电商客服如何识别高意向客户？基于多轮对话的意向判断与转化链路设计

摘要

电商客服系统通常能够解决商品参数、库存、物流、售后规则等标准问题，但在真实业务中，“能够回答”并不等于“能够促进成交”。

一个常见现象是：用户已经连续咨询商品差异、价格、优惠、库存和发货时间，看起来具有较强购买意向，最终却没有下单。问题往往不在某一次回复，而在于系统没有结合多轮对话判断用户当前所处的购买阶段，也没有识别阻碍决策的关键因素。

因此，面向售前场景的智能客服，可以在传统FAQ与知识库问答基础上增加会话状态、意向识别、决策阻力分析、下一步动作以及人工路由等模块，将单轮问答升级为连续的决策链路。

一、单轮意图识别为什么不够？

传统客服机器人的基本处理流程通常可以抽象为：

用户输入
  ↓
意图识别
  ↓
知识检索
  ↓
生成答案
  ↓
返回用户

这种架构处理标准问题时效率较高，例如：

“什么时候发货？”
“支持退换货吗？”
“A款是什么尺寸？”

但真实电商咨询通常具有连续性。

例如：

用户：A款和B款有什么区别？
用户：第二个适合学生吗？
用户：我主要放宿舍。
用户：那今天买能发吗？
用户：最近还有优惠吗？

如果系统把五句话分别识别为商品对比、商品推荐、使用场景、物流和优惠咨询，就会丢失一个更重要的信息：

用户实际上已经从“商品了解”逐渐进入“购买决策”。

因此，购买意向不能只根据当前Query判断，而需要结合历史会话进行动态分析。

可以将其抽象为：

PurchaseIntent =
    CurrentIntent
  + ConversationContext
  + ProductFocus
  + DecisionStage
  + PurchaseBlocker

其中，CurrentIntent回答“用户现在问什么”，DecisionStage则用于判断“用户现在走到哪一步”。

两者并不是同一个问题。

二、建立用户购买阶段状态模型

为了减少单轮判断带来的误差，可以将售前咨询划分为几个基础状态：

S0：浏览
 ↓
S1：商品了解
 ↓
S2：商品比较
 ↓
S3：需求匹配
 ↓
S4：交易条件确认
 ↓
S5：购买决策

例如用户第一次询问：

“这个显示器是多少寸？”

此时更接近S1。

继续询问：

“15.6寸和16寸有什么区别？”

可能进入S2。

随后表示：

“我经常出差，主要连接笔记本办公。”

此时已经提供具体使用场景，可以进入S3。

如果进一步询问：

“今天下单什么时候发？”
“现在有没有优惠？”
“不合适能退吗？”

则说明关注点已经从产品本身逐渐转向交易条件。

相比简单给用户打上“高意向”“低意向”标签，状态模型能够为后续客服动作提供更多信息。

三、识别意向之后，还需要识别成交阻力

高意向并不代表用户会立即购买。

很多“咨询很久但不下单”的情况，本质上是某个关键决策阻力没有解决。

可以将常见阻力进一步分类：

PurchaseBlocker {
    PRICE,          // 价格与优惠
    PRODUCT_FIT,    // 商品是否适合
    DELIVERY,       // 发货与到货时间
    TRUST,          // 品牌、质量等信任问题
    AFTER_SALES,    // 售后风险
    COMPARISON,     // 多商品选择困难
    UNKNOWN         // 暂时无法判断
}

例如用户连续询问：

“还能便宜吗？”
“什么时候活动？”
“其他店比你们便宜。”

即使没有直接表达“价格太贵”，也可以结合上下文将PRICE的权重提高。

如果用户反复询问：

“给父母用方便吗？”
“操作复杂不复杂？”
“老人能看清楚吗？”

则PRODUCT_FIT可能比价格更加重要。

这一步非常关键。

因为如果错误识别阻力，后面的主动营销可能完全无效。

用户担心产品是否适合老人使用，系统却不断发送优惠信息，不但无法推进成交，还可能增加干扰。

四、从意向识别进一步增加Next Best Action

确定用户购买阶段和主要阻力以后，系统需要决定下一步动作。

可以定义一个简单的动作集合：

NextAction {
    ANSWER,             // 回答问题
    ASK,                // 继续确认需求
    COMPARE,            // 商品比较
    RECOMMEND,          // 商品推荐
    EXPLAIN_PROMOTION,  // 解释真实优惠
    EXPLAIN_POLICY,     // 说明售后等规则
    TRANSFER,           // 转人工
    WAIT                // 暂不主动推进
}

完整链路由此变为：

用户输入
   ↓
当前意图识别
   ↓
读取会话上下文
   ↓
购买阶段判断
   ↓
成交阻力识别
   ↓
Next Best Action
   ↓
知识检索 / 业务系统
   ↓
生成回复
   ↓
风险判断
   ↓
回复用户 / 转人工

这里需要注意，Next Best Action并不等于“催单”。

例如用户处于商品比较阶段，最佳动作可能是COMPARE；用户表达了明确场景但信息不足，最佳动作可能是ASK；只有进入交易确认阶段以后，才适合结合真实库存、优惠、物流等信息进一步推进。

