LikeShop 单商户 Java 版 AI 退换货分析:售后原因自动归类与优化建议二开落地

简介: LikeShop单商户Java版AI退换货分析,基于售后文本自动归因(商品/描述/仓库等6类),生成责任部门映射与优化建议;采用Spring AI结构化输出,异步MQ处理,零侵入原系统,独立表存储,置信度低自动转人工,激活沉睡售后数据价值。

LikeShop 单商户 Java 版 AI 退换货分析:售后原因自动归类与优化建议二开落地

一、前言

售后模块是电商系统里“数据最密集、但价值挖掘最浅”的环节。LikeShop 单商户 Java 版原生已经具备基础的售后退款能力,ls_after_sale 表中存储了 reason(售后原因)和 description(问题描述)两个关键字段。但现实是,绝大多数售后原因最终都变成了“其他”或“不想要了”——用户不愿意在十几个下拉选项里仔细挑选,客服也没有精力逐条分析自由文本。结果是:售后数据一直在产生,但没有人知道退货到底是因为尺码偏差、页面描述误导,还是仓库发错了货。

AI 退换货分析要解决的不是“自动同意退款”,而是把非结构化的售后文本转化为可行动的运营洞察。具体做三件事:第一,从 description 自由文本和 reason 原始标签中自动归类出标准化的“归因标签”;第二,将归因标签映射到具体的责任环节(商品页、仓库、物流、客服);第三,按商品和品类聚合,输出可执行的优化建议。

二开遵循 LikeShop Java 版的代码规范:不修改官方包内的类,自定义包独立维护,通过事件监听器接入售后流程,AI 分析异步执行,不阻塞任何售后状态流转。

二、售后数据现状与归因的断层

2.1 原生售后表的关键字段

LikeShop 单商户 Java 版的售后主表 ls_after_sale 中,与归因直接相关的字段包括:

字段 类型 说明
type TINYINT 售后类型:1-仅退款;2-退货退款;3-换货
reason VARCHAR(128) 售后原因(用户选择的原始标签或简要填写)
description VARCHAR(500) 问题描述(自由文本)
images VARCHAR(500) 凭证图片,逗号分隔
refund_amount DECIMAL 退款金额
status TINYINT 售后状态

reason 和 description 是 AI 归因的输入源。但这两个字段的信息密度差异很大:reason 往往是预设枚举(如“不喜欢/不要了”“质量问题”),覆盖面窄且用户选择随意;description 才是真正的信息金矿,但它是非结构化的自由文本,原生系统没有任何机制去解析它。

2.2 归因断层导致的三个运营盲区

盲区一:商品页问题无法定位。 用户写“和图片颜色不一样”,这到底是光线问题、修图过度,还是批次色差?仅看 reason 字段根本区分不出来。归因的颗粒度必须细到“商品页描述误导”这一层。

盲区二:责任部门无法分派。 “尺码偏小”应该由商品运营更新尺码表,“发错货”应该由仓库优化拣货规则,“物流太慢”应该由供应链协调承运商。没有归因标签,售后数据就只是一堆退款金额,无法驱动任何环节改进。

盲区三:优化动作无法闭环。 即使运营人员想分析,也只能靠人工抽样翻看 description,效率极低且不可持续。AI 的价值是把这件事自动化、规模化。

三、整体架构:分析层与售后流程解耦

方案的核心设计是售后流程不变,分析异步旁路执行。

触发层:通过 Spring 事件监听器监听售后单创建事件(AfterSaleCreatedEvent),不侵入原生的售后申请 Service。

分析层:事件监听器发布 MQ 消息,AI 分析消费者从消息中取出 afterSaleId,查询售后单的 reason、description,以及关联的订单商品、物流信息,拼装 Prompt 调用大模型,输出结构化归因结果。

存储层:归因结果写入独立的 ls_after_sale_ai_analysis 表,与 ls_after_sale 通过 after_sale_id 关联。

应用层:管理后台新增“售后归因分析”页面,按商品/品类聚合归因标签,生成优化建议;同时提供人工修正入口,用于纠正 AI 误判并沉淀为训练样本。

这条链路中,AI 分析的任何失败(超时、额度不足、输出格式异常)都不会影响售后单的正常流转——售后审核、退款、退货物流仍然走原生状态机。

四、归因标签体系设计:两级分类 + 责任映射

4.1 为什么不能直接复用 reason 字段

原生的 reason 字段是为“给用户选”设计的,不是为“给运营分析”设计的。用户选“质量问题”可能指的是商品瑕疵,也可能指的是“用了一次就坏了”,两者的责任环节完全不同。行业实践建议:平台原始退款原因不能直接作为最终分析标签,店铺应建立一套内部标签体系,数量控制在 15~30 个之间。

