一、项目背景

这家客户做家政维修上门服务，覆盖家电清洗、水电维修、开锁换锁这些品类，师傅全国有上千人，大半是兼职。找我们之前，他们的派单全靠城市站站长在微信群里吼，谁看到谁抢，用户报修后经常半小时没人接。更麻烦的是配件，有的让用户自己网购，有的师傅背包里随手带几个通用件，遇到冷门型号现场没有，只能二次上门。一次上门修不好，用户投诉，平台还要补贴，成本直线往上走。

我们进去看了一圈，最大的问题是派单和配件两张皮，系统根本不知道师傅带什么件出门，自然谈不上一次修复。

二、落地场景

我们基于 XpShop 的订单和商品能力，把报修到完工串成一条线。用户在小程序报建单，填故障现象并上传照片，系统做初步故障分类。然后按师傅技能标签、实时位置和当前负荷智能派单，不再靠抢。配件侧做了预拣逻辑，根据故障分类预判可能要换的件，提前从区域仓调拨到师傅随身仓。上门过程用小程序打卡、拍照留痕，完工后用户评价和质保工单自动生成。

对平台方来说，最有价值的是终于能看见一次修复率这个指标，以前这笔账是算不清的。

三、关键技术挑战与解决思路

故障初判准确率直接决定配件带得准不准。我们没指望模型一步到位，而是先建了一个故障到配件的知识库，常见故障配常见件，模型只做辅助分类，低置信度的一律转人工客服确认，宁可多问一句也别带错件白跑。

师傅技能和负荷匹配是个多目标问题。光就近派单，可能把一个满单的师傅压垮；光看技能，又可能让用户等太久。我们用了加权打分，距离、技能匹配度、当前在途单量各占权重，城市站长可以手动覆盖，保留人工兜底。

配件前置和缺件应急是供应链活。区域仓常备高频件，冷门件走同城调拨或紧急采购，我们给每个故障类型设了必带件清单和可补发件清单，必带件没带齐系统不让接单。

服务过程留痕既是质量抓手也是纠纷证据。打卡、前后对比照、更换件序列号都进工单，用户事后说没修好，平台能拿得出记录。

四、效果数据

文中数据为项目复盘口径，已脱敏。跑通四个月，一次修复率从约 62% 提到约 85%，最直接的好处是二次上门成本砍掉一大截。二次上门率从约 21% 降到约 7%。配件齐套率从约 70% 提到约 93%，师傅出门前系统就提醒带什么，漏带明显下降。平均完工时长从约 3.5 小时降到约 2.2 小时，主要是减少了回去取件这段空跑。

案例片段（已脱敏）：一次空调不制冷的工单，系统按故障分类预判要带电容和制冷剂，预拣单如下：fault=AC_NO_COOL, recommend=[capacitor_35uF, refrigerant_R410a], must_carry=capacitor_35uF师傅出发前系统校验必带件，发现随身仓电容缺货，自动改派了三公里内仓里有货的另一位师傅，避免了一次白跑。

五、可复用经验总结

上门维修这个品类，体验的胜负手就是配件齐套率，派单算法再聪明，带不对件也是白搭。我们一开始把重心放在智能派单上，结果发现一次修复率没怎么动，复盘才发现瓶颈在配件。后来把带什么件做成接单前置条件，指标才真正往上走。

我现在的看法是，这类服务平台的系统建设，应该零件供应链优先于派单算法。还有一点，低置信度的故障别硬让模型判，转人工多问一句，比现场抓瞎便宜得多，这点我们交过学费。

附：规模化落地与工程细节

真正落地时，最难的不是算法，而是让师傅愿意用系统。我们第一版派单做得很重，要填很多字段，师傅嫌麻烦就绕过系统私下接单，数据全失真。后来砍到只剩拍照和打卡两个动作，预拣和派单在后台自动跑，使用率才上来。这件事给我们的教训是，给一线用的工具必须极简，他们不会为你的系统设计改习惯。

配件供应链那块，我们和区域仓做了接口打通，但冷门件的同城调拨时效仍不稳定，有些城市没有合作仓，只能走快递，到货要一两天。我们的折中是给每个城市设安全库存阈值，低于阈值就提前从总部调，宁可多备一点也别让用户二次上门。一次修复率提到八成五之后边际变缓，再往上要靠故障预测更准，这部分我们还在迭代。

数据上看，师傅技能标签一开始靠人工打，准确率只有七成，我们用了历史完工记录反推，慢慢校准到九成。标签不准，派单就会乱，这一步值得花功夫。

还有一点值得说，配件预测我们本来想接外部供应商库存，但很多区域仓系统老旧，接口不通，最后退而求其次用历史领用做本地预测。这告诉我们，供应链数字化经常卡在数据源，模型再好，喂不进数据也是白搭。我们后来给每个城市做了手动补录入口，操作员每周核一次，预测准确率反而比纯自动高。另外，师傅随身仓的容量有限，我们按故障频率做了必带件清单的优先级排序，高频易损件永远占坑，冷门件现场补发，避免背包塞满却漏了最常用的那几个。