鞋店客訴退換貨受理與處理進度自動追蹤流程

🎯 這條流程解決什麼

售後是鞋店最容易翻車的環節。一雙鞋穿回家發現尺碼不合、鞋面有瑕疵、或顧客單純後悔了，退換貨的請求會從四面八方湧進來：Line 官方帳號、IG 私訊、現場口頭、甚至打電話。問題是這些請求沒有統一入口，誰先收到、誰負責處理、進度走到哪、退款到底匯了沒，常常沒有人說得清楚。

實際盤點過鞋店的售後負擔就會發現成本驚人。一筆退換貨從受理到結案，純人工平均要來回溝通五到八次：先問顧客哪雙鞋、什麼問題、有沒有發票、購買幾天了、鞋子狀況如何、要退還是換、要寄回還是到店⋯⋯光是把資訊問齊就要花掉客服十五到二十分鐘，還不包含等顧客回訊的空檔。一家月成交三百筆的鞋店，退換比例抓百分之八到十，等於每月有二十四到三十筆售後案在跑，客服每天至少要花一到兩小時在追這些事。更要命的是「漏接」：顧客等了三天沒回音，怒氣值衝頂，直接到 Google 商家或社團留一星負評，一則負評的殺傷力遠遠大過一筆退款的金額。

這條流程把整個售後處理標準化。顧客一提出退換或客訴，系統自動建立工單、帶入訂單與鞋款資訊，比對購買日期、鑑賞期與商品狀態初判是否符合退換條件並列出需補的資料，生成清楚的補件指引請顧客上傳鞋況照片與發票，再把工單在受理、審核、退款或寄換各階段的進度自動同步給顧客與承辦人。每一筆都有工單可追、有進度可查，售後不再是黑洞。

導入後的改變

導入前，售後處理仰賴客服的記憶與群組爬文。一個案子的資訊散在五則對話裡，客服離職或請假，接手的人完全抓不到進度；顧客每隔幾小時就問「我的退款好了沒」，客服只能重新查一遍；月底對帳時還要人工核對哪些退款真的匯出去了。漏單、重複處理、進度卡住沒人發現是常態。

導入後，每筆售後一進來就有工單編號，資訊集中、責任明確。顧客在受理、審核、退款、寄換每個階段都會自動收到通知，不必追問也知道進度，主動詢問的訊息量可以減少約六到七成。客服從「逐筆手動問資料、手動回進度」變成「只處理需要判斷的環節」，單筆處理時間從十五到二十分鐘壓到三到五分鐘，整體售後工時可省下約五成。更重要的是漏接率大幅下降——以往每月二十多筆案總有兩三筆卡住沒人理，標準化後幾乎歸零，連帶讓因等待過久而產生的負評明顯減少。售後做得穩，顧客反而更願意回購。

流程怎麼運作

對應 frontmatter 的四個節點，逐步說明：

1. 工單建立：顧客透過表單或 Line 提出退換貨／客訴後，系統自動建立一張工單，依手機號或訂單編號回查訂單系統，帶入購買的鞋款、訂單日期、付款方式與顧客聯絡資訊。工單一誕生就有唯一編號，後續所有溝通都掛在這張工單下。
2. 條件判讀：AI 分類模型先把案件歸類為「尺碼不合換貨」「商品瑕疵」「七天鑑賞期退貨」「使用後不滿」等類型，再比對購買日期是否還在鑑賞期、商品狀態描述是否符合退換條件，初步分流並列出這個案子還缺哪些資料（例如發票、鞋盒、鞋況照片）。
3. 引導補件：根據缺少的資料，AI 文案模型生成一段清楚親切的補件指引，告訴顧客要拍哪幾個角度的鞋況照、發票怎麼提供、寄回地址與注意事項，透過 Line 官方帳號發給顧客。顧客補齊後，資料自動歸檔到工單。
4. 進度同步：工單每推進一個階段——受理、審核中、核准、退款處理、寄換出貨——都會同步觸發兩則通知：一則給顧客報進度，一則給承辦客服或店長提醒接手。整條售後動線透明、可追蹤。

需要的工具與串接重點

核心平台用 n8n 或 Make 串接。表單工具負責收第一手退換貨需求，Line 官方帳號是與顧客溝通的主要管道，工單系統（可用 Notion、Airtable 或試算表起步）是所有資訊的集中地，AI 分類模型負責歸類與條件初判，AI 文案模型負責生成補件指引與進度通知。

串接重點有三。第一，工單系統一定要有「狀態」欄位並設計好狀態流轉，進度同步才有依據觸發。第二，Line 推播要用顧客的 userId 對應工單，避免通知發錯人；建議在第一次互動就綁定 userId 與訂單。第三，AI 的條件判讀結果只寫入工單的「建議」欄位，不直接改變案件核准狀態，核准與否一律留給人工。想把這套自動化擴大到整體客服體系，可以參考 自動化專區 的整合思路。

常見錯誤與注意事項

• 核退核換必須人工確認：AI 對退換條件的判讀僅供初步分流參考。是否核准退款、換貨或補償牽涉消費者保護法、七天鑑賞期認定與商品瑕疵責任，務必由人工逐案確認後再回覆顧客，不可由系統自動核退或拒絕。AI 不取代專業的售後判斷。
• 金流環節須人工覆核：退款涉及金流，實際匯款與發票折讓必須經人工核對金額、帳號與發票狀態，避免自動化誤匯或重複退款。
• 個資保護：顧客的訂單、聯絡與付款資訊屬個人資料，僅供售後處理使用，須符合個資法，工單系統權限要管控，資料不得外流或轉作行銷。
• 鑑賞期不等於試穿期：要注意消保法的七天鑑賞期並非「無條件試穿」，鞋子若有明顯使用痕跡，能否退貨需人工判斷，AI 的初判不可當作最終依據。

台灣中小企業情境案例

台中一家經營女鞋的網路商店，月成交約四百筆，售後一直是店主最頭痛的事。導入前，退換貨全靠一位客服在 Line 上手動處理，旺季時一天進來十幾筆，常常顧上這筆漏了那筆，月底還收到兩三則「退款拖很久」的負評。導入這條流程後，每筆退換一進來就自動開工單、自動向顧客要鞋況照與發票、每個階段自動報進度。三個月後，店主回報主動詢問進度的訊息量掉了快七成，客服每天花在售後的時間從近兩小時降到約四十分鐘，那段期間售後相關的負評降為零。客服把省下的時間拿去經營回購，反而帶動了業績。

延伸應用

這條流程可以再擴充。把妥善結案的客訴顧客接到 會員分級經營流程，重新納入關懷名單挽回信任；從源頭減少退換，可串接 尺寸諮詢自動回覆流程 降低因尺碼不合而退貨的比例。也能把工單資料定期彙整成售後分析報表，找出退換最高的鞋款與原因，回饋給選品與品管。更多售後與客服的自動化招式，見 食譜庫 與完整的 工作流清單。

流程圖

用到的工具

更多「零售商店」工作流

瀏覽全部工作流藍圖 → 自動化工作流中心 → AI Skills 食譜庫 →