在K12教育日益个性化的趋势下，1对1自动化排课系统正成为提升教学效率与资源利用的关键工具。本文从业务逻辑、规则设计到系统实现，系统梳理了排课机制中的核心变量与约束条件，并提出一套可扩展的排课策略框架，为教育产品经理与系统架构师提供实战参考。

对于排课大家都不陌生，对于教务老师来讲，无论是学校、机构排课确实是一件比较难办的事情，需要考虑教学效果、公平等等因素。1对1的排课也同样面对一些问题，但更多需要考虑匹配度、效果和效益的问题。

一、K12的1对1 机构为什么非要做自动化排课？

大多数机构在在前期订单量小、教师规模小的情况下，都是选择人工排课的，也是具备优势的，能够快速将业务跑起来，但随着订单体量的增加，人工排课的劣势逐渐显现：

1. 效率低下：高成本、低时效，难扛规模扩张

• 人力成本高：单订单排课需排课专员逐一核对“学生时段、教师可用性、学科匹配”，头部机构订单需配置数十人排课团队，且订单量激增（如寒暑假）时需临时扩招，成本可控性差；
• 排课耗时冗长：人工排课平均单订单耗时10分钟，高峰时段易积压，家长常因“排课慢”造成超时流失；
• 规模化能力弱：排课依赖个人经验（如“某专员熟悉数学教师资源，另一专员擅长英语匹配”），无法标准化复用，机构订单量翻倍时，排课效率无法同步提升，反而因流程混乱导致错误率上升。

2. 精准度差：错配率高，直接拉低成单与教学效果

• 师生需求错配：人工难以全部记住“学生学情（如‘竞赛需求’vs‘同步提分’）、教师专长（如‘奥数辅导’vs‘基础补差’）”，易出现“擅长竞赛的教师排给同步提分学生”“低龄段教师排给高中学生”，错配率高，试听课成单率骤降；
• 时间与规则冲突：人工易遗漏“学生不可用时段（如学校作业、兴趣班）”“教师负荷约束（如单日最大6课时）”“政策合规要求（如周中21:00后禁排）”，导致排课后频繁改期（改期率超15%），甚至出现“教师单日排课8课时”的过劳情况，影响教学质量；
• 个性化需求忽略：家长“固定偏好时段（如周末上午）”、学生“课堂状态适配（如易走神需互动型教师）”等柔性需求，人工排课时常因信息繁杂被简化，导致“排课合规但体验差”，家长满意度不足60%。

3. 体验割裂：沟通成本高，用户与教师双端不满

• 用户端：等待与不确定性，家长需反复与排课专员确认“是否有适配教师”“时段能否锁定”，平均沟通3-5次才能定课；若排课后出现冲突，需重新协调，易引发“机构不专业”的负面感知，甚至直接放弃试听；
• 教师端：被动接受，灵活性低：教师需被动等待排课通知，常出现“偏好时段被占”“排课内容与专长不符（如擅长线上却被排线下），或“课时碎片化”（如上午1节、下午3节，中间空闲2小时），教师满意度下降，离职风险升高；

4. 数据难沉淀：无法迭代优化，增长受限于经验

• 无数据化复盘：人工排课的“匹配逻辑、错配原因、成单关联”依赖专员记忆，无法形成数据记录，如“某类学生匹配某类教师成单率高”的经验难以复用，新专员上手需3-6个月；
• 核心指标难归因：试听课成单率、改期率波动时，无法区分“是排课精准度问题，还是教学质量问题”，导致优化方向模糊，业务增长缺乏数据支撑；
• 资源利用率难优化：人工无法精准计算“教师时段空闲率”“学生需求与教师供给的缺口”，如“数学教师周末时段紧缺，英语教师空闲”的资源错配无法及时调整，机构资源浪费率超10%。

二、自动化排课如何实现？

在实现自动化排课系统前，需要做的核心准备工作包括以下模块：

1. 全维度信息采集与画像构建

• 学生：基础学情（学段/学科/学习目标/教材版本）、时间约束（刚性不可用/偏好时段/课时长）、课堂适配（互动需求/走神/多动情况）、家长决策点（核心顾虑/期望），生成“学生学习需求+体验偏好”双维度画像；
• 教师：资质专长（学科/学段/教材熟练度/教学优势）、时间规则（可接时段/负荷上限）、成单能力（试听成单率/课堂纪律/课校率/顾虑应对经验），构建“教师教学能力+排课适配性”画像，确保数据真实（如教研团队审核资质证书）。

2. 排课规则体系搭建

• 刚性规则：明确政策合规（如周中21:00后禁排）、师生匹配底线（如学科/学段必须一致）、资源约束（如教师单日最大6课时），上课时间匹配等，避免违规排课；
• 柔性规则：设定优先级逻辑（如“学习目标与教师专长匹配度权重40%、时间契合度30%”）、兜底方案（如无匹配时推荐次优教师+差异说明），平衡精准与灵活。

3. 算法与系统功能落地

• 算法设计：开发“刚性过滤（排除冲突）→柔性打分（多维度匹配度排序）→异常预警（临时改期检测）”分层逻辑，确保排课效率（秒级响应）与精准度；
• 系统功能：搭建排课可视化日历（标注可用/冲突时段）、自动通知模块（同步师生排课结果）、手动调整入口（应对特殊需求），降低落地阻力。

4. 数据基线与效果校验机制建立

• 设定基准值：明确人工排课阶段的错配率、改期率、成单率等数据，作为自动化排课的优化对比基准；
• 预校验流程：选取小范围订单（如500单）测试排课结果，ABtest，核对“师生匹配准确性、规则符合度、用户反馈”，迭代算法权重（如提升“课堂适配性”权重），避免大规模上线风险。

以下是对于自动化排课的流程规则