3.2 需求分析.md 9.8 KB
（一）目标/愿景分析
1. 业务现状
通过企业微信客服接待顾客的售前和售后咨询，日均咨询量持续增长，人均接待超300人。当前经历了两个阶段：
人工客服阶段：
超负荷运转，首次响应时长超过20分钟；
工作时间为10:00~19:00，下班后无法回复，非工作时段咨询无人承接；
需手动在多个系统间切换查询顾客订单、物流等信息，操作效率低；
新客服培训周期长（约2~4周），客服流动性大导致服务质量不稳定。
微信智能客服阶段（关键词匹配方案）：
基于关键词匹配，语义理解能力差，无法处理复杂、多轮对话；
无法实时查询商品/订单数据，只能回复静态FAQ；
转人工率>60%，未转人工满意度仅30%；
机械性回复，缺乏品牌调性和情感温度；
需人工维护大量QA对，维护成本高，更新滞后。
2. 问题定义与影响分析
| 问题 | 影响 |
|---|---|
| 客服超负荷，响应慢 | 首次响应超20分钟，顾客流失率上升，直接影响转化率和复购率；据客服团队反馈，高峰期约15%的咨询因等待过久而流失。 |
| 非工作时段无人值守 | 19:00~次日10:00约占全天咨询量的30%，这部分咨询无法得到及时响应，导致售前转化机会损失、售后体验下降。 |
| 现有智能客服体验差 | 未转人工满意度仅30%，转人工率>60%，相当于智能客服未能有效分流，反而增加了用户操作步骤和等待时间，客户投诉率上升。 |
| 知识库维护成本高 | 需人工维护数千条QA对，商品上新、活动变更时更新滞后，导致客服回复过时信息，引发客诉。 |
| 人力成本持续攀升 | 100+客服团队，随咨询量增长需持续扩编，人力成本年增长约20%，且新人培训周期长、流动性高。 |
3. 解决方案策略
引入基于大语言模型的智能客服Agent，替代现有关键词匹配方案：
语义理解升级：利用LLM强大的自然语言理解能力，支持复杂意图识别和多轮对话；
知识库 + RAG：基于检索增强生成技术，自动从商品文档、售后政策、历史优秀对话中检索相关知识，降低人工维护成本；
工具调用能力：Agent可实时调用订单查询、物流查询、商品查询等API，直接为顾客提供精准信息；
7×24小时服务：AI客服全天候在线，覆盖非工作时段；
品牌调性一致：通过Prompt工程统一回复风格，保证服务温度和品牌一致性；
人机协同兜底：设计合理的转人工策略，复杂/敏感场景自动流转至人工客服。
4. 项目目标
通过建设基于大模型的智能客服Agent，实现7×24小时智能接待，将未转人工满意度从30%提升至90%以上，转人工率从60%降至20%以下，首次响应时长从20分钟降至10秒内。
量化目标（SMART）：
| 指标 | 现状 | 目标 | 衡量方式 |
|---|---|---|---|
| 未转人工满意度（北极星） | 30% | ≥90% | AI独立结束会话后推送评价（1~5星），4星及以上为满意 |
| 首次响应时长 | >20分钟 | ≤10秒 | 系统埋点统计 |
| 转人工率 | >60% | ≤20% | 剔除用户第一句即要求转人工的情况 |
| 回复准确率 | — | ≥95% | 人工抽检每轮回复准确数/总轮数 |
| 知识库维护人力 | 2人全职 | ≤0.5人 | 知识库自动迭代，仅需审核 |
（二）干系人识别与分析
1. 干系人识别
通过组织结构分析和业务流程走查，识别以下关键干系人：
| 干系人 | 类型 | 与系统的关系 |
|---|---|---|
| 公司管理层 | 项目发起人/出资人 | 关注降本增效的投资回报，审批项目预算和上线节奏 |
| 客服主管 | 间接用户 | 管理客服团队，关注服务质量指标、排班优化、团队转型 |
| 一线客服 | 核心用户 | 日常使用系统，接手AI转人工的复杂对话，关注工具易用性 |
| 顾客（消费者） | 外部干系人 | 直接体验智能客服的服务质量，是满意度的最终评判者 |
| 运营/商品团队 | 间接用户 | 提供商品信息、活动规则等知识源，关注信息准确性和更新机制 |
| 法务/合规团队 | 间接用户 | 关注AI回复的合规性、敏感信息保护、消费者权益保障 |
2. 干系人分析
| 干系人 | 核心关注点 | 期望 | 担心/阻力 |
|---|---|---|---|
| 管理层 | 投资回报率、降本增效数据 | 减少客服人力成本20%~30%，提升客户满意度 | AI出错导致品牌舆情风险；投入产出比不明确 |
