把「我的訂單在哪裡？」變成自動消化的流程
如果你有在做電商客服，應該很熟這個畫面：一到大檔期、物流一塞車，客服信箱跟即時聊天就被「我的訂單在哪裡？」洗版。你回得越快，客人越安心；但你也會越忙、越難顧到真正麻煩的案件（改地址、漏寄、已送達未收到、退款爭議那種）。
這篇想講的重點很簡單：WISMO（Where Is My Order）之所以爆量，很多時候不是客服不夠力，是客人找不到清楚的進度。把資訊補齊，再用聊天機器人把「查得到」的事情做成標準流程，服務量真的會差很多。
訂單查詢到底有多常見？為什麼會變成成本黑洞？
WISMO 就是客人用各種方式在問：「出貨了嗎？到哪了？什麼時候到？」
在零售場景裡，Radial 有提到：WISMO 這種詢問大概會佔聯絡中心互動的 25–35%，旺季甚至可能衝到 50%。
另外，Gorgias 也用自家數據提過：在電商客服的所有來訊中，WISMO 平均大約佔 18%。
你可以把它想成：客人不是想跟你聊天，他只是想要一個「現在到哪」的答案。
但這種問題一多，就會直接吃掉你的人力與回覆時間，連帶影響其他案件的處理速度。
更現實的是「成本」。以 ContactBabel 的英國報告舉例，文件裡提到「典型每通來電成本」大約是 £6.26。
如果你的 WISMO 有一部分是靠電話或人工處理，那個成本會很快堆起來。
先不要急著上 AI：你要先把「出貨後資訊」補齊
聊天機器人很強，但它不是魔法。你後端沒有穩定、可信的訂單狀態與物流資訊，機器人只會更容易講錯話。
Narvar 在 2025 的報告裡講得很直白：有三分之二的消費者在按下「購買」後會感到焦慮，而且 74% 的人過去一年遇過延遲到貨、86% 遇過至少一個配送問題。
同一份資料也提到，當出狀況時，消費者最想先拿到的是：有被接住的回應（46%）、清楚說明（46%）、還有即時更新（45%）。
所以你可以先檢查三個地方，有沒有把資訊講清楚：
- 結帳頁 / 訂單確認信：有沒有「預估出貨時間、預估到貨時間」？不要只寫「我們會盡快出貨」
- 查訂單頁（後購頁面）：讓客人不用找客服也能看到狀態、追蹤連結、最新更新
- 主動通知：延遲、卡關、改派送這種訊息，要在客人來問之前先講（這點 Radial 也特別強調）
把這三個點補起來，你的聊天機器人就不會變成「只會道歉」的工具，而是能真的解決問題。
聊天機器人怎麼設計，才不會只是在丟追蹤碼？
下面這幾個是實務上最有感的小技巧，我用情境把它講清楚。
1) 入口做成「一秒就懂」：讓客人不用打字也能開始查
很多電商機器人第一句就問「請描述您的問題」。老實說，問 WISMO 的人不想描述，他只想快點查。
你可以在聊天視窗一打開就放按鈕：
- 查訂單進度
- 修改收件資訊
- 取消訂單 / 退貨
- 配送異常（已送達未收到、延遲、地址錯誤）
按鈕做得好，WISMO 會直接被導去查詢流程，不會先進到人工隊列。
2) 身分確認別刁難：用「訂單號 + Email/手機」就好
WISMO 最常卡住的是：客人找不到登入、忘記密碼、或根本沒會員。
做法可以很簡單：
讓客人輸入 訂單編號 + 下單 Email（或手機末三碼），就能拉到訂單狀態。必要時再補一個簡單驗證碼，避免被亂查。
3) 回覆不要只貼物流連結：用人話講三件事
你可以要求機器人的回覆固定包含：
- 現在在哪個階段：已成立 / 揀貨中 / 已出貨 / 配送中 / 已送達
- 預估到貨：給一個合理的區間或日期（有更新就同步更新）
- 接下來你可以做什麼：要不要改地址、要不要聯絡物流、要不要我轉人工
像這樣的回覆，客人看完通常就不會追問第二次。
4) 一定要做「例外狀態」分流，不然機器人會被罵爆
WISMO 最麻煩的不是「正常配送」，而是「看起來怪怪的那幾種」。我建議至少要準備這些分支：
- 已出貨但物流一直沒更新（常見於交寄掃描延遲）
- 延遲（預估到貨日已過、或物流顯示延誤）
