“这个划痕不深，客户应该看不出来，发吧。”

质检员小王盯着屏幕看了三小时，眼睛已经花了。眼前这件商品的划痕在侧面，不仔细看确实不明显。今天大促，仓库积压了2000单待发，主管催得紧。

小王点了“合格”。

三天后，这条订单回来了—— 退货，差评 ：“商品有明显划痕，怀疑是二手货，不会再买。”

更麻烦的是，这条差评被顶到了前排，转化率跌了15%。为了消这条差评，运营团队花了两周，补了优惠券，做了回访，效果一般。

小王委屈：“我每天看800件，不可能每件都拿放大镜啊。”

一、人工质检，正在逼近生理极限

电商发货质检，是典型的“ 体力活+眼力活 ”。

质检员坐在屏幕前，逐件查看商品实拍图，判断有没有划痕、污渍、变形、色差。一件看10秒，一小时360件，一天8小时2880件——理论值。实际上，连续看一小时后， 漏检率 就开始上升。看到第三小时，眼睛酸了，脑子木了，“合格”按钮越点越快。

不是质检员不负责，是人脑处理视觉信息的效率，有硬上限。

更麻烦的是 标准模糊 。“轻微划痕”到底算不算不合格？不同质检员理解不同。老员工觉得“这个程度没事”，新员工觉得“这怎么能发”。同一个商品，上午质检和下午质检，结果可能不一样。

二、标准不统一，售后成本在暗涨

质检标准不一致，直接后果是 售后纠纷 。

A质检员把关严，瑕疵品拦截率高，售后退货少。B质检员把关松，瑕疵品流出多，客户收到货不满意，退货差评。

但企业很难发现这个问题，因为 售后数据 和 质检数据 是分开的。退货原因写的是“质量问题”，没人去追溯到“到底是哪件商品、哪个质检员、哪种瑕疵”。

长期下来，企业以为”退货率5%是正常的”，实际上可能其中3%是 质检漏检 导致的，完全可以避免。

三、大促期间，质检是发货的最大瓶颈

日常订单量，质检还能勉强应付。一到618、双11，订单翻三倍， 质检能力 跟不上了。

怎么办？要么加人，临时招的质检员培训两天就上岗，标准更乱。要么减流程，“ 抽检代替全检 ”，风险陡增。要么拖发货时效，客户投诉，平台扣分。

很多电商的解决方案是“赌一把”——加快质检速度，降低标准 ，先把货发出去。赌赢了，没事。赌输了，差评退货一起来，算下来比慢慢发成本更高。

四、瑕疵记录粗糙，问题无法追溯

很多企业的质检记录，就一个字：“合格”或“不合格”。

不合格的呢？可能有张照片，但照片存在哪、怎么检索、能不能关联到 供应商批次 ，都是问题。供应商来扯皮“这不是我的问题”，你拿不出证据。

更可惜的是， 瑕疵数据 没有分析。哪种瑕疵出现频率最高？是供应商来料问题，还是仓储搬运问题？哪个品类的瑕疵率异常？不知道。优化无从谈起。

五、我们怎么解决的

不是更严格地“看人眼”，而是让系统“看标准”。

第一步：商品实拍图上传，系统自动识别划痕、污渍、变形、色差等外观瑕疵，标注位置，判定严重程度。

第二步：不是替代质检员，是给质检员配“不疲劳、不眼花、标准一致的助手”。 量化指标 一一核对，不同质检员、不同班次、不同仓库，执行同一个标准。

第三步：瑕疵数据 结构化存储 。哪批货瑕疵率高，自动关联供应商批次；哪个品类哪种瑕疵多，产品团队直接收到报告。不是“感觉最近退货有点多”，而是“Q3批次A供应商的T恤，色差投诉率12%，建议切换供应商或加强来料检验”。

六、这个工具是什么

用的是 搭贝 ——低代码AI应用搭建平台。

质量主管自己配置的检测规则：上传标准图→标注瑕疵类型→设置 合格阈值 →保存。然后丢商品实拍图进去，等检测结果。

支持批量处理，大促期间 全量质检 也能跟上发货节奏。数据自动汇总分析，每周生成“质量分析报告”。

七、如果你也在经历这些

• 质检员每天看到眼花， 漏检率 越来越高

• 退货原因写“质量问题”，但不知道具体哪环节出的问题

• 大促期间“赌一把”加快质检，事后差评一起来

• 供应商扯皮“这不是我的问题”，你拿不出证据

可以先从一个品类试点。比如选最近一周的服装类退货，用系统检测和人工记录做对比， 看漏检率 和 标准一致性 差异。

通常第一次用，质量主管会惊讶：“这张我看过没问题的照片，居然有3处瑕疵？”

关于搭贝：面向企业的低代码AI应用平台，提供 SaaS 和 私有化部署 两种服务模式，支持商品质检、瑕疵识别、供应商管理等场景。可私有化部署，支持批量处理。