一、项目背景

我们当时接手的是一家覆盖华东多个城市的生活服务平台，家政保洁是它增长最快却也最头疼的业务线。平台早期靠地推拉来大量阿姨入驻，但准入基本只做手机号登记，身份证和技能全靠自述。结果就是：同一位客户约了三次保洁，来了三个水平天差地别的阿姨；满意的那位下次约不到，凑合的这位还把客户家大理石台面用错清洁剂烧了。投诉工单堆到运营那，处理完只能赔券，阿姨却毫无感知，下次照旧。

更深的问题是派单。运营用小群加 Excel 手工排班，客户下单后平均要等 18 分钟才有人接，高峰期直接"约满"流失。阿姨端也怨声载道——跑空单、跨城跑远路、辛苦半天结算还慢。平台想做信用体系，但阿姨流动性高、行为数据散在派单、评价、退款多个系统，根本攒不出一个能用的信用分。

我们的目标很明确：把家政这门"信任生意"用一套可量化的信用和履约系统管起来，让好阿姨被看见、坏单被拦下、派单不再靠吼。

二、落地场景

落地分三条主线。第一条是阿姨侧的准入与画像：实名认证（身份证 OCR 加活体）加技能标签体系（保洁、深度清洁、收纳、家电清洗、育婴辅助等），每完成一类服务并通过抽检，标签才点亮。第二条是履约侧的智能派单：客户下单时携带地址、面积、服务类型、时间窗，系统按"技能匹配、距离、信用分、当前负载"综合打分派给最合适阿姨，并在阿姨端展示路线和预计到达。第三条是评价与信用闭环：服务结束客户多维评价（准时、专业、完好、沟通），异常（损坏、迟到、爽约）自动扣分并触发复检或冻结；信用分高的阿姨享有优先派单、更高溢价接单权。

我们还接入了保险与纠纷处置：每单自动投保雇主责任险，损坏理赔走标准化工单，客户上传照片、阿姨举证、平台裁定三方可追溯。

三、关键技术挑战与解决思路

第一个挑战是阿姨实名与技能核验的"轻量可信"。我们没有强求线下集中培训，而是用 OCR 加活体加历史行为交叉验证，技能标签靠"接单类型、客户评价通过率、抽检"三维点亮，避免标签注水。

第二个挑战是智能派单的打分模型。朴素最近距离会撞上"熟手全压在核心区、新人接不到单"的马太效应。我们改成加权的多目标打分：

案例片段（已脱敏）： 派单打分权重配置（示意）： score = 0.35skill_match + 0.25(1 - norm(dist)) + 0.25credit_norm + 0.15(1 - load_norm) 其中信用分归一 credit_norm 对高分区做边际递增，保证信用不低于 4.8 的阿姨在同等距离下优先；负载 load_norm 超过 0.85 即降权，防止熟手被压垮。

第三个挑战是履约过程可视与异常。我们给每单加了状态机（待接、已派、出发、到达、进行中、完成、评价），阿姨端每次状态变更带 GPS 时间戳。迟到超 15 分钟自动提醒客户并推送改派选项；爽约直接冻结接单 24 小时并扣分。

第四个挑战是信用分与权益联动的公平性。信用分每月滚动，近 30 天行为权重高，避免"老好人"一两次失误被永久打标签；同时设了申诉通道，误判可附证据复核。

四、效果数据

上线约三个月，几个核心指标明显变化（均为脱敏示意值）：派单平均响应时效从 18 分钟降到 4 分钟以内；服务好评率从 82% 提升到 94%；投诉率下降约六成；阿姨月均复约率（连续接单）从 51% 提升到 73%。信用分不低于 4.8 的头部阿姨贡献了全平台约 47% 的订单，但其投诉占比不到 5%，验证"信用即流量"的设想成立。

运营侧也轻松了：原先 3 个专职排班的人力缩减到 1 人做异常处理，派单系统每天自动处理约 2.6 万单。保险理赔工单从"扯皮两周"压缩到平均 3.5 天闭环。

五、可复用经验总结

第一，家政这类高度依赖人的服务，信任必须产品化、可量化，不能靠运营直觉。信用分不是装饰，要直接挂钩派单优先级和溢价权，才有正向激励。

第二，派单算法别只追求"最近"，要同时管负载均衡和信用倾斜，否则强者愈强弱者饿死，供给会塌方。

第三，履约状态机加带时间戳的轨迹是异常处置的基石，没有它，迟到爽约理赔全是罗生门。

第四，信用分要滚动加权、留申诉通道，机制设计比分数本身更决定成败。

六、工程落地补充与踩坑记录

我们后来把这套信用派单系统推广到更多城市时，遇到不少只在规模化后才暴露的问题，这里单独记一笔，给同样做本地生活履约的团队提个醒。

首先是阿姨端设备的现实约束。很多阿姨用的还是三四年前的老安卓机，定位芯片老旧，在高层小区或地下车库漂移严重，导致出发和到达状态的时间戳不可靠。一开始我们直接拿来做准时率考核，误伤了一批好阿姨。后来改成到达判定结合基站定位加商户无线信号嗅探加手动确认三重校验，准时率数据才可信。

其次是信用分冷启动的噪声。新阿姨没有历史行为，初始分要么过高要么过低，都会扭曲派单。我们引入贝叶斯平滑，把新阿姨的初始置信度调低，随着接单量增加再逐步放开权重，避免一两个极端评价就定生死。

第三是上线节奏。派单打分模型做好后，我们没有直接全量切换，而是跑了两周影子模式：线上仍用老派单，新模型在旁路打分并记录如果按新模型会派给谁，对比老模型的投诉率和好评率。确认新模型在高峰和节假日的表现都更稳，才切到五成流量再全量。

第四是节假日的弹性供给。春节和保洁旺季单量暴涨，固定阿姨池接不住。我们加了动态溢价加众包池机制，把溢单价和接单激励挂钩，并给众包阿姨一套简化版技能认证，既保住履约又不被刷单。

再说一个数据层面的细节。派单打分里信用分边际递增那一项，我们一开始用的是线性归一，结果发现信用分在四星到五星之间的阿姨区分度不够，头部阿姨没能充分优先。后来改成对数型归一，把高分区的梯度拉大，同等距离下五星阿姨的派单优先级明显提升，客户侧匹配满意度又涨了两个点。这个改动虽小，但直接验证了信用资产化的价值。

最后是数据回流。每单结束后的多维评价和异常工单，沉淀成阿姨的能力雷达，供后续培训和派单策略迭代。信用体系不是上线就完事，要跟着真实业务数据持续长大，这也是系统跑半年后效果还在变好的原因。

七、给同行的一点提醒

回顾家政信用履约这个项目，最容易被低估的是最后一公里。技术方案跑通只是开头，真正决定成败的是上线后那几周：派单打分有没有覆盖真实高峰、异常有没有人响应、阿姨的习惯有没有被运营动作托住。我们见过太多项目栽在上线即交付的心态上，三个月后指标悄悄回潮。所以我们的做法一直是把上线当运营起点：周度看板、信用分抽检、陪伴式带教、自动化回归，四件套缺一不可。另一个体会是，这类涉及人的服务系统，一定要给人留决策空间和专业尊严，机器做辅助、人做判断，边界守住了落地才顺。以上是我们在这条路上的一点体会，供同样做本地生活履约的团队参考。