- 顯示已送達但客人沒收到
- 分批出貨（一張訂單兩個包裹、兩個追蹤碼）
- 超商取貨 / 自取（已到店、取貨期限、逾期退回）
Radial 也有提到，客人通常忍受不了太久的「不知道」，大概幾天沒更新就會來問。
所以你機器人要做的不是「請耐心等候」，而是給出「下一步」：我幫你開查件、我幫你轉人工、你可以先確認管理室、我把取貨期限再提醒一次。
5) 能自助就讓他自助：因為真的比較省
ContactBabel 的報告裡有一句很直接：自助服務（自動化支援）的單次成本，估計比真人來電便宜 40 到 100 倍。
這就是為什麼「查訂單頁 + 聊天機器人導流」通常很快就看到工單下降。
可以優先開放的自助動作通常是這些：
- 未出貨前取消
- 改收件地址 / 改收件人（設定條件：尚未出貨才可改）
- 重新發送追蹤連結
- 申請退貨 / 換貨（直接引導到表單或會員頁）
6) 要轉人工可以，但要「把資訊一起帶過去」
很多團隊的痛點是：機器人最後都轉人工，然後人工還要再問一次訂單號、再查一次物流，客人會覺得你們在浪費他時間。
做法是：機器人轉接時，把這些資訊塞進工單或對話摘要：
- 訂單編號、下單時間、收件資訊（遮掉敏感欄位）
- 最新物流狀態、最後一次更新時間、預估到貨
- 客人這次的困擾分類（延遲/未收到/想改地址）
- 客人原句（讓真人判斷情緒）
這樣人工接手才是真的「接手」，不是重來一次。
用真實資料看「省多少」：你可以用這幾個數字先抓 ROI
你不一定要一開始就算得很細，但至少可以先用外部研究抓個量感：
- IBM 的研究（搭配 Forrester TEI）提到：大型組織使用 IBM Watson Assistant 時，每一個被虛擬客服成功「攔截處理」的對話，平均可省下約 5.50 美元。
- 同一份 IBM 的研究也提到：使用虛擬客服的組織，回報的平均「自助解決率（containment）」是 64%。
把它換成電商語言就是：
如果你一個月有 2,000 個「查訂單」對話，機器人吃下 64%（1,280 個），用 5.50 美金粗估，光是「少走到人工」的價值就可能接近 7,040 美金/月（不含人力排班彈性、尖峰吸收能力、客訴下降那些）。
再補一個更貼近電商客服現場的例子：
Gorgias 在文章裡用他們的算法估算，真人處理一個 WISMO 工單的成本大約落在 12.18–12.40 美金（他們把人力與單張工單成本拆開算）。
你不需要完全照抄這個數字，但它可以當成「人工處理重複查詢其實很貴」的參考點。
如果你想要再有說服力一點，也可以引用「真的上線後發生什麼事」：
像 Klarna 在 2024 年的公開資訊裡提到，他們的 AI 助理上線一個月處理了 230 萬次對話，吃下 三分之二客服聊天量，並提到「重複詢問下降 25%」、處理時間從 11 分鐘降到 2 分鐘內。
（雖然 Klarna 不完全是電商物流場景，但它很適合拿來說明：當問題夠標準化時，AI 的確能把大量重複對話消化掉。）
落地做法：三步驟把 WISMO 變成流程，而不是靠人撐
Step 1：先把資料串起來，確保「機器人講的是真的」
你至少要能拿到：
- 訂單狀態（已付款/已揀貨/已出貨/取消/退貨中）
- 物流資訊（承運商、追蹤碼、最新節點、最後更新時間）
- 預估到貨（有就給；沒有就給合理區間與更新機制）
這一步沒做完，後面都只是「比較會聊天」，不會真的降 WISMO。
Step 2：把 WISMO 做成「查詢流程 + 例外分流」
先把最常見的 5–6 種狀態寫成固定回覆模板，再加上「下一步動作」。
你可以先從這三種開始（最常見）：
- 未出貨：給出貨時間、可否取消/改地址
- 配送中：給預估到貨、追蹤頁、提醒更新頻率
- 延遲：先道歉沒問題，但要給新預估、原因分類、補救選項
Step 3：上線後每週看數字，調整話術與分流規則
