爽約(No-show)不用等它發生，診所可以提前準備

No-show不用只能靠事後補救。透過分析客戶的預約行為與對話內容，診所可以提前預測哪些預約有較高的爽約風險，提早安排候補、主動確認，把被動收拾變成提前準備。

月底，診所院長打開這個月的預約報表，想看看整體狀況。滑到某一週，發現有三個時段是空的，不是沒有安排，是客人根本沒出現。

材料準備好了，診間安排好了，負責的人力也到位了。結果客人沒來，連個電話都沒有。

這種事幾乎每間診所都遇過，多數診所的因應方式，是在預約前一天多發一封提醒簡訊，給每一位隔天有預約的客人。但如果仔細想想，這樣會佔據多少的人力成本? 當No-show的狀況發生後，診所也只能摸摸鼻子，趕快找其他客人來補，無法系統性的分析「是什麼原因造成他們不來」，以防範未然。

診所預約沒到(No-show)到底是哪些原因造成的?

No-show通常不是單一原因造成的，而是好幾項細節疊加出來的結果，像是填表速度、預約時間、天氣、歷史紀錄，單看都不足以判斷什麼，加在一起就是完全不同的風險輪廓。但大部分診所判斷「這個客人會不會爽約」，靠的是經驗。這個人上次也放鴿子過、這個人聽起來就不太積極，頂多再加上一個歷史取消次數的紀錄。

舉幾個例子:

• 填表速度：預約表單秒填完和拖了半小時才填完，背後的承諾度完全不同。
• 提前預約的時間：一個月前就約好和當天臨時約進來，爽約的機率結構不一樣，太早約的人容易在中間變卦，太臨時約的人則可能只是隨口問問。
• 是否遇到週末或連假：假日前後的爽約率，本來就比平日高。
• 天氣：預約當天如果下雨，爽約率也會提升，這是很多診所直覺知道但從來沒有真正拿數據驗證過的事。
• 歷史取消行為：主動取消跟直接爽約，代表的是兩種不同的客人。前者至少還會知會一聲，後者連這個動作都省了。這兩種人接下來的風險程度也不一樣。

單看任何一項，都不足以判斷什麼。但當它們同時出現在同一位客人身上，風險的輪廓就會變得很清楚。只是這件事，人腦很難同時追蹤十幾個變數，還要進行複雜的交叉比對，執行上很難做到。

除了這些看得到、算得出來的數據，還有一塊更難掌握但很容易被忽略的東西，客人在對話過程中留下的痕跡。

客人跟診所之間的對話紀錄、預約表單上隨手寫的備註、服務人員當下寫下的註記、客人過去給過的回饋、每次服務結束後的紀錄摘要。這些地方藏著客觀數據看不出來的線索。有經驗的服務人員其實感覺得出來，只是難以被系統化地記錄和累積，更別說拿來做預測。

診所要怎麼提前知道哪些客人可能不會來?

DeerCrew的No-show預約風險管理模組，做的就是把這客觀數據以及對話裡的語意，兩種資料搭配獨家AI預測模型，將No-show風險變成系統性、可視化的指標。

8項客觀數據：像是歷史取消率、預約提前的時間、填表速度、天氣預測。

32項語意特徵：從對話、表單備註、服務紀錄裡解析出來的32項語意參數。

客觀數據以及語意特徵總共50項特徵參數，送進獨家訓練的AI預測模型。結果並非單獨顯示一個「高風險 / 低風險」的標籤而已，而是連同歸因說明一同提供。這個客人為什麼被判定為高風險，是填表太快，還是對話裡透露出猶豫，診所看得到判斷依據，不用面對一個猜不透的分數。

知道No-show風險之後，診所可以做什麼?

知道No-show預約風險只是第一步，重點是診所拿到這個提示之後，還有時間可以提前準備。

DeerCrew會把No-show預約風險視覺呈現出來，診所一眼看出哪些時段、哪些客人屬於高風險，接著給出具體行動建議。

• 權責指派：哪一位風險客人由誰負責跟進，由人來指定分工。判斷要不要打電話、怎麼跟客人溝通，這些還是得依靠人的經驗和判斷。系統的角色是把「該注意誰」找出來，讓人力用在真正需要的地方。
• 處理歷程記錄：真人員工實際採取的動作後，例如打電話跟客人再次確認或是調整安排讓其他客人補位，都會被記錄下來，幫助診所釐清每位預約客戶的到診狀況。
• 候補名單建議：針對高風險的客人或時段，主動列出可以遞補的候補客人，萬一原本的客人真的沒來，也能提早進行預約補位避免診所時段白白浪費。

多數診所面對 no-show，只能等它發生之後，現場掛號被動補位的方式處理。但如果能提前一步知道哪些預約有風險，診所就有時間打電話確認、安排候補，甚至調整當天門診的人力配置。

No-show 不會完全消失，但診所面對它的方式，可以從等結果變成提前佈局。而這一切的關鍵，就是把平常散落在對話、表單、紀錄裡的細節，用系統性、結構化的方式，變成人看得懂的指標。