客戶回訪與滿意度自動流

🎯 這條流程解決什麼

成交那一刻，很多店家就把客戶當成「結案」了，但對生意來說，那其實是回購與口碑的起點。客戶用得滿不滿意、為什麼不滿、滿意的人願不願意幫你說好話——這些資訊價值連城，卻多半因為「沒人有空問」而白白流失。

純人工做客戶回訪，成本高得驚人。要有人記得在出貨幾天後逐一聯繫、寄問卷、收回覆、整理意見、把不滿的標出來追蹤、把滿意的請去留評論。一家小店一天幾十筆訂單，光是這套流程就能吃掉一整個人力，而且做久了一定會偷懶跳過，於是回訪變成「有空才做」的奢侈品，最後乾脆不做。

不做的代價是雙重的。一邊，不滿的客戶因為沒有被傾聽的管道，直接跳過你、跑去公開平台留一星負評，等你看到已經難以收拾；另一邊，明明很滿意的客戶，因為你從沒開口請他留評，那份好感就停在他心裡、沒有變成能吸引新客的公開口碑。這條流程要做的，就是把這道斷掉的循環自動接起來：在客訴爆發前先攔住不滿、把滿意悄悄變成公開好評。收到的評論還可以接 Google 評論回覆 自動回覆，連回覆都不漏。

導入後的改變

導入前，回訪是看心情、缺人力就停擺的工作。不滿的客戶沒人主動接觸，往往直接演變成公開負評或默默流失；滿意的客戶則從沒被邀請留評，好口碑全憋在私下。店家對「客戶到底滿不滿意」其實沒有數據，全憑感覺。

導入後，每一筆訂單在完成後固定天數都會自動觸發回訪。問卷自動寄出、回覆自動彙整，低分的當下就通知客服主動聯繫、高分的順勢邀請留 Google 評論。整個循環不再依賴人的記性，而是穩定運轉。

效益很具體。以一天五十筆訂單估，導入前回訪幾乎是零、或偶爾手動做幾筆；導入後全自動覆蓋，省下原本要投入的整人力。更關鍵的是兩個轉化：不滿客戶被即時安撫後，相當比例不會再去公開平台抱怨，等於把潛在負評攔在發生前——而一則一星負評對小店的傷害，可能抵得過十筆新訂單的努力。同時，主動邀請滿意客戶留評，會讓 Google 商家評論數與星等穩定累積，新客在搜尋時看到真實好評，轉換率自然提升。對服務業者，這套循環往往是「免費」的成長引擎，因為它把原本就存在的好感與不滿，第一次系統化地利用起來。

流程怎麼運作

第一步「觸發：服務完成後」，由訂單完成或服務結束後 N 天啟動。這個 N 很關鍵——太早，客戶還沒實際使用、給不出真實評價；太晚，體驗的記憶淡了、回覆率掉。實體商品通常抓到貨後三到七天，服務業則看服務性質調整。

第二步「寄滿意度問卷」，系統自動寄出一份簡短問卷，或更輕量的一鍵評分連結（例如「您給這次體驗幾分？」直接點星）。問卷務必短，最好一兩題就好，門檻越低、回覆率越高。透過 Email 或 Line 發送，依客戶慣用渠道擇定。

第三步「AI 彙整回饋」，收到的回覆由 AI 歸納。它把零散的文字意見整理成「好評重點」與「不滿原因」兩類，例如「多位客戶稱讚出貨快」「數位客戶反映包裝有壓損」。這讓店家不必逐則讀，就能看見整體趨勢與反覆出現的問題。

第四步「不滿即時關懷」，當客戶給出低分或負面回饋，系統立刻通知客服，附上這位客戶是誰、不滿什麼，讓客服在第一時間主動聯繫、了解狀況、設法挽回。這一步是攔截負評的關鍵——很多客戶要的其實只是被認真對待。

第五步「好評導 Google 評論」，對給出高分的滿意客戶，系統順勢發出邀請，附上一鍵前往 Google 商家留評的連結，把私下的好感轉成公開的口碑。整個過程同時把分數與意見寫進試算表，累積成可追蹤的滿意度趨勢。

