第一章：需求分析与场景定义
做AI客服系统，第一步不是写代码，也不是选模型。
我见过太多团队，上来就搞技术选型，结果做出来的东西没人用。
说白了，你得先搞清楚：痛点在哪？场景是什么？目标怎么定？
1.1 挖掘客服痛点：别光听，要去看
很多人做需求分析，就是找客服主管聊聊天。
我个人习惯是：先蹲点，再访谈。
我记得有一次去一家电商公司，客服主管跟我说「客户问题太多，回复不过来」。这听起来像是个典型痛点对吧？但我实际去客服工位坐了半小时，发现真正的问题是：80%的重复问题，客服要手动复制粘贴答案。
所以，挖掘痛点有三个层次：
- 表层痛点：客服自己说出来的，比如「太忙了」「客户老问同样的问题」
- 中层痛点：你观察到的流程问题，比如「切换系统太慢」「知识库不好用」
- 深层痛点：数据暴露的，比如「平均响应时间8分钟」「首次解决率只有35%」
我曾经遇到过一个案例，客服说「客户投诉多」。结果一查数据，投诉率其实不高，但投诉处理时长是行业平均的3倍。这才是真痛点——不是投诉多，是处理慢。
1.2 定义AI客服的应用场景：别贪心
很多产品经理一上来就想做「全自动智能客服」，能回答所有问题。
嗯，这个目标基本等于「我要造一个永动机」。
我建议你：先画一条线。
把客服问题分成三类：
| 类型 | 特点 | AI适合度 |
|---|---|---|
| 高频简单问题 | 比如「发货时间」「退款流程」 | ★★★★★ 非常适合 |
| 低频复杂问题 | 比如「定制需求」「投诉升级」 | ★★☆☆☆ 不适合 |
| 中等复杂度问题 | 比如「产品对比」「故障排查」 | ★★★☆☆ 可辅助 |
你想想看，如果一开始就让AI处理复杂投诉，客户体验会非常差。我见过一个项目，上线第一天AI把「我要退货」理解成了「我要买更多」，结果客户直接炸了。
定义场景时，问自己三个问题：
- 这个问题每天出现多少次？（频率决定ROI）
- 答案是否有标准模板？（有模板的AI好训练）
- 客户能接受AI回答吗？（有些场景必须人工）
1.3 确定项目目标与KPI：别只盯着「替代人工」
很多老板做AI客服，目标就一个：省人。
但说实话，AI客服真正能替代的，可能只有20%-30%的简单问题。如果你把KPI定成「替代50%人工」，大概率会失败。
我个人建议分三个维度定目标：
- 效率维度：平均响应时间、首次解决率、人工介入率
- 质量维度：客户满意度、问题解决率、转人工率
- 成本维度：单次对话成本、人工成本节省、系统投入产出比
某电商项目，我们定的核心KPI是：
- 人工介入率从80%降到50%
- 平均响应时间从120秒降到15秒
- 客户满意度不低于人工客服的90%
注意：最后一条很关键——不能为了效率牺牲体验。
我记得有一次，一个团队把「AI解决率」定到了95%。结果为了达标，AI只敢回答最简单的问题，稍微复杂一点就转人工。最后解决率是高了，但人工客服压力一点没减。这KPI就定歪了。
所以，定KPI的时候，我建议你：
- 先跑一个月基线数据——没有基线，你都不知道自己进步了没有
- 分阶段定目标——第一个月解决率50%，第三个月70%，半年后85%
- 留一个「兜底指标」——比如客户满意度不能低于80%，防止AI乱回答
1.4 总结一下
需求分析、场景定义、KPI设定，这三件事做扎实了，后面开发才会顺。
说白了，AI客服不是技术问题，是认知问题。你越了解客服的真实工作流，越能做出有用的产品。
下一章，我们会聊数据准备与知识库搭建——这是AI客服的「大脑」，也是最容易被忽视的一环。