一、两轮充电行业的”Ai退款”实践

1. 业务场景与矛盾点

业务简述：提供线下充电桩的充电服务。服务千万级的用户。用户直接扫码付费完成充电

1）场景下的角色：

• 服务商：提供场地。厂商安装设备后，进行设备维护，获取用户充电金额的提成；
• 厂商：提供充值小程序软件，设备硬件等设施
• 消费者：扫码充电，享受充电服务

2）业务的问题：

• 线下环境比较复杂，会因为各种原因导致充值失败。设备故障、停电、网络等；
• 消费金额普遍较低：1元、2元、5元居多；
• 若人工进行退款，服务链路长（涉及设备排查、订单排查、服务商等），服务成本太高；
• 若实现直接退款，容易“羊毛党”泛滥导致服务商利益受损。直接退款只会导致羊毛党只会越来越多；
• 若不处理或者处理太慢等，导致用户投诉过多，体验太差

3）本质是矛盾点：用户体验与成本的平衡

• 人工介入处理，订单量大，成交金额低（1元、2元、5元），人工去处理成本高。
• 为了体验直接退款，容易被恶意使用。给服务商造成损失

2. 解决办法

• 让AI来当裁判，对于符合规则的直接进行直接退款或者部分退款；
• 对于恶意使用退款操作的人/用户，直接不退款；
• 对于Agent判断有争议，引导客服进行介入；

Agent介入的好处

• 相对明确的判断的和操作，AI可以直接进行操作。不用人工参，降低人工处理成本
• 提高了“薅羊毛”的操作成本，杜绝了一批羊毛党。

二、整体的Agent的处理逻辑

让大模型来直接辅助退款的逻辑流程

1）涉及到的大模型/Agent的主要能力：

• Rag：知识库查询规则等
• Agent会话模式：re-act控制流程和目标
• 调用工具：辅助模型fanction call
• 长期记忆：画像数据、订单数据等长期记忆内容

2）流程说明

1. 在会话之前。把他的订单、画像、浏览轨迹给到大模型-。然后基于问题直接解答；
2. 将规则“退款规则”、“判断规则”等文本内容推过知识库的形式，让模型来访问获取，补充内容；
3. 提前预设sop退款流程，让模型理解执行步骤。

1. 整体的效果如下（测试环境下）：

1）过程我们可以看到

• 主动引导：Agent引导用户提供退款的理由。
• 订单/设备信息确认：提前获取用户订单数据、设备信息。通过各种状态、规则等推理退款理由的合理性
• 退款金额协商：通过设备状态、退款规则等，同客户确认可退金额
• 自动退款：直接完成退款操作。

2）效果

• 整个过程由大模型来控制，操作、判断。
• 通过理解问题、规则、要求。来进行准确的处理。模拟人进行复杂情况的判断
• 合理用户的合理诉求下，能够在短时间内完成退款的请求。
• 对于羊毛党，有设备的数据、订单数据等，有效防止恶意薅羊毛和退款

3）成本层面

• 约80%的退款操作、退款金额由大模型判断直接执行，不再需要人工审核

本文由 @易俊源 原创发布于人人都是产品经理。未经许可，禁止转载

题图来自 Unsplash，基于 CC0 协议

该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。