺码推荐话术模板：先把咨询按判断风险分层
按身高体重引导：先收关键信息
客户直接问「我穿什么码」时，不要马上推荐。先把影响最大的变量问清楚：身高、体重、性别尺码体系、偏好松紧。话术可以这样写：
可以帮你估一个更稳的码数。麻烦告诉我：身高、体重、平时常穿的尺码，以及你想要合身还是宽松一点。
如果是裤装，也请补充腰围或臀围；如果是鞋子，请补充平时穿的 EU/US/UK 码。
拿到信息后，再给推荐，不要只给一个结果：
按你提供的 165cm / 55kg、平时穿 M 来看，这款建议先看 M。它是常规版型，肩宽和胸围不会特别紧。
如果你喜欢更宽松、里面还要叠穿，可以选 L；如果你想贴身一些，M 更合适。
这种回答比「建议 M」更有用，因为它把判断依据讲出来了。AI 从知识库里找到尺码表和版型说明后，也应该按这个结构答：先确认依据，再给主推荐，再说明什么情况下上/下一码。
按惯用码引导：把品牌差异说透
跨境客户经常用「我平时穿 M」「我 Nike 穿 8」「我 Zara 穿 S」来问。这个信息有价值，但不能直接等同，因为品牌、国家和品类的尺码差异都很大。
可用话术：
平时码可以作为参考，但不同品牌版型会有差异。为了避免选错，我建议再对一下这款的实测尺寸。
你平时穿 M，如果胸围在 88-92cm、肩宽接近尺码表里的 M，这款选 M 会更稳；如果你经常觉得 M 肩膀紧，可以考虑 L。
鞋类可以这样处理：
你平时穿 US 8 可以先参考 EU 39，但这款鞋头偏窄。
如果你的脚偏宽或脚背偏高，建议上半码；如果脚型偏瘦，按平时码即可。
这里的关键是避免承诺「一定合适」。客服可以说「更稳」「建议优先」「如果偏好 X 可选 Y」，不要说「保证不会错」。尺码推荐本质上是降低不确定性，不是消灭不确定性。
尺码表话术：让客户会量、会对照
很多退换货不是因为尺码表错，而是客户不知道怎么量。客服脚本里要把测量方法写清楚，尤其是裤装、内衣、鞋子这类误差敏感品类。
| 品类 | 引导话术 |
|---|---|
| 上衣 | 「建议量一件你现在穿着合适的衣服，平铺后量胸围、肩宽和衣长，再和尺码表对照。」 |
| 裤装 | 「腰围和臀围都要看。如果腰围合适但臀围接近上限，建议选大一码。」 |
| 连衣裙 | 「请同时看胸围、腰围和裙长；如果胸腰差比较大，优先按更紧的部位选。」 |
| 鞋类 | 「可以量脚长，再加 0.5-1cm 活动空间，对照鞋内长选择。」 |
YundaDesk 的 AI 客服适合处理这类标准化引导：它可以先问缺失信息，再调用对应款式的尺码知识库，给出推荐和理由。坐席不用反复复制同一段测量方法，精力留给边界情况。
介于两个码之间：给选择规则，不给拍脑袋答案
「我在 M 和 L 之间」是服饰客服最高频的尺码问题之一。这里最好不要只按体重判断，而是按版型和穿着偏好给规则：
- 修身款：介于两个码之间，通常建议选大一码，活动更舒服。
- 宽松款：如果不想太 oversize，可以按小一码或平时码。
- 无弹面料：优先选大一码，尤其是肩、胸、臀接近上限时。
- 高弹面料：可以按贴身偏好选小码，但要提醒试穿效果。
- 鞋头偏窄：脚宽、脚背高、厚袜场景建议上半码。
可直接使用的话术：
你现在介于 M 和 L 之间。因为这款面料弹性不大，且版型偏修身，我会更建议 L，穿着活动空间更稳。
如果你喜欢明显贴身、且胸围/肩宽没有接近 M 的上限，也可以选 M。
这类回答适合沉淀为标准脚本。后续如果坐席发现某款「推荐大一码」更少退换，可以通过「纠正 AI」形成待确认学习建议；老板确认后再生效。YundaDesk 的「越用越聪明」不是自动乱学，而是每条建议可追溯、可测试、可回滚。
鞋类推荐：脚长、脚宽和场景都要问
鞋码比衣码更容易产生争议，因为客户会同时受脚长、脚宽、脚背、袜子厚度、穿着场景影响。建议 AI 或坐席按这个顺序问：
- 平时穿的尺码体系：EU / US / UK / JP。
- 实测脚长：最好是厘米。
- 脚型：偏宽、偏瘦、脚背高不高。
- 场景：运动、通勤、长时间走路、厚袜。
推荐话术：
按你的脚长 24.5cm，这款建议先看 EU 39。
但它鞋头略窄，如果你脚偏宽或冬天会穿厚袜，建议选 EU 40；如果脚型偏瘦，EU 39 更贴合。
对于儿童鞋、运动鞋、靴子，要额外提醒成长空间、袜子厚度和鞋筒围。不要把所有鞋类都套一个模板，知识库里最好按品类单独写脚本。
让 AI 先推、人工兜底：把退换风险降下来
尺码推荐最适合 AI 先接，因为问题重复、答案依赖知识库、需要快速响应。但它也不能完全无人值守。建议把边界写清楚：
| 场景 | 处理方式 |
|---|---|
| 信息完整、尺码表覆盖 | AI 直接推荐，并说明依据 |
| 信息不完整 | AI 先追问身高体重、惯用码、偏好 |
| 特殊体型、脚型复杂 | AI 给初步建议，可一键转人工 |
| 客户要求保证合适 | AI 解释推荐依据与退换规则，不做绝对承诺 |
| 涉及退款、赔付、改价 | 必须转人工审批 |
如果客户在网站挂件、WhatsApp、Instagram、TikTok 或邮件里问尺码，YundaDesk 可以把消息汇入同一个工作台，用同一份客户档案和同一套知识库回答。客户换渠道继续问，坐席也能看到上下文，不用让客户从头解释。
更多 AI 与人工边界的设计，可以参考AI 先接、人工兜底这篇。对服饰鞋类来说，边界越清楚，坐席越敢把高频尺码咨询交给 AI。
好的尺码推荐话术，不是把客户推向某个码数，而是把选择过程讲清楚：问什么、看什么、为什么推荐这个码、什么情况下换另一个码。把这些内容沉淀进知识库，AI 就能接住大部分重复咨询；人工则专心处理特殊体型、争议退换和高风险决策。尺码推荐做稳了，退换货自然会少一截。