当前位置: 首页>后端>正文

如何用AI重做B端产品3:一个真实且具体的案例

如何用AI重做B端产品3:一个真实且具体的案例,第1张
封面头图

关于【如何用AI重做现有产品】这个话题,之前以分享了两篇:

第一篇 如何用AI重做B端产品(附3个案例与3个方法论)?,从方法论与案例进行全面的分享(当时没想到(短期内)这个主题的后续分享);

第二篇 如何用AI重做B端产品2:从微软与天猫学习,从成熟产品的案例中,明确了两种AI产品架构与产品形态,同时,定义清楚了产品定位与落地场景。

如果回到【以终为始,全面梳理;以始至终,最小闭环】与【小切口,大纵深】的方法论,则它们只完成了【以终为始,全面梳理】部分,而未完成【最小闭环】的【小切口】。

这就是今天分享的主题。

如何找到一个应用AI的“小切口”,完成最小闭环?

前文我们分享过【用AI重做智能客服系统】,但没有具体与深入讨论。

基于【需求是1,方案是0】方法论,则需自问:为什么要用AI重做客服系统呢?难道为了AI而用AI?

我们每年需1.2个全职研发员工(且必须对业务、系统非常熟悉之人),才能解决所有客诉问题。其中:

  • 65%的客诉问题,均集中在加班、假期、报表与打卡四个模块;
  • 70%的客诉问题,均是两大类问题;

如果把上述四大模块的两大类客诉问题全部解决,则至少可解决47.08%的客诉问题,每年节约581工时(大概76/人日,约3.3个月)

如何用AI重做B端产品3:一个真实且具体的案例,第2张
按模块看客诉问题
如何用AI重做B端产品3:一个真实且具体的案例,第3张
按分类看客诉问题

笔者是经历了3轮的解决方案与不断调试,最终才真正找到了一个AI应用的小切口。

第一轮:只聚焦加班与假期类问题,通过构建知识库+AI的方式有效解决客诉问题

从上述分析可知加班(18.35%)、假期(18.26%)占比最高,所以把它们当做切口,而其中最核心的就是【知识库】的建设。

第一,建设知识库。所以把这两个模块近2年的所有客诉问题,进行抽象与提取,加上之前客服所累积的内容,最终形成了一个【知识库】(共4万+知识点问题,其中加班与假期相关超过300+)


如何用AI重做B端产品3:一个真实且具体的案例,第4张
知识库

第二,应用知识库。基于AI+知识库,我们把它分别应用于内部跟外部:

  • 内部:面向实施、客成、客服、研发、测试等角色,把它应用在【客诉问题】平台上。即当他们提客诉问题时,AI自动根据问题给出【AI解答】,最终由研发人员确认后给出最终答案(如下图)。


    如何用AI重做B端产品3:一个真实且具体的案例,第5张
    客诉问题与AI解答
  • 外部:面向的是用户、客户,与一般客服助手无异,不再赘述。

最终结果:运行近2个月的效果来看,对客诉问题,几乎没有明显的帮助。但过程中,又发现了另一个值得优化的问题点。

第二轮:聚焦加班的最高频问题,构建对应全面的案例与解决方案

加班相关问题中,有近30%是一类问题:员工加班后,却没有生成加班记录?

如果只聚焦这一个问题,至少可解决5.4%的客诉问题(加班占总比的18.25% x 此问题占加班类30%≈5.4%)

所以制作了一个关于此问题的全面解析,包含加班规则、记录丢失原因以及对应的案例、解析、如何确认、如何解决,期望至少内部员工(客成、客服、实施等),可借此解决此类问题。


如何用AI重做B端产品3:一个真实且具体的案例,第6张
加班记录未生成解决方案

最终结果:在试运行了1周后,发现效果依然不佳。原因是:无法精准有效定位问题,可能性较多,每次发生情况有差异,这么一个“全面”的文档,几乎无意义。

第三轮:构建企业的AI Copilot,不仅仅解决客诉问题

第一轮跟第二轮效果不佳的原因,是均只是在产品规则、逻辑等层面,不断增加知识库的广度与深度,但都是是静态数据,无法有效解决动态的客诉问题,而如果要解决动态问题,只能选择AI Copilot的方式。

它可以识别任务、分解任务、执行任务,最终解决用户问题。它必须具备与业务数据和场景的(多轮指令)交互能力

比如类似ChatGpt的官方案例


如何用AI重做B端产品3:一个真实且具体的案例,第7张
GPT-Agent示例

同理,作为一款SaaS产品的Copilot,它的定位是AI Copilot = 客服助手 + 业务助手+ 数据助手+政策专家。它是基于自然语言交互的生成式AI,而不是决策型AI。

  • 客服助手(现有能力P0):可以查询产品手册、产品规则、产品逻辑等,解决用户对复杂系统的学习成本;
  • 业务助手(新能力P1):可以查询系统的操作记录、业务数据,定位用户问题(即分析任务)、分解用户问题(即分解任务),最终可通过多轮指令完成解决问题(即执行任务),并自动完成学习反馈;
  • 数据助手(新能力P2):可以查询、展示、分析业务数据,并给出决策建议以及行动;
  • 政策专家(新能力P3):可以查询相关的各类政策,用户还可订阅最新消息。

小切口的最小闭环:如何解决占比5.4%的“员工加班后,却没有生成加班记录”的问题?

日拱一卒,功不唐捐,每天向前30公里。

所以,我们的最小可行性版本是:

它聚焦解决一个“小问题”:客诉问题中占比5.4%的【加班后,为什么不生成加班记录】

它的目标是:用最小投入解决【加班记录不生成】的客诉问题;

它的价值是:用最小成本提升对应问题的人效,释放产研资源。同时,用最小成本跑通AI Copilot的模式,验证可行性与价值。

它的能力是:清晰定位限定问题的原因,并给出解决方案。

它的产品形态是:结合现有的客诉平台,完成最小成本的闭环(如下图)


如何用AI重做B端产品3:一个真实且具体的案例,第8张
AI Copilot之加班无记录问题的MVP业务流

总结

1、需求是1。笔者的需求是:如何用AI解决47.08%的客诉问题,提升产研效率?

2、方案是0。笔者的方案经历了三个阶段:

  • 第一阶段:聚焦客诉问题占比最高的两个模块:加班(18.35%)、假期(18.26%),专注于构建知识库的丰富性与落地验证,结果失败;
  • 第二阶段:聚焦一个加班的高频问题(即占比5.4%的加班后,无加班记录问题),采取全面场景与案例结合方式,结果依然失败;
  • 第三阶段:依然聚焦占比5.4%的加班后,无加班记录问题,但重新设计新的MVP解决方案(即AI Copilot),结果待验证(思路没问题,效果不佳则一定是执行环节的问题);

3、以终为始,全面梳理

  • AI Copilot的产品定位与终局:客服助手 + 业务助手+ 数据助手+政策专家
  • AI Copilot的产品形态:基于【全功能集合中心式】的产品架构(类似Microsoft Copilot或有赞智能运营助手);

4、以始至终,最小闭环。通过三个阶段的摸索,最终确认Copilot的MVP方案,专注于一个最高频的问题(即加班后,无加班记录问题)。

5、关键认知:To B/SaaS等企业服务类产品落地AI,目的是交付用户一个正确结果,而不是创意。所以一定要控制大模型含量,保证它输出的结果,要么正确,要么不知道,不能模棱两可,也不能随意发挥。


https://www.xamrdz.com/backend/3j31940675.html

相关文章: