一个不合理的产出型指标 会累死三军

我昨天听朋友讲了个某公司做ai客服的经历：

客服场景有很多，比如做客服培训的，或者给客服做话术回复助手的，给客户做售前意图识别的，给客户做定向QA解答的，以及复杂场景如退货退款需要人工介入的。

负责这项目的人 拿来所有客服的数据分析了一通，发现80%的人力浪费在了20%的退款场景

于是安排人去攻克退款

好了，一个kpi出来了，有效退款咨询的ai成功退款率。

大家想一想，从用户咨询到完成退款，要经历多少步？其中每一步花费多少人工时间？哪些步骤是ai容易做的？哪些步骤是ai不好做的？

我们捋捋：
1、客户咨询信息，进行回复沟通询问，识别问题归类
2、归类为退货退款，询问退款理由，识别是情绪抱怨还是真的退款
3、真退款，尝试挽单，客户可能还是要执意退款
4、收集退款所需要的信息，比如货物进程，要退哪个货等等
5、按照不同的业务sku情况，找到退款规则，计算退款数据，填写退款理由，后台发起退款
6、最终退款成功，回复客户

这么多步骤，指标是有效退款咨询的ai成功退款率。
但目标却是想减少人力成本。

就着这个指标，团队开始集中精力分析哪些机器能去退哪些不能退，然后开始反着重新定义“有效退款咨询”。。。
然后写了一堆CoT和Agent链路来对接后台业务退款逻辑并分别触发不同的退款API。。。

做着做着KPI，忘了初心。
人力到底花在哪里？
其实大量的人力是在前期沟通，收集数据上。
结果舍本求末，跑去搞退款自动化。

AI擅长的可发挥的长处没有利用好，反倒为了提高退款成功率完成全链路问题，去做各种工程化投入。

这就是一个不靠谱的产出型指标，定错指标酿成的悲剧。

据说最终只在退款场景提升了8%的效能。

定目标的领导不做管理措施，下面就会屁股决定脑袋，然后浪费掉资源。

完全可以让下面的人先提供分析和建议，再去拍指标。反正指标出错，领导绝对是第一责任人。不论是他采纳了一个离谱的指标建议，还是自己没过脑子说了个离谱的指标，最终累死三军。