你在看成效的時候，重點真的不在「機器人會不會聊天」，而是在它有沒有幫你把壓力吃掉。下面這幾個觀察點，會比單看一個數字有用得多。
第一個要看的是：服務量有沒有真的降下來。
不是只看總來訊數，而是要特別拉出「訂單進度相關」的對話來看。
比方說，上線前一天有 300 則 WISMO，上線後變成 180 則，這就代表資訊跟流程有被吸收掉一部分。
如果總量沒降，但尖峰時段比較不會爆，對排班來說其實也算是有成效。
第二個要觀察的是：客人問完之後，事情有沒有真的結束。
有些機器人看起來有回，但實際上只是把客人擋在第一層。
你可以去看同一張訂單，在 24 小時或 48 小時內，有沒有又跑回來問第二次、第三次。
如果重複詢問很多，通常代表三件事之一：
回覆資訊不夠清楚、預估時間講得太保守或太模糊，或者例外狀況根本沒被好好處理。
這種時候，與其調語氣，不如回頭補流程。
第三個是：哪些狀態最容易被轉到人工。
這一點很關鍵，因為它會直接告訴你「流程現在卡在哪」。
常見會轉人工的，不外乎是延遲、顯示已送達但沒收到、分批出貨，或是物流長時間沒更新。
你可以把這些對話抓出來看，是不是每次都卡在同一句話、同一個節點。
如果是，那代表不是客服不夠力，而是機器人那一段還沒準備好，該補的是規則或後續動作。
最後一個小提醒：轉人工本身不一定是失敗。
有些情況本來就該交給人處理，重點在於「有沒有把資訊一起帶過去」。
如果人工接手後，不用再問一次訂單號、不用再查一次物流，處理時間自然會縮短，客人也比較不會不耐煩。
這種「轉得順」的情況，其實也是流程被強化的證明。
簡單說，你在評估聊天機器人的時候，與其問「它像不像真人」，不如問一句更實際的：
有沒有少掉重複的工作？客服是不是比較有餘裕？客人是不是比較不會一直追？
答案如果是肯定的，那這套設計基本上就站得住腳。
成效怎麼量？我會看這幾個就夠了
- WISMO 佔比：在全部來訊裡，「查訂單」到底佔多少
- 自助解決率（containment / deflection）：多少 WISMO 由機器人直接結束，不用轉人工（IBM 研究裡有提到平均 64% 可作參考）
- 重複詢問率：同一張訂單在 24/48 小時內又跑來問一次的比例（Klarna 有公開提過重複詢問下降 25% 這種數字很有說服力）
- 人工接手後的處理時間：如果你有把資訊帶給人工，這個數字通常會下降
- CSAT / 滿意度：WISMO 不一定要高分，但至少不要低到拖累整體
引用資料
- WISMO: 10 Tips to Reduce These Customer Care Interactions | Radial (Radial)
- What’s The Secret to Reducing WISMO Requests? | Gorgias (gorgias.com)
- New Narvar Report Finds Two-Thirds of Online Shoppers Feel Anxious After They Click “Buy” | Narvar (Narvar)
- IBM Study: AI-driven Virtual Agents Can Drive Customer Satisfaction and Cost Savings Amid COVID-19 | IBM Newsroom (IBM Newsroom)
- The UK Customer Experience Decision-Makers’ Guide 2023-24 (PDF) | ContactBabel
- Klarna AI assistant handles two-thirds of customer service chats in its first month | PR Newswire (PR Newswire)