台北零售店導入 AI 客服，一週省下 20 小時

背景：產業位置與痛點醞釀

這家客戶是台北的連鎖生活風格零售品牌，北部有 4 家直營門市，主力通路是實體 + 自營官網 + 蝦皮。一年營收約 8000 萬，員工 18 人，其中客服 1 位、行銷 2 位、門市 12 位。

從 2023 年開始，他們的成長主要來自線上——官網流量倍增、蝦皮評價穩定累積，LINE 官方帳號也從 2000 好友成長到 1.3 萬。問題是，所有諮詢都集中在那 1 位客服身上。

痛點不是一次爆發，是一個季度一個季度慢慢堆起來的。2024 年 Q1 客服平均回覆時間是 2 小時，到 Q3 已經拖到隔天，顧客開始在蝦皮留言板公開抱怨「問了三天還沒回」。老闆找我們的時候已經是臨界點——再不處理，下一季要不就請兩個客服（月增 8 萬人事成本），要不就眼睜睜看轉換率繼續下滑。

客服本人也快撐不住了。她每天到公司第一件事是打開 LINE 看隔夜累積的訊息，常常光處理昨天的就耗到中午。業務部要她同時處理電話訂單跟 LINE 諮詢，她的午餐時間幾乎都在打字。

挑戰

這家位於台北的零售店每天要回覆上百個顧客問題，包括：

• 商品尺寸與規格查詢
• 訂單進度追蹤
• 退換貨政策詢問
• 優惠活動細節

以往這些工作都由一位專職客服負責，但隨著業務成長，回覆速度越來越慢，顧客抱怨增加。更重要的是，客服人員大部分時間都在回答重複性問題，無法專注在更有價值的工作上。

他們之前試過什麼沒效

找我們之前，他們試過三件事，每件都沒解決問題：

第一次：自己 Google 找免費 FAQ 外掛。 行銷主管花了兩個下午搞定官網的自助 FAQ 頁，結果發現顧客根本不會主動點進去看——大家習慣直接在 LINE 上問。流量漏斗斷掉，FAQ 頁上線第一個月瀏覽量不到 80 次。

第二次：買了一套坊間的 LINE 自動回覆機器人。 月費 1200 元，可以設 30 個關鍵字自動回覆。結果是——顧客的問法太多元，關鍵字覆蓋率不到 30%。更糟的是機器人回了錯答案之後，客服還要多花時間「道歉 + 重新解釋」，工時不降反升。三個月後關掉。

第三次：找某家 AI 公司談 LINE AI 客服。 對方開價 45 萬一次性 + 月費 2 萬。諮詢會議的焦點是「我們的技術多強」、「用什麼模型」，完全沒問「你們最常被問的 5 個問題是什麼」、「答案統一了嗎」。老闆當下就覺得不對。

三次失敗的共同點：沒有人先問他們的客服流程現況。

為什麼找 YOTRON

決策點是一次餐敘，朋友介紹之下加了我們。第一通電話老闆講了 5 分鐘現況，我們只問一句——

「你們客服回覆的內容，有統一的答案嗎？同一個問題被不同時段問，會得到一樣的回覆嗎？」

老闆愣了一下說「應該有吧⋯⋯但我沒特別檢查」。我們建議他那週自己去 LINE 後台撈 20 筆客服對話出來看。

一週後他回來：「我看完了，20 筆裡面有 14 筆答案的措辭不一樣，有 3 筆甚至講錯退換貨政策。」

這是關鍵決策點。對比前兩家 AI 廠商急著賣工具，YOTRON 做對的是——先讓他看到問題的真正位置。答案不是「買更好的 AI」，是「先把回答統一」。

解法

我們幫他們建立了 LINE OA AI 客服系統，功能包括：

1. 智能問答

透過預先訓練的知識庫，AI 可以自動回答 80% 以上的常見問題。需要時才轉接真人客服。

2. 訂單查詢

顧客可以直接在 LINE 裡輸入訂單編號，查詢出貨進度與物流狀態。

3. 推薦商品

根據顧客的購買歷史與瀏覽紀錄，AI 會推薦適合的商品，提升成交率。

4. 24小時服務

即使是下班時間或假日，顧客也能得到即時回覆，大幅提升顧客滿意度。

導入細節：每週做了什麼

這個案子從 kickoff 到 AI 上線，總共 6 週。

Week 1：客服 SOP 盤點。 我們跟客服本人坐在一起，把她過去 3 個月的 LINE 對話全部匯出，分類成 7 大類 43 個常見問題。這一週最驚訝的發現是——她自己寫下的「標準答案」跟她實際回覆的內容差異很大。我們原本以為盤 SOP 就是把她腦袋裡的東西寫出來，結果發現她腦袋裡的「標準」本身就不穩定。所以這週多花了 2 天跟老闆一起確認每個答案的官方版本。