需要的工具與串接重點

平台用 n8n 或 Make。訂單來源負責提供「誰、何時完成、聯絡方式」，是觸發的依據；問卷工具（如 Google 表單或一鍵評分服務）負責收集評分與意見；AI 彙整節點負責把回覆歸納成好評與不滿兩類，提示詞要請它客觀分類、不要美化負評；Gmail／Line 負責發問卷與邀請；試算表負責累積數據與趨勢。

串接重點：第一，延遲天數 N 要依商品或服務特性測試調整，找到回覆率與真實性的平衡點。第二，問卷一定要短，能一鍵評分就別要客戶打字，回覆率差很多。第三，分流邏輯要明確——幾分以下算不滿、幾分以上才邀請留評，中間分數可以歸到「待觀察」，別硬把普通體驗的客戶推去留公開評論。第四，邀請留評只對真正滿意的客戶發出，這是誠信也是 Google 政策的底線。想把這條回訪流接進更完整的客戶經營體系，可以參考 automation 自動化專區 與其他 workflows 工作流範本。

常見錯誤與注意事項

第一個常見錯誤，是用誘因或人為篩選去「製造」好評。只能邀請真實滿意的客戶留下他真實的評價，不能用折扣換五星、也不能只把好評導去公開平台、把負評藏起來——這違反 Google 商家評論政策，被判定操縱評論可能整批被移除甚至影響商家權重，得不償失。系統的角色是降低留評門檻，不是扭曲評價內容。

第二，個資與聯繫合規。回訪會用到客戶的聯絡方式，這些資料只在自有系統內使用，且要尊重客戶的接收意願，已退訂訊息的客戶不該再被打擾，這同樣受《個人資料保護法》規範。

第三，不滿客戶的關懷不能只發通知就了事。系統能即時把不滿標出來，但真正的挽回靠的是客服的真誠溝通與解決問題的能力，這一步是人的工作，AI 只負責及時提醒、不取代真人的同理與處理。發了通知卻沒人跟進，反而讓客戶覺得「連抱怨都沒人理」，傷害加倍。

第四，AI 彙整的結果要定期人工抽看。AI 偶爾會誤判語氣或漏掉重要的負面訊號，尤其牽涉商品瑕疵、食安、安全疑慮的回饋，務必人工確認並走對應處理流程，這類問題不容 AI 自行淡化。

台灣中小企業情境案例

台南一家手作烘焙坊把商品上架到網路販售，老闆娘手藝好、回購客也多，但她從沒系統性地問過客戶滿不滿意。偶爾有客戶反映「某次蛋糕邊緣壓到了」，她也只能私下道歉，沒辦法知道這問題到底多普遍；而很多很滿意的常客，她也從沒想過要請對方留 Google 評論，商家頁上長期只有寥寥幾則評價。

導入這條流程後，每筆訂單到貨五天後自動寄出一鍵評分。AI 把回饋彙整起來，老闆娘第一次清楚看到「包裝在運送中容易壓損」是反覆出現的不滿，於是換了更穩固的內襯盒，問題明顯改善。給低分的客戶，系統立刻通知她主動聯繫、補寄或致歉，好幾位原本要失望離開的客戶因此被留住；給高分的客戶則收到留評邀請，幾個月下來 Google 評論數翻了好幾倍、星等穩定在高分。

結果是新客在搜尋「台南宅配蛋糕」時，看到滿滿真實好評，下單意願明顯提高，而那則差點出現的負評，從來沒有真的出現過。

延伸應用

這條流程能往幾個方向擴充。把彙整出來的「不滿原因」定期分類統計，就能變成產品與服務的改善雷達——哪個品項客訴多、哪個環節最常出包，用數據驅動改善，而不是憑印象。把滿意度分數接進 CRM，高滿意度的客戶可以標記為潛在推薦人或 VIP 候選，銜接熟客經營流程。

也可以依不同產品線或服務類型設計不同的問卷與延遲天數，讓回訪更貼合各自的體驗節奏。對 B2B 或長期服務型業者，同一套「定時觸發、收集回饋、分流處理、累積數據」的結構，可以延伸成季度滿意度回訪或續約前的關係盤點。想找更多能直接組進流程的單一動作模板，可以逛逛 recipes 食譜庫，把回訪、評論回覆、熟客關懷串成一條完整的口碑循環。

流程圖

用到的工具

其他工作流

瀏覽全部工作流藍圖 → 自動化工作流中心 → AI Skills 食譜庫 →