| 客服主管 | 服务质量、团队管理效率 | 降低团队工作压力，聚焦高价值复杂咨询 | 担心团队裁员引发士气下降；AI不可控时增加管理难度 |
| 一线客服 | 工具易用性、工作负荷 | 减少重复性问答，专注处理有挑战的问题 | 岗位安全感——担心被AI替代；人机协作流程不顺畅 |
| 顾客 | 响应速度、回复准确性、服务态度 | 快速得到准确解答，体验自然流畅 | AI答非所问浪费时间； |
| 无法解决问题又找不到人工； | |||
| 运营/商品 | 信息准确性、更新便捷性 | 知识库能自动同步商品和活动信息 | 担心增加额外的信息维护工作量 |
| 法务/合规 | 合规性、数据安全 | AI回复不涉及虚假承诺、敏感信息泄露 | AI生成不可控内容引发法律风险 |
需求冲突识别： 管理层期望最大化AI自动处理率以降低成本，但一线客服和顾客更关注服务质量和兜底体验。在方案设计中需平衡效率与体验——设置合理的转人工阈值，既保证AI充分发挥作用，又确保复杂场景下顾客能快速触达人工。
（三）详细需求分析
1. 核心业务场景
通过对历史客服对话记录的分析，梳理出以下核心业务场景：
| 类型 | 场景 | 典型问题示例 | 频次 | AI处理策略 |
|---|---|---|---|---|
| 售前 | 商品咨询 | "这款面霜适合油皮吗？""成分里有没有酒精？" | 高频 | 知识库检索 + 商品API查询 |
| 售前 | 优惠活动咨询 | "现在有什么满减活动？""这个券能和会员折扣叠加吗？" | 高频 | 知识库检索（活动规则） |
| 售前 | 推荐与比较 | "帮我推荐一款保湿面膜""A和B哪个更适合敏感肌？" | 中频 | 知识库 + 商品API + Prompt引导 |
| 售后 | 物流查询 | "我的包裹到哪了？""为什么还没发货？" | 高频 | 订单/物流API调用 |
| 售后 | 退换货咨询 | "我想退货怎么操作？""退款多久到账？" | 中频 | 知识库（退换政策）+ 订单API |
| 售后 | 投诉与纠纷 | "收到的商品有质量问题""发错货了" | 低频 | 安抚 + 收集信息 → 转人工 |
| 通用 | 账户与会员 | "我的积分怎么查？""怎么修改收货地址？" | 中频 | 知识库 + 引导自助操作 |
| 通用 | 闲聊/无关内容 | "今天天气怎么样？""你是真人吗？" | 低频 | 礼貌引导回业务话题 |
2. 功能需求
2.1 业务支持
（1）智能问答模块
多轮对话管理：支持上下文理解，跨多轮追问和澄清
知识库问答：基于RAG从商品文档、售后政策、FAQ中检索并生成回复
工具调用：实时调用订单查询、物流查询、商品查询、优惠券查询等API
意图识别与路由：识别用户意图（咨询/查询/投诉/闲聊），路由至对应处理策略
品牌调性控制：通过Prompt确保回复风格统一、有温度、符合品牌形象
（2）人机协同模块
转人工策略：支持用户主动转人工、AI主动触发转人工（识别到无法解决/敏感场景）
对话摘要传递：转人工时自动生成对话摘要，帮助人工客服快速了解上下文
人工辅助建议：为人工客服提供AI建议回复，提升人工处理效率
2.2 维护支持
（1）知识库管理模块
知识入库：支持批量导入商品文档、政策文件、FAQ
自动更新：商品上下架、活动变更时自动触发知识库更新
知识审核：更新内容需经审核后生效，防止错误信息流入
2.3 管理支持
（1）监控与运营模块
核心指标看板：满意度、转人工率、响应时长、准确率等实时监控
Badcase管理：自动采集低满意度对话，支持标注、分类和归因分析
对话日志与回放：支持查看完整对话记录，用于质检和优化
（2）安全合规模块
敏感信息过滤：自动识别并脱敏用户手机号、身份证号等敏感信息
回复安全检查：过滤可能包含虚假承诺、不当言论的AI输出
异常兜底：模型超时/报错时，提供友好的兜底回复并引导转人工
3. 非功能需求
| 维度 | 要求 |
|---|---|
| 性能 | AI首次响应时间 ≤3秒（P95），支持500路并发会话 |
| 可用性 | 7×24小时服务，系统可用率 ≥99.9% |
| 安全性 | 对话数据加密传输和存储；敏感信息脱敏；符合《个人信息保护法》要求 |
| 易用性 | 知识库管理界面支持非技术人员操作；运营看板关键指标一目了然 |
| 可扩展性 | 支持新增工具调用接口（如优惠券核销、售后工单创建）；支持多渠道接入（App、小程序等） |
| 可维护性 | Prompt和知识库可在线热更新，无需重新部署；模型可灵活切换 |