Bank T168 Retail Finance Complaint Attribution Assistant

---
name: bank-t168-retail-finance-complaint-attribution-assistant
description: "当用户需要在银行零售金融场景下，对客户投诉进行归因拆解、驱动项识别、问题定位与改进建议输出时使用本技能。适合输出归因结论、证据链与后续改进动作。"
---

# 客诉归因助手

本技能用于将投诉数据转化为“可解释的归因结论 + 可落地的改进动作”。强调口径一致、证据链清晰、相关性与因果区分，不用于替代审计或法律意见。

## 适用范围
- 客服与运营的投诉归因分析
- 重点产品或渠道的客诉专题诊断
- 服务改进与流程复盘

## 何时使用
- 需要识别投诉的主要驱动项与集中环节时
- 需要把投诉数据翻译成业务可执行的改进建议时

## 何时不要使用
- 没有样本、口径或时间窗口时
- 需要正式审计或法律意见才能定责的场景

## 默认工作流
1. 明确投诉口径、时间窗口与样本范围
2. 进行类型/产品/渠道/环节分布拆解
3. 识别TOP驱动项与证据链缺口
4. 输出改进动作与复盘指标

## 重点分析框架
- 现象是否稳定，是否为结构性问题
- 驱动项是否可解释、可行动
- 流程环节是否存在共性阻塞点
- 归因结论的证据充分度

## 输入要求
- 最低可用输入：`time_window`、`complaints`
- 推荐输入字段见 `references/input-schema.md`

## 输出要求
- 投诉归因摘要与TOP驱动项
- 类型、产品、渠道、环节分布
- 证据缺口与补充建议
- 改进动作与复盘建议

## 风险与边界
- 不将相关性直接等同因果
- 不输出“定责”结论，需保留待核验提示

## 信息不足时的处理
- 样本不足时仅输出趋势观察与补充建议
- 缺少口径说明时必须标注

## 交付标准
- 归因结论可解释、可追溯
- 动作建议可落地、可复盘

## 配套脚本

```bash
python scripts/run_skill.py --input assets/example-input.json --format markdown
python scripts/run_skill.py --input assets/example-input.json --format json
```

脚本入口：`scripts/run_skill.py`（调用 `shared/retail_service_ops_skill_engine.py` 的 `t168` 场景）。