美洽对话标签怎么分类？

美洽的对话标签可以按用途、来源、作用范围和管理方式来分类：比如“会话级/客户级”、*手工/自动/系统生成*、*公开/私有*、以及按业务功能分组（意图/状态/优先级/产品线等）。合理分类能把海量会话结构化，方便检索、自动化路由与数据分析；同时需要制定命名规范、粒度控制和自动化规则，定期清理与监测准确率，才能把标签变成真正有用的资产。

先把问题拆成小块：为什么要给对话打标签？

想象一下客服工位上堆满了单子，没人做分类，你要找出“申请退款”的历史对话或者“重要客户”的未处理会话，就得一条条翻。标签其实就是贴便利贴，让你快速筛选、自动分发、统计分析和回溯质量。美洽的对话标签功能就是把这些便利贴数字化、结构化、并支持自动化。

分类维度一：按“作用范围”划分

• 会话级（对话标签）：只针对当前此次会话有效，例如“退款处理中”“已催运单”。便于跟进当前工单状态。
• 客户级（用户/客户标签）：绑定到客户档案上，跨会话保留，例如“VIP客户”“高风险账号”。适合个性化服务和长期关系管理。

分类维度二：按“来源”划分

• 手工标签：客服人工添加，灵活但主观，适合突发事件或复杂判断。
• 规则/关键词自动标签：基于关键词、正则或条件规则自动打标签，适合高频明确场景（如“退货”“投诉”）。
• AI/意图识别自动标签：借助意图识别或NLP模型根据消息语义打标签，更适合语义丰富但关键词难以覆盖的场景。
• 系统生成/平台内置标签：由平台根据事件或状态生成，如“已关闭”“超时未回复”。

分类维度三：按“可见性与权限”划分

• 公开标签：团队内可见，适合共享的流程状态（如“待质检”）。
• 私有/内部标签：仅对特定角色可见，用于内部标注（如“培训中问题”）。

分类维度四：按“业务功能”划分（最实用的一类）

按业务目的分组，贴近实际工作日常，便于快速落地：

• 意图类：购买、退货、咨询、投诉、售后等。
• 状态类：待处理、处理中、已解决、转人工、回访中。
• 优先级类：高优先、普通、低优先。
• 产品/业务线类：按SKU、服务类型、活动来源等。
• 渠道/来源类：微信、APP内、H5、电话转写等。
• 合规/风险类：敏感词、违规投诉、高风险支付等。

把这些维度结合起来看

通常一个实际会话会同时贴上好几个标签：一个“意图类”的标签（我要退货），一个“状态类”的标签（退款处理中），再加一个“优先级类”的标签（高优先），可能还有“渠道类”（微信）和“客户级”的VIP标签。这样就能在列表里快速筛选并执行自动化动作。

标签的结构与属性（在美洽里常见的设置项）

• 名称：简短、规范、带前缀（可选）
• 颜色：便于视觉区分，通常用红/黄/绿来提示优先级
• 类型/分组：把标签组织到业务分组里，方便权限与展示
• 生效范围：会话级或客户级
• 可见性：公开或内部
• 创建者/责任人：记录是谁创建或负责维护该标签
• 自动化规则：关键词、正则、NLP模型、Webhook触发等

用表格对比不同分类，帮助记忆

实操步骤：如何在美洽落地一个清晰的标签体系

1. 梳理目标：先问三个问题：我们要解决什么问题？谁会用这些标签？标签将驱动哪些自动化？
2. 定义分类维度：选择上文提到的维度组合（至少包含作用范围与业务功能）。
3. 设计命名规范：例如“业务-意图-关键词”或加前缀“P_高优先_退款”。
4. 确定粒度：不要太细也不要太粗；常见建议是每个维度控制在10-30个标签内。
5. 配置自动化规则：优先把高频明确场景做成规则或NLP自动识别，减少人工操作。
6. 权限与可见性：谁能创建/编辑/删除标签，谁能看到特定标签。
7. 监控与治理：统计标签覆盖率、误判率，定期合并或删除冷门标签。

如何用标签驱动自动化（常见玩法）

• 基于标签自动路由：高优先+投诉 → 指派到资深客服组。
• 基于标签触发机器人流程：意图=退款 + 关键词=快递单号 → 自动回复模板并生成退货单。
• 统计报表维度：按标签维度做漏斗、转化率、平均处理时长（AHT）。
• 客户画像丰富：把客户级标签用于营销分层或复购预测。

常见问题与防雷指南（经验贴）

• 标签太多看不懂：限制创建权限，建立标签审批流程。
• 粒度不一致：用前缀或分组强制统一规范。
• 自动化误判率高：先做人工+规则的混合策略，再逐步用模型替代。
• 历史数据难以清洗：设计迁移脚本，把旧标签映射到新体系。
• 权限泄露敏感标签：把合规/风险标签设为仅质检或合规组可见。

衡量标签体系价值的指标

• 标签覆盖率：有标签的会话/总会话比例。
• 标签准确率：抽样校验自动标签与人工判断的一致性。
• 基于标签的响应时效改善（如AHT下降）
• 由标签驱动的自动化作业量与节省工时
• 标签使用频率与标签冗余率

举几个贴近生活的例子，方便记忆

• 电商场景：会话标签=“退货-缺货退款”，客户标签=“常购-家电”，自动规则根据“退款+快递单号”打标签并触发退款流程。
• 金融场景：会话标签=“风险-大额退款申请”，私有标签=“需合规复核”，触发人工复核与模版回复。
• 教育场景：会话标签=“试听-意向高”，客户标签=“已试听-半年内”，用于精准促销。

技术与治理建议（对产品与运维的人）

从技术角度，建议把标签以结构化元数据存储，支持时间序列、变更历史与操作审计；同时开放API，让CRM、BI、工单系统都能读写标签。治理上，建立标签字典、版本管理和周期性评审（比如每季度一次）。别忘了加上监控告警，当某些自动标签触发率突增时，排查规则或模型是否失效。

最后顺手给你一份快速检查表（落地前过一遍）

• 我们的目标和使用场景明确了吗？
• 标签命名规范和分组规则写好并传播了吗？
• 谁能创建/修改/删除标签有权限控制吗？
• 自动化规则覆盖了多少高频场景？误判率是多少？
• 是否有定期清理和合并的流程？

嗯，大概就是这些。你可以先从最关键的几个标签开始试点（比如“退款”“投诉”“高优先”），把自动规则做起来，观察一两周的数据，再扩展其他维度。过程里会有一点试错，但只要把治理和监控放在前面，标签体系能在日常运营里发挥很大作用。