4.2 两级归因标签

新建 ls_after_sale_reason_tag 字典表,存储两级标签:

CREATE TABLE ls_after_sale_reason_tag (
  id BIGINT PRIMARY KEY AUTO_INCREMENT,
  parent_code VARCHAR(50) NOT NULL COMMENT '一级分类编码',
  parent_name VARCHAR(50) NOT NULL COMMENT '一级分类名称',
  child_code VARCHAR(50) NOT NULL COMMENT '二级标签编码',
  child_name VARCHAR(100) NOT NULL COMMENT '二级标签名称',
  responsible_dept VARCHAR(50) DEFAULT '' COMMENT '责任部门:goods/warehouse/logistics/cs',
  improvement_hint VARCHAR(255) DEFAULT '' COMMENT '默认改善动作提示',
  status TINYINT DEFAULT 1,
  UNIQUE KEY uk_child_code (child_code)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

一级分类与二级标签的初始设计示例:

一级分类 二级标签示例 责任部门 典型改善动作
商品问题 质量瑕疵、功能故障、批次色差 goods 品控抽检、供应商考核
描述问题 尺码偏差、图片色差、功能夸大 goods 更新尺码表、重拍主图、修改详情文案
仓库问题 发错货、漏发、包装破损 warehouse 拣货复核、包装规范
物流问题 配送延迟、快递丢件、暴力运输 logistics 更换承运商、保价协商
用户主观 不喜欢、买错、不想要 — 无需产品改进,关注选品
客服问题 响应慢、态度差、承诺未兑现 cs 客服培训、话术规范

二级标签总数控制在 15~25 个。初始版本可以更精简,只覆盖高频场景,后续根据 AI 输出的“未归类”样本逐步补充。

4.3 reason 原始值的映射

AI 的输入需要同时包含 reason 和 description。如果 reason 本身已经明确(如“发错货”),AI 可以直接映射到对应标签;如果 reason 模糊但 description 有细节(如“收到的是蓝色,我买的是黑色”),AI 结合文本推断为“发错货”。两者冲突时,以 description 的语义为准。

五、AI 分析引擎:Spring AI 结构化输出

5.1 技术选型

LikeShop Java 版基于 Spring Boot,AI 集成选用 Spring AI,利用其 entity() 方法直接将大模型输出映射为 Java 对象,避免手动解析 JSON 的脆弱性。Spring AI 根据 Java 类的字段生成 JSON Schema,拼入 Prompt 约束模型按格式输出,解析后的对象可直接用于业务逻辑。

5.2 结构化输出 DTO

public record AfterSaleAnalysisResult(
    @JsonProperty("primary_category") String primaryCategory,
    @JsonProperty("child_tag") String childTag,
    @JsonProperty("root_cause_detail") String rootCauseDetail,
    @JsonProperty("confidence") double confidence,
    @JsonProperty("need_manual_review") boolean needManualReview
) {
   }

root_cause_detail 是 AI 对具体问题的自然语言归纳(如“用户反馈L码实际胸围比尺码表标注小3cm”),它比单一的标签更有信息量,供运营人员快速理解。

5.3 分析 Service

@Service
public class AfterSaleAnalysisService {
   

    private final ChatClient chatClient;

    public AfterSaleAnalysisService(ChatClient.Builder builder) {
   
        this.chatClient = builder.build();
    }

    private static final String SYSTEM_PROMPT = """
        你是电商售后归因分析专家。根据用户提交的售后原因和问题描述,输出结构化归因结果。
        一级分类可选:商品问题、描述问题、仓库问题、物流问题、用户主观、客服问题、其他。
        如果信息不足以判断,child_tag 输出"未归类",need_manual_review 设为 true。
        confidence 反映你的判断把握程度(0-1),低于 0.6 时 need_manual_review 必须为 true。
        不要编造用户未提及的信息。
        """;

    public AfterSaleAnalysisResult analyze(String reason, String description) {
   
        String userContent = "售后原因:" + reason
            + "\n问题描述:" + (description == null ? "(无)" : description);

        return chatClient.prompt()
            .system(SYSTEM_PROMPT)
            .user(userContent)
            .call()
            .entity(AfterSaleAnalysisResult.class);
    }
}

