AI Tag 可以针对收件箱的消息 或 本地文件进行打标，结构化所有的用户消息，洞察更多业务问题与机会点，方便对私域数据进行分析，是用来分析消费者问题的最有效方式。

工作流程

首先我们复习下「AI Tags」的工作流程：

标签树

标签树，你可以理解为 Solvea 的标签规则。你有 2 种方式来使用标签树：

1.可自定义创建标签

注：最多可添加 3 级。

2. Solvea 预置标签

注：预置标签共 2 万个以上。商品的品类可细分至 4 级，品类下的标签可至 2 级，「品类 * 标签」共 6 级。

业务场景

电商平台的客户投诉工单分析

背景：某大型电商平台每天收到数万条客户投诉工单，涉及商品质量、物流延迟、售后服务等多个维度。过去由于工单分类粗放，团队难以快速定位高频问题，导致优化效率低下。

使用标签树的业务流程：

1. 自定义创建标签体系
2. 客服团队根据业务需求，在标签树中自定义创建多级标签：
3. 一级标签：投诉类型（质量问题、物流问题、客服问题）、商品品类
4. 二级标签（以“质量问题”为例）：破损、尺寸不符、功能故障
5. 三级标签（以“商品品类”为例）：服饰箱包→女装→连衣裙

1. 通过标签数据洞察业务问题
2. 数据汇总：每周生成标签树分析报告，通过数据分析报表中 AI Tags 的数据，发现“女装→连衣裙”品类下，“工艺瑕疵”标签的工单占比达35%，远超其他品类。
3. 根因定位：结合标签关联数据，发现该问题集中在 3 家代工厂生产的商品，且投诉时间集中在促销活动后（可能因赶工导致质量下降）。
4. 业务行动：
5. 与代工厂沟通，加强生产质检流程；
6. 在商品详情页增加“促销期订单可能存在轻微工艺差异”的提示，降低用户预期；
7. 针对该品类推出“质量优先”的加急生产选项（付费增值服务）。

价值总结

1. 效率提升：通过自定义标签树+内置品类标签，工单分类效率提升，客服处理时长缩短。
2. 精准优化：从标签数据中快速定位“连衣裙工艺瑕疵”等具体问题，避免“头痛医头脚痛医脚”的盲目优化。
3. 机会捕捉：通过标签关联分析，将“投诉数据”转化为“用户需求洞察”，发现“售后体验→复购”的潜在增长机会。