五、商品知识需要与对话状态分离

实现上述链路时，还需要避免让大模型直接生成所有商品事实。

商品规格、SKU差异、活动规则、物流政策和售后条件属于业务事实，应尽可能从可维护的数据源中获取。

架构上可以拆成两层：

第一层：Conversation Intelligence
- 意图识别
- 上下文理解
- 购买阶段
- 成交阻力
- 下一步动作

第二层：Business Knowledge
- 商品知识
- SKU数据
- 优惠规则
- 物流规则
- 售后规则

大模型负责理解“用户想解决什么问题”，知识层负责提供“这个问题对应的真实业务信息”。

例如用户问：

“A款和B款哪个更适合宿舍？”

系统可以先从知识库检索两款商品的尺寸、功能、使用条件等真实信息，再结合用户已经提供的“宿舍使用”场景进行回答。

这种方式能够减少模型凭空补充商品信息的风险。

在实际产品实现中，例如CallFay母语AI这类面向电商场景的AI客服，也可以按照“商品知识+上下文理解+人机协同”的方向进行测试，而不是只验证单轮问答是否流畅。

全文只在这里保留一次产品示例即可，后续讨论回到技术逻辑本身。

六、购买意向评分不宜只依赖固定关键词

一种比较容易实现但风险较高的方法，是直接设置关键词权重：

询问价格 +10
询问优惠 +20
询问库存 +20
询问物流 +20
询问售后 +10

然后：

score >= 60 → 高意向

这种方法可以作为基础规则，但不能直接等同于真实购买意向。

例如：

用户：多少钱？
客服：499元。
用户：太贵了，不考虑。

如果只检测“价格”关键词，可能得到正向意向信号。

但结合上下文以后，“太贵了，不考虑”显然属于明显的退出信号。

因此更合理的方式是：

IntentScore =
    IntentFeature
  + ContextFeature
  + StageFeature
  + BehaviorFeature
  - NegativeSignal

并持续随着会话更新，而不是一次计算后永久固定。

七、复杂交易问题需要及时转人工

销售型AI客服另一个容易出现的问题，是为了提高自动化率而减少转人工。

实际上，自动化率不应该成为唯一目标。

以下问题通常需要谨慎处理：

特殊价格申请
超权限优惠
异常订单
复杂退款
赔偿协商
投诉争议
强烈负面情绪
知识库缺失
业务规则冲突

可以设计基础路由：

if risk_level == "high":
    transfer_to_human()

elif knowledge_confidence < threshold:
    transfer_to_human()

elif requires_manual_authorization:
    transfer_to_human()

else:
    continue_ai_service()

尤其在高意向用户场景中，转人工并不意味着AI处理失败。

如果AI已经完成商品介绍、需求识别和基础问题处理，最终把需要人工权限的环节交给客服，反而是一种合理的人机协作。

八、转人工时需要同步会话上下文

另一个工程细节是上下文传递。

如果用户已经进行了十几轮沟通，人工接手后重新询问“您想咨询什么”，会直接打断原有会话。

因此转人工时，可以同时生成结构化摘要：

{
  "stage": "交易条件确认",
  "intent_level": "高",
  "products": ["SKU-A", "SKU-B"],
  "scenario": "宿舍使用",
  "budget": "1000元左右",
  "blocker": "优惠",
  "resolved": [
    "完成商品对比",
    "确认库存",
    "确认发货时效"
  ],
  "pending": [
    "优惠权限确认"
  ]
}

人工客服看到的不是一整页聊天记录，而是当前购买状态和待处理问题。

这样可以降低重复沟通成本。

九、上线前如何构建测试集

如果要验证这套方案，测试集不应该只有单轮FAQ。

建议从历史咨询中抽取几类典型会话：

1. 浏览后快速离开的低意向会话
2. 多SKU比较会话
3. 价格敏感型会话
4. 高意向但未成交会话
5. 最终成交会话
6. 复杂售后转人工会话
7. 强烈负面情绪会话

测试时重点验证四个环节：

意图识别是否正确
      ↓
购买阶段是否连续
      ↓
成交阻力是否识别正确
      ↓
下一步动作是否合理

特别需要对“高意向但最终未成交”和“最终成交”两组历史会话进行对比。

两者之间的差异，通常比人工编写的测试问题更有参考价值。

十、上线后应该监控哪些指标

传统智能客服比较关注：

首次响应时间
AI接待量
自动解决率
转人工率

面向销售场景后，可以增加：

购买阶段识别准确率
成交阻力识别准确率
多轮上下文保持率
商品推荐后的继续咨询率
高意向用户转人工率
高意向用户流失率
询单→下单转化率
知识库未命中率
异常回答率

其中需要特别注意：

自动解决率 ≠ 转化效果

如果自动解决率持续提高，但高意向用户的询单转化下降，需要检查是否存在AI过度接管的问题。

总结

电商客服从FAQ机器人向销售型Agent演进，关键并不是增加更多“催单话术”，而是建立一套完整的会话决策机制：

理解当前问题
    ↓
读取历史上下文
    ↓
判断购买阶段
    ↓
识别成交阻力
    ↓
选择下一步动作
    ↓
调用真实业务知识
    ↓
AI继续处理 / 人工接管

客户咨询后迟迟没有下单，本质上不一定是缺少一次催促，也可能是价格、商品适配、物流、信任或售后等关键阻力尚未解决。

因此，技术实现的重点应该从“这一句话怎么回答”，逐步转向“这一轮对话之后应该进入什么状态”。

当客服系统能够持续维护会话状态、识别决策阻力，并在自动处理与人工介入之间进行合理路由时，AI客服才真正从单纯的信息问答工具，进入面向实际业务流程的智能体阶段。