5.4 规则兜底与置信度阈值

大模型输出存在不确定性,必须设计降级路径。行业实践建议:置信度低于 0.7 时降级为转人工处理。本方案中,置信度低于 0.6 时标记 need_manual_review = true,结果仍然存储但不参与自动聚合报表,等待人工修正。

同时,对于 reason 已经是明确枚举且 description 为空的售后单,可以跳过 AI 调用,直接走关键词映射规则,节省成本。

六、数据层扩展:分析结果表

新建独立的分析结果表,不修改 ls_after_sale:

CREATE TABLE ls_after_sale_ai_analysis (
  id BIGINT PRIMARY KEY AUTO_INCREMENT,
  after_sale_id BIGINT NOT NULL,
  order_id BIGINT NOT NULL,
  goods_id BIGINT NOT NULL,
  sku_id BIGINT DEFAULT 0,
  primary_category VARCHAR(50) DEFAULT '' COMMENT '一级归因分类',
  child_tag VARCHAR(100) DEFAULT '' COMMENT '二级归因标签',
  root_cause_detail VARCHAR(500) DEFAULT '' COMMENT '根因细节描述',
  confidence DECIMAL(3,2) DEFAULT 0 COMMENT 'AI置信度',
  need_manual_review TINYINT DEFAULT 0 COMMENT '是否需要人工复核',
  manual_category VARCHAR(50) DEFAULT '' COMMENT '人工修正后的一级分类',
  manual_tag VARCHAR(100) DEFAULT '' COMMENT '人工修正后的标签',
  model_version VARCHAR(50) DEFAULT '',
  create_time DATETIME NOT NULL,
  update_time DATETIME NOT NULL,
  UNIQUE KEY uk_after_sale (after_sale_id),
  INDEX idx_goods_tag (goods_id, child_tag),
  INDEX idx_primary (primary_category)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

goods_id 和 child_tag 的联合索引是生成“商品优化建议”的核心查询路径。manual_category/manual_tag 用于人工修正,查询聚合时应优先使用人工修正值(COALESCE 逻辑)。

七、事件监听与异步编排

7.1 监听售后创建事件

在 LikeShop Java 版的二开包中新建监听器,不修改官方售后 Service:

@Component
@RequiredArgsConstructor
public class AfterSaleCreatedListener {
   

    private final RocketMQTemplate mqTemplate;

    @EventListener
    public void onAfterSaleCreated(AfterSaleCreatedEvent event) {
   
        mqTemplate.convertAndSend(
            "after_sale_analysis_topic",
            String.valueOf(event.getAfterSaleId())
        );
    }
}

注意:监听器只负责投递消息,不做任何业务查询和 AI 调用。消息发送失败也不应回滚售后单创建——售后流程的可用性优先级高于分析链路。

7.2 消费者执行分析

@Service
@RequiredArgsConstructor
public class AfterSaleAnalysisConsumer {
   

    private final AfterSaleMapper afterSaleMapper;
    private final AfterSaleItemMapper itemMapper;
    private final AfterSaleAnalysisService analysisService;
    private final AfterSaleAiAnalysisMapper analysisMapper;

    @RocketMQMessageListener(topic = "after_sale_analysis_topic", consumerGroup = "after_sale_ai_group")
    public void onMessage(String afterSaleIdStr) {
   
        Long afterSaleId = Long.valueOf(afterSaleIdStr);

        // 幂等:已有分析结果则跳过
        if (analysisMapper.selectByAfterSaleId(afterSaleId) != null) return;

        AfterSale afterSale = afterSaleMapper.selectById(afterSaleId);
        if (afterSale == null) return;

        try {
   
            AfterSaleAnalysisResult result = analysisService.analyze(
                afterSale.getReason(), afterSale.getDescription()
            );

            AfterSaleItem item = itemMapper.selectByAfterSaleId(afterSaleId);

            AfterSaleAiAnalysis record = new AfterSaleAiAnalysis();
            record.setAfterSaleId(afterSaleId);
            record.setOrderId(afterSale.getOrderId());
            record.setGoodsId(item != null ? item.getGoodsId() : 0L);
            record.setSkuId(item != null ? item.getSkuId() : 0L);
            record.setPrimaryCategory(result.primaryCategory());
            record.setChildTag(result.childTag());
            record.setRootCauseDetail(result.rootCauseDetail());
            record.setConfidence(result.confidence());
            record.setNeedManualReview(result.needManualReview() ? 1 : 0);
            record.setModelVersion("spring-ai-v1");
            analysisMapper.insert(record);

