Lumina Beauty Group 是一家在四个市场销售的中型美妆护肤品零售商，他们带着一个具体且成本高昂的问题找到我们：近三分之一的退货属于"色号不匹配"或"质地与预期不符"的投诉——这类问题人工客服通常凭一张照片就能解决，但往往需要两到三轮往返消息才能让顾客发来这张照片。

问题所在：请求环节的摩擦

Lumina 以文字为主的聊天流程会先让顾客描述问题，之后才提示上传图片，而大多数顾客选择描述而非拍照，导致双方都在猜测。该品牌自身的数据显示：首条消息就附带照片的对话，一次往返即可解决；而以纯文字描述开场的对话，平均需要2.4次往返才能达到同样的解决效果。在大多数与退货相关的对话中，客服实际上都在重复问同一个问题——“能否发一张照片？”

发生了哪些改变

Lumina 针对所有带有退货相关关键词标记的对话，重构了开场流程，改为优先引导上传图片，并配合一个基于品牌自有产品目录图片训练的视觉AI模型，将顾客照片与参考色号及质地数据进行比对。对于真正的色号不匹配问题，客服可以立即提供更接近的替换色号，而非直接退款——从而保住这笔销售。对于照片显示涂抹方法正确但出现皮肤过敏反应的情况，客服会立即将对话连同已上传的图片一并升级转给人工处理。

一个未使用 Lumina 自有参考数据的通用视觉模型，难以区分该品牌自训练模型能够可靠捕捉到的细微色号差异——这是一个专用模型明显优于通用模型的案例。

处理模糊不清的情况

并非每张照片都能被干净利落地判定——光线条件、相机质量，以及真正处于临界状态的色号差异，都会产生模型置信度过低、无法自动判定的情况。此时系统不会强行给出猜测结果，而是将这些对话连同照片及模型的最佳评估结果一并转交人工审核，省去了审核人员再次索要图片的步骤。

一个季度后的结果

指标 之前 之后
可避免的退货（退货相关对话） 基准值 -55%
平均解决所需往返次数 2.4 1.3
一次往返解决率 31% 74%
退货相关对话的客户满意度 基准值 上升，主要源于"感觉不需要为自己的诉求争辩"

对于任何"这个东西看起来/摸起来到底对不对"才是核心问题的产品类别而言，以视觉为先的流程都优于以文字为先的流程——这并非因为AI视觉技术很炫酷，而是因为它去除了顾客问题与客服理解之间一个不必要的"翻译"环节。

为什么通用视觉模型还不够

Lumina 最初曾试用一个通用视觉模型，之后才委托进行自有模型的训练，结果显示前者在最关键的场景上明显偏弱：同一产品线中相邻SKU之间的细微色号差异，在没有品牌专属参考图像的模型看来几乎难以区分，即便在正常光线下人眼完全可以分辨。这一教训并不局限于美妆行业——每当区分的关键细节是品牌自有目录所特有、而非任何模型在训练中都广泛见过的通用视觉类别时，专用的定向训练模型都会可靠地胜过通用模型。