Week 2：FAQ 知識庫建置。 把 43 個問題的標準答案寫成結構化文件，包含主答案 + 3 種問法的變形 + 轉人工的觸發條件。這週的卡點是「退換貨政策」——官網寫的是「7 天鑑賞期」，但客服實際操作時會給到 10-14 天彈性。我們建議老闆先把政策統一（決定是 7 天還是 14 天），再訓練 AI。老闆花了 2 天開會決定——最後選 14 天並同步更新官網，反而因此減少後續糾紛。

Week 3：AI 訓練 + 內部測試。 我們把知識庫灌入 GPT-4o，設定 prompt engineering 讓它只從知識庫回答，不亂發揮。內部測試期間，客服本人每天試用 2 小時，標記「這個答案不 OK」的回覆。第一天 43 個問題有 12 個回答偏差，第三天只剩 2 個。

Week 4：跟官網 API 串接訂單查詢。 原本以為這週會很單純，結果卡在官網的訂單 API 格式不統一——新舊兩版系統並存，有些訂單編號是 6 碼有些是 8 碼。我們原本以為可以直接串，結果發現要先做一層格式轉換。多花 2 天寫轉換層。

Week 5：真人客服小量上線（20% 流量）。 先讓 AI 處理 20% 的訊息，客服本人監看所有 AI 對話。這週最大的發現是——AI 在處理「委婉投訴」時會回得太制式，例如顧客說「商品有點失望」，AI 會直接套退換貨 SOP，沒有先情緒共感。我們加了一層「情緒偵測」prompt，讓 AI 遇到情緒字眼先轉真人。另一個意外發現是：AI 在推薦商品的時候，準確度比規則式推薦還低——因為它不熟這個品牌的商品定位。我們最後決定商品推薦還是走規則式，AI 只負責理解意圖、觸發對應的推薦模組，這個分工之後才穩定。

Week 6：全量上線 + 數據儀表板。 所有訊息由 AI 先接，識別不了或情緒性的轉客服。同時建了一個儀表板讓老闆每週看 AI 處理率、轉人工率、顧客滿意度。

成果

上線第一個月，就展現了驚人的成效：

• 客服時間節省：每週省下 20 小時，等於節省半個人力
• 成本降低：人力成本降低 40%，每年省下超過 NT$50 萬
• 顧客滿意度：提升 15%，因為等待時間大幅減少
• 轉單率提升：AI 推薦功能讓平均訂單金額提升 12%

量化以外的軟性改變

量化數字老闆很滿意，但最打動他的是幾件不在 KPI 裡的事：

客服本人終於能準時下班，而且開始主動找老闆討論「怎麼優化 VIP 服務」——以前她完全沒力氣想這些。老闆自己也睡得著了，以前週末晚上要盯手機怕顧客抱怨，現在 AI 接到半夜，隔天早上只看儀表板。

最出乎意料的是顧客端。上線後兩個月，有 4 個顧客主動在 LINE 上留言說「你們這個客服系統反應比以前還快，是換人了嗎？」。有 2 位 VIP 顧客甚至因此推薦朋友加入會員。行銷部也發現一個紅利——AI 對話紀錄本身就是最真實的顧客語言資料庫，他們開始用這些對話去調整商品文案跟廣告標題，廣告 CTR 比之前提升 18%。

客戶引言

「原本以為 AI 客服會很機械化，沒想到顧客都說回覆很快而且很精準。現在我的客服人員可以專注在 VIP 顧客的服務上，整個團隊的效率提升很多。」—— 店經理 王小姐

技術細節

這套系統採用以下技術：

• LINE Official Account API
• GPT-4o 模型進行自然語言處理
• Supabase 資料庫儲存對話紀錄
• n8n 自動化流程串接

後續計畫

AI 客服上線半年後，這家零售品牌自己決定要繼續推進兩件事：

第一，把 AI 延伸到門市會員服務。 4 家門市每天也會接到會員的查詢電話，他們想讓同一套知識庫支援語音客服。這是他們自己規劃的，不是我們賣的。

第二，建立商品推薦的個人化模型。 目前 AI 的推薦還是規則式的，他們想往「看顧客過去 3 個月的購買紀錄做推薦」這個方向走。我們會陪他們做技術評估，但主導權在他們。

第三，把知識庫沉澱成內訓教材。 當初為了訓練 AI 整理的 43 個常見問題 + 標準答案，現在變成新進客服的訓練教材，老闆打算 2026 下半年招 1 個兼職客服專門處理 VIP，用這份知識庫讓新人一週就能上手。

這才是我們覺得一個 AI 案子真正成功的樣子——客戶自己會繼續規劃下一步，而不是停在交付那天。

總結

這只是一個開始。透過持續優化與數據分析，這家零售店的 AI 客服會越來越聰明，帶來的效益也會持續成長。如果你也是零售業者，想要了解如何導入 AI 客服，歡迎聯繫我們。