        } catch (Exception e) {
   
            // 分析失败不抛异常,记录日志,等待人工复核兜底
            log.warn("售后AI分析失败, afterSaleId={}", afterSaleId, e);
        }
    }
}

八、优化建议的生成:从标签聚合到行动

归因标签本身只是中间产物,真正的价值在于将标签聚合到商品维度,输出可执行的建议。

8.1 商品级归因聚合

public List<GoodsReasonStat> aggregateByGoods(Long goodsId, LocalDate start, LocalDate end) {
   
    return analysisMapper.selectList(
        new LambdaQueryWrapper<AfterSaleAiAnalysis>()
            .eq(AfterSaleAiAnalysis::getGoodsId, goodsId)
            .ge(AfterSaleAiAnalysis::getCreateTime, start.atStartOfDay())
            .le(AfterSaleAiAnalysis::getCreateTime, end.atTime(LocalTime.MAX))
            .and(w -> w.eq(AfterSaleAiAnalysis::getNeedManualReview, 0)
                       .or().isNotNull(AfterSaleAiAnalysis::getManualTag))
    ).stream()
     .collect(Collectors.groupingBy(a -> 
         a.getManualTag() != null ? a.getManualTag() : a.getChildTag(),
         Collectors.counting()))
     .entrySet().stream()
     .map(e -> new GoodsReasonStat(goodsId, e.getKey(), e.getValue()))
     .sorted(Comparator.comparingLong(GoodsReasonStat::getCount).reversed())
     .toList();
}

8.2 建议生成规则

不直接让大模型“自由发挥”生成建议,而是基于聚合结果做规则映射 + 模板填充。原因是:建议需要稳定、可追溯、可执行,不能每次生成不同的措辞。

聚合信号 生成建议
“描述问题-尺码偏差”占比 > 30% 更新商品尺码对照表,在详情页增加“建议选大半码”提示
“仓库问题-发错货”占比 > 10% 核查该 SKU 的拣货位是否与相邻 SKU 相似,增加扫码复核
“商品问题-质量瑕疵”集中在某个批次 联系供应商对该批次做质检复盘,考虑下架或定向召回
“物流问题-配送延迟”集中在某承运商 评估更换承运商或增加保价/时效附加服务

这些规则存储在 ls_after_sale_reason_tag.improvement_hint 中,聚合查询时按标签匹配输出。后续如果希望引入大模型对聚合结果做“综合研判”,可以在规则基础上增加一层可选的 AI 总结,但核心建议仍然由规则驱动,保证可解释性。

九、二开避坑清单

坑一:修改官方 AfterSaleService 插入 AI 调用。 官方包会在升级时被覆盖,AI 调用应该放在独立的监听器中,通过 Spring 事件机制挂载。

坑二:同步调用大模型阻塞售后创建。 售后创建是用户端的高频操作,AI 分析延迟 3~10 秒会直接拖垮用户体验。必须走 MQ 异步,且分析失败不影响售后主流程。

坑三:直接复用原生 reason 枚举作为归因标签。 原生枚举是为用户选择设计的,覆盖面窄、颗粒度粗。必须建立独立的两级归因标签体系,reason 仅作为 AI 的输入特征之一。

坑四:没有人工修正入口。 AI 一定会有误判,尤其是 description 极短或语义模糊的售后单。人工修正不仅是纠错手段,更是后续优化 Prompt 和标签体系的训练数据来源。

坑五:置信度低的结果参与自动聚合。 confidence < 0.6 且 need_manual_review = true 的记录,在生成商品优化建议时必须排除或单独标注,避免错误标签污染决策。

坑六:把 AI 分析结果写回 ls_after_sale 表。 修改官方表结构会增加升级冲突风险。分析结果是旁路数据,应该存储在独立的 ls_after_sale_ai_analysis 表中,通过 after_sale_id 关联。

十、总结

LikeShop 单商户 Java 版 AI 退换货分析的二开,核心是三条线:

归因层:建立独立的两级标签体系(一级分类 + 二级标签 + 责任部门),替代原生 reason 枚举的分析能力不足。AI 以 reason + description 为输入,通过 Spring AI 结构化输出归因标签和根因细节,置信度低于阈值时转人工。

数据层:分析结果存储在独立的 ls_after_sale_ai_analysis 表中,不修改 ls_after_sale 主表。通过 goods_id + child_tag 索引支持商品维度的归因聚合。

