解读

面试官问“负向反馈权重”，并不是想听“把投诉分个级”这么简单，而是考察三件事：

1. 能否把用户情绪、业务损失、品牌风险三维度量化成可运算指标；
2. 能否用分层抽样+机器学习方法让权重随数据动态进化，而不是拍脑袋；
3. 能否把权重结果反向写回运营动作（优先赔付、专项回访、产品迭代），形成闭环。
   一句话，要让投诉“开口说话”，并且说得越狠，嗓门越大，运营听得越清。

知识点

1. 负向反馈数据源：400热线、IM 会话、App 差评、微博黑猫、消协 12315、工商投诉、退款原因文本。
2. 权重核心公式：权重 = 基础分 × 业务损失系数 × 品牌放大系数 × 用户脆弱度系数。
3. 基础分：用情感极性模型（BERT 中文预训练）把文本情绪打到 0-1，再映射到 1-10 分；命中敏感词（“诈骗”“曝光媒体”）直接拉满 10 分。
4. 业务损失系数：近 30 天该用户 LTV × 投诉涉及订单金额 ÷ 全站客单价，系数区间 0.5-3。
5. 品牌放大系数：根据舆情热度实时计算，微博话题阅读量每增加 10 万，系数 +0.2，上限 2。
6. 用户脆弱度系数：新用户（注册 <30 天）或高等级会员（VIP3 以上）分别给 1.5 和 1.3，其余 1.0，体现用户生命周期差异。
7. 动态校准：每周把已完结投诉样本做逻辑回归，因变量“是否发生二次投诉/媒体曝光”，不断反推权重系数，实现在线学习。
8. 运营落地：权重 ≥8 的工单自动进入“红色通道”，30 分钟内客服总监电话致歉+先行垫付；权重 6-8 进入“橙色通道”，24 小时内赔付+回访；权重 <6 走普通 SLA。
9. 效果衡量：用投诉再发生率、微博负向声量、NPS 回升值三指标做 A/B，目标 30 天内红色通道样本再投诉率下降 50%。

答案

我会分五步落地：
第一步，全渠道埋点：把 9 大投诉入口统一接入 Kafka，确保数据不丢不重。
第二步，实时打标签：用自研 BERT 情感模型打情绪分，同时匹配敏感词库，输出“基础分”。
第三步，业务映射：调用户中心 API 取 LTV、会员等级，调订单中心取金额，再调微博热榜 API 取话题阅读量，三参数相乘得动态系数，整个过程 200ms 内返回。
第四步，权重落库：把最终权重写回 CRM 工单表，触发自动 SLA 路由；同时写 Hive 做离线复盘。
第五步，周级迭代：每周一把上周已完结样本拉出来，用 LightGBM 跑二分类，把 AUC 提升方向反向调整系数，保证权重随业务变化而进化。
上线三个月后，我们红色通道工单占比从 2.7% 降到 1.1%，微博负向声量下降 42%，NPS 提升 6 分，验证了权重的有效性。

拓展思考

1. 多语言场景：如果业务出海，需把情感模型换成多语言 XLM-R，并引入文化差异因子（如东南亚用户对时效容忍度更低）。
2. 视频投诉：抖音/小红书出现短视频投诉时，可用OCR+ASR把语音转文本，再用帧级图像情绪识别补充“愤怒表情”特征，把非文本情绪也量化进权重。
3. 负向权重与正向激励联动：同一用户若投诉后获得超预期解决，可触发“负转正加分”，在推荐系统里给优惠券权重提升，实现体验修复后的价值回收。