客户案例

业务挑战

招生与续费高度依赖顾问个人经验。意向判断、跟进节奏、异议处理主要靠老带新传承，造成新人上手慢、线索遗漏、顾问间转化差异大。

• 资深顾问的判断逻辑隐性存在于个人经验中，难以培训和复制。
• 线索阶段、跟进频率与下一步动作缺少统一标准。
• 顾问需频繁整理沟通记录并重新组织话术。
• 管理者难以及时识别高价值、停滞和风险线索。

Matison 的做法

进入招生一线，复盘资深顾问的真实成单与流失案例，把"如何判断客户状态、何时跟进、如何处理异议、何时必须人工介入"转化为可执行规则，并重新梳理从线索进入到成单的转化漏斗。搭建招生顾问 AI Agent，提供客户摘要、意向判断、跟进建议、话术初稿和异议处理建议，同时保留人工决策与修改记录。

业务挑战

家长咨询、课程通知、教务提醒和课后反馈分散在多个渠道，运营人员需逐条人工处理。问题不仅是工作量大，更在于职责、排班和知识传递仍围绕人工设计。

• 家长问题类型多、资料分散，首次响应速度和一致性依赖个人熟练度。
• 通知、提醒、反馈需重复编辑，容易遗漏。
• 新人需较长时间熟悉课程、政策与沟通口径。
• 仅增加聊天机器人无法解决异常升级、职责分工和后续跟进。

Matison 的做法

先梳理家长咨询与教务运营的完整链路，识别 AI 可独立生成建议、必须人工确认、需升级教务主管的不同节点，重新明确 AI 与运营人员的分工。将常见问题、课程资料、通知模板、课后反馈和异常规则结构化为 Skills，搭建面向运营人员的 AI 工作台，并配套调整排班、责任归属与复盘机制。

业务挑战

招聘环节面临简历筛选耗时、候选人回复不及时、面试协调繁琐、进度缺少统一视图等问题。HR 大量精力被重复事务占用。

• 不同招聘人员对岗位硬性条件与优先级理解不一致。
• 简历初筛与候选人常见问题回复占用大量时间。
• 面试安排依赖来回沟通，优质候选人容易流失。
• 招聘信息分散，管理者难以定位瓶颈。

Matison 的做法

从岗位需求诊断开始，把硬性门槛、优先条件、可培养条件和淘汰原因结构化，梳理候选人进入、初筛、沟通、面试、反馈、入职各阶段的责任人与时间要求。搭建招聘 AI Agent 辅助初筛、问题回复、面试协调、进度提醒和数据归纳；采用 HR 审核制，关键岗位保留负责人最终判断。

业务挑战

客户需求、报价历史、订单状态与往来承诺分散在不同邮件线程和个人记录中。跟单人员花大量时间阅读、整理、翻译并判断下一步，关键节点易遗漏。

• 长邮件线程需重复阅读，需求与承诺不易快速提取。
• 报价、样品、订单与交期信息分散，跟进依赖个人记忆。
• 多语言沟通影响回复效率与表达一致性。
• 客户价值、活跃度和跟进优先级缺少统一标准。

Matison 的做法

梳理从询盘、报价、样品、下单、生产、发货到复购的关键节点，按客户价值、活跃度与机会阶段建立分层规则，明确必须提醒、必须确认和必须升级的事项。搭建外贸跟单 AI Agent，自动总结邮件、提取需求、整理报价、辅助多语言回复、提醒订单节点，并建设统一客户与订单知识库。

业务挑战

以非标五金件和小批量定制为主，询价通过微信、邮件和表格进入。报价依赖少数老师傅判断材料、工艺、损耗与交期，销售与生产间需多次人工确认。

• 询价参数不完整，销售需反复向客户追问。
• 历史报价与材料价格分散，难以快速复用。
• 复杂订单依赖老师傅经验，知识无法规模化传承。
• 生产排期变化无法及时同步销售，客户承诺存在风险。

Matison 的做法

以询价到交付的完整链路为对象，梳理产品参数、工艺约束、材料与损耗规则、报价权限和异常升级机制，把"什么订单可快速报价、什么订单必须由工程师确认"形成明确边界。普通订单由 AI 生成报价建议，复杂或高金额订单必须经工程师和负责人双重确认。

业务挑战

现场设备、工位和质量标准复杂，班组在异常发生时需在纸质 SOP、设备手册、历史维修记录和人员经验之间快速定位原因。夜班与新员工尤其依赖资深工程师，停线恢复速度与处理质量波动明显。

• 报警代码、工艺标准和维修记录分散在不同系统与文档。
• 异常判断依赖少数资深工程师，跨班组经验传递效率低。
• 交接信息口径不统一，问题容易重复发生。
• 现场需戴手套操作，传统复杂系统使用成本高。

Matison 的做法

与现场工程、质量和班组人员共同梳理高频停线与质量异常，按"现象—设备/工位—可能原因—排查步骤—安全边界—升级条件—验证结果"建立异常处理模型，划分 AI 可指导与必须由专业人员决策的边界。AI 不直接控制 PLC、机器人或安全设备，仅提供知识检索、排查建议和记录辅助。