行动层:售后创建事件通过 Spring 事件 + MQ 异步触发分析,分析失败不影响售后流程。归因结果聚合到商品维度后,按预设规则映射为具体的优化建议,驱动商品页、仓库、物流、客服等环节的改进。

守住三条底线:AI 分析不阻塞售后流程、不修改官方表结构、低置信度结果不参与自动决策。这样既能把售后 description 中沉睡的运营信号激活,又不会给 LikeShop 的原生售后状态机带来任何风险。

目录
相关文章
|
17天前
|
Linux 开发工具 iOS开发
Codex保姆级教程(下载+安装+登录+使用,含所有版本,2026最新)
Codex是OpenAI推出的开源AI编程智能体,本地运行,可理解整个代码库,支持自然语言指令改代码、执行命令、跑测试、修Bug,兼容Win/macOS/Linux。(239字)
7364 56
|
2天前
|
弹性计算 人工智能 API
Codex超详细入门指南(下载·安装·登录·上手,全版本覆盖,2026最新版)
建议收藏本教程,2026 全年各版本更新随时回来查阅。如果你在搭建过程中遇到任何问题,欢迎结合 阿里云工单系统 提交技术支持请求,或在 阿里云开发者社区 搜索 Codex 相关话题交流。 祝你编码愉快,效率翻倍!
1344 0
|
5天前
|
JSON 前端开发 API
阿里云最新Qwen4-Max大模型介绍:模型定位、特征、能力、适用场景解析
2026 年 11 月 11 日,阿里发布第四代旗舰模型Qwen4-Max预览版,首发千问 AI 平台 Token Plan,并同步接入千问办公、Qoder 等入口。该版本聚焦知识理解、世界感知、编程与 Agentic 四项升级,主打复杂编程、专业办公、前端设计与专业软件操作。预览期至 11 月 25 日 24:00,到期后模型标识下线;限时 2 折、新用户再享 5 折,最低 1 折可体验。
|
18天前
|
JavaScript API iOS开发
DeepSeek Harness下载、安装、配置一篇搞定(2026整理,送常用插件)
DeepSeek Harness(DSH)是DeepSeek于2026年开源的MIT协议AI Agent框架,支持插件化组装模型、工具、沙箱与UI,兼容主流大模型。本文提供免Node.js的桌面端安装包(Win/macOS),含详细图文教程及热门插件推荐。
5573 67
|
6天前
|
云安全 人工智能 安全
|
12天前
|
Linux 开发工具 iOS开发
2026最新codex下载安装保姆级使用教程(下载+安装+登录+使用,含所有历史版本)
本文详解OpenAI Codex国内快速上手指南:提供Win/macOS/Linux全平台免安装包、npm/Homebrew等多方式安装、账号/API Key双登录、简体中文切换,覆盖下载、安装、汉化、使用及高频避坑(如微软商店失败、npm超时等),10分钟即可跑通。
2835 9
|
5天前
|
人工智能 前端开发 API
阿里云Qwen4-Max 大模型详解:定位、特征、能力、适用场景与相对Qwen3-Max差异解析
2026年11月11日,阿里发布第四代旗舰模型Qwen4-Max预览版,首发千问AI平台Token Plan并接入千问办公、Qoder等入口。该版本聚焦知识理解、世界感知、编程与Agentic四项升级,主打复杂编程、专业办公、前端设计与专业软件操作等真实任务。预览期为11月11日10:00至11月25日24:00,仅支持Token Plan调用,到期后模型标识下线;限时2折、新用户再享5折,最低1折可体验。
|
2天前
|
Linux Go 开发工具
手机上跑 DeepSeek 智能体:开源安卓客户端 DSH Go 安装与使用指南
DSH Go 是一款开源安卓客户端,将 DeepSeek Harness 智能体引擎装进手机:免 Root、免 Termux,一键安装即用;支持本机运行(内置 Ubuntu+Node.js)或远程接管电脑会话;具备插话打断、过程折叠、屏幕操控、端到端加密分享等特色功能,真正实现智能体“口袋化”。
1444 0
|
10天前
|
人工智能 安全 API
DeepSeek Harness下载、安装、配置一篇搞定(2026整理,送常用插件)
DeepSeek Harness(dsh)是DeepSeek AI于2026年开源的轻量级Agent运行框架,基于Cordis内核,践行“一切皆插件”理念。支持Web/桌面双端,开箱即用;内置多模型接入、丰富插件生态(超3.5万),适配编程、办公、创作等场景。(239字)
1825 1