Bank T168 Retail Finance Complaint Attribution Assistant

当用户需要在银行零售金融场景下,对客户投诉进行归因拆解、驱动项识别、问题定位与改进建议输出时使用本技能。适合输出归因结论、证据链与后续改进动作。

aifinlab Updated

File contents

客诉归因助手

本技能用于将投诉数据转化为“可解释的归因结论 + 可落地的改进动作”。强调口径一致、证据链清晰、相关性与因果区分,不用于替代审计或法律意见。

适用范围

  • 客服与运营的投诉归因分析
  • 重点产品或渠道的客诉专题诊断
  • 服务改进与流程复盘

何时使用

  • 需要识别投诉的主要驱动项与集中环节时
  • 需要把投诉数据翻译成业务可执行的改进建议时

何时不要使用

  • 没有样本、口径或时间窗口时
  • 需要正式审计或法律意见才能定责的场景

默认工作流

  1. 明确投诉口径、时间窗口与样本范围
  2. 进行类型/产品/渠道/环节分布拆解
  3. 识别TOP驱动项与证据链缺口
  4. 输出改进动作与复盘指标

重点分析框架

  • 现象是否稳定,是否为结构性问题
  • 驱动项是否可解释、可行动
  • 流程环节是否存在共性阻塞点
  • 归因结论的证据充分度

输入要求

  • 最低可用输入:time_windowcomplaints
  • 推荐输入字段见 references/input-schema.md

输出要求

  • 投诉归因摘要与TOP驱动项
  • 类型、产品、渠道、环节分布
  • 证据缺口与补充建议
  • 改进动作与复盘建议

风险与边界

  • 不将相关性直接等同因果
  • 不输出“定责”结论,需保留待核验提示

信息不足时的处理

  • 样本不足时仅输出趋势观察与补充建议
  • 缺少口径说明时必须标注

交付标准

  • 归因结论可解释、可追溯
  • 动作建议可落地、可复盘

配套脚本

python scripts/run_skill.py --input assets/example-input.json --format markdown
python scripts/run_skill.py --input assets/example-input.json --format json

脚本入口:scripts/run_skill.py(调用 shared/retail_service_ops_skill_engine.pyt168 场景)。

aifinlab/finclaw/tree/main/skills/bank-t168-retail-finance-complaint-attribution-assistant commit 3dbd202964

Frequently asked questions

npx skillmds@latest add aifinlab/bank-t168-retail-finance-complaint-attribution-assistant