Excel 案例 | 36｜Classification：商品、訂單與風險分類

CLASES

36｜Classification：商品、訂單與風險分類

用 320 筆商品／訂單資料建立跨境營運 Classification，把法規、易碎、地址異常、歷史異常、金額與下單速度轉成 Low／Medium／High 風險。

把文字型管理規則轉成分類特徵。

理解 Risk Score 與分類門檻。

讓分類結果直接連接處置流程。

區分風險分類與事實判定。

跨境訂單量增加後，營運團隊無法逐筆人工檢查，因此希望低風險自動放行、中風險加強驗證、高風險人工審核。

下列內容直接整理自本案例對應的 Excel 工作簿。Word 版保留理解案例所需的核心輸入、計算結果與管理輸出；若原始資料筆數很大，正文列示代表性樣本，而模型結果與管理摘要則完整呈現。學生可先只閱讀 Word 完成案例理解，再到 Excel 修改參數與資料進行情境重算。

Excel表 36-1｜商品、訂單與風險分類代表性輸出

註：此表列示代表性資料樣本，用來理解欄位與模型邏輯；完整資料保留於 Excel 工作簿供深入分析與 What-if 重算。

Excel表 36-2｜風險分類摘要

320 筆中 High Risk 32 筆，Medium Risk 114 筆，其餘為 Low Risk。

高風險不等於詐欺或違規，而是需要更多人工或文件確認。

Excel 保留 Risk Score 的每個來源，學生能追溯分類。

法規敏感、地址異常、歷史異常給較高權重，再加入高價、易碎與高速下單等營運訊號，最後以門檻分類。

Classification 的價值在於把處理資源分流，而非替人做最終責任判定。

若 High Risk 太多，人工審核會成為瓶頸；若門檻太高，又可能漏掉需要確認的訂單。

因此門檻必須和實際審核能力一起設計。

把 High Risk 門檻由 5 改成 6；或提高地址異常權重，觀察人工審核量。

你是跨境營運風險分類助理。根據每筆訂單的 Risk Score 與構成因素，解釋分類理由，並建議自動放行、加強驗證或人工審核。不得把 High Risk 描述為已證實詐欺或違法；對資訊不足的訂單應要求補充資料。

Excel：一致的風險計分與分類。

AI：分類理由、補件要求、例外與流程說明。

降低漏判與降低人工量，兩者如何取捨？

哪些變數可能造成不公平分類？

AI 應不應知道顧客國籍或其他個人屬性？

全部為教材模擬資料。