背景
互联网系统有着大量用户，每天有着巨大的用户服务投诉，需要工单处理；客服处理投诉直接面对客户，服务质量直接决定了用户体验。投诉的问题中一部分是使用问题，通过和客户说明就可以；麻烦的是有些客户投诉是系统问题造成；原因可能是系统的数据不一致造成；可能是系统Bug造成；
在现实的客服系统中，不仅仅有面对客户的客服人员；刚说到的系统问题，客服人员没有办法处理，会由客服人员来联系后台研发人员解决，后台研发团队可能需要每天指派专人处理庞大的工单问题，本文范围主要就是针对系统问题造成的工单解决方案进行讨论。
专家系统
工单处理人员，在接收到一个工单问题后，会根据一些特征来判断，这个工单是什么样的问题；比如，发现数据和其他系统的数据不一致，自己系统数量是1，其他系统数量为2；并根据问题定性来进行处理，比如对方系统是权威数据，就把自己系统修复为2。
你会发现，工单处理人员的处理过程分成了两步，第一步发现问题；第二步，解决问题；我们把这两步用到的策略称为专家行为，如果专家行为是可以量化表述，我们就可以通过程序来实现专家行为，通过这套专家系统验证我们的业务数据，主动找出有问题的数据，并作出相应的处理，这样就可以不断减少已知工单的人工处理数量。
此处要注意一点，所谓处理问题，实际是把人类的专家行为计算机化，人是怎么处理的，计算机也是同样的处理思路。比如前面把数量1修复为2是一种处理行为；但比如针对某种问题，如果人的通过特征识别出这个是其他系统的问题，处理方式是通知其他系统处理，那么通过专家系统也可以同样的发送邮件通知其他系统处理，依然是把人工做的事情通过计算机解决了，当然如果对方系统也支持专家系统，这时对方系统也可以根据通知做出自动的处理；前面提到的两种是等同的，处理不一定是要修正数据；但如果这个问题通过人工都没有任何处理方案，那么专家系统也不能处理，这种理论上不存在，但可能需要完善系统证据。下面通过两个实例来实际看下收益和接下来还会发生什么。
应用实例一
比如工单处理人员发现，很多投诉问题都是缓存和数据库数据不一致造成的，处理方式就是使用数据库数据修复缓存数据，但需要判断数据库数据没有延迟；
这时候我们可抽取专家系统，遍历全部数据，对比缓存和数据库数据是否一致，如果不一致，判断数据库是否有延迟，没有延迟，就进行修复；为了及时修复，我们还可以加入增量诊断，当数据发生变更的时候，就执行判断修复；我们还可以做的更好，比如如果判断有有差异，可以间隔一段时间再次检查，多次确认都有相同的差异，再进行修复，提高修复的准确性，你会发现专家系统学习了专家的行为后，会做的更好更快（吸取人工处理的优点，克服了人工处理的缺点），可以服务更多的数据（其实是全部数据）。
应用实例二
比如工单处理人员发现，很多投诉问题都是和另外一个部门数据对不上造成的，占用了大量的处理问题时间。分析处理过程：对方是对客户的承诺，是权威数据，其中一部分是对方数据有问题（需要告知对方系统处理），一部分可以直接根据对方数据修复我方数据。
这时候有我们可以抽取专家系统，遍历全部数据或变更数据，执行专家行为判断出我方数据和另一个部门数据不一致的数据，如果符合对方数据有问题特征，专家系统汇总出这批数据，自动发邮件给对方部门处理；如果符合可修复特征，进行修复数据；这样不仅仅差异数据得到了自动修复，并且为对方部门的系统问题提供了更详实的证据，能更快的推动帮助对方部门解决问题。
发现问题&解决问题
工单专家处理系统的第一步是工单处理过程计算计算机化（包含发现问题和解决问题两部分）；下一步就是要把修复数据背后的问题原因进行分析，找出系统的Bug；最终Bug解决掉之后，专家系统就没有数据可以修复，这个时候专家系统会成为一个雷达（只有发现问题部分生效了），通过监控发生数据差异，来预警系统是否有bug。
长久来看，发现问题比解决问题更重要！