第1章 对话AI产品用户场景分析
1.1 课程定位与学习目标
本章作为《对话AI产品需求建模案例》的起点，聚焦于用户场景分析的核心任务：用户画像、使用情境和痛点识别。学习完成后，你将能够：
- 区分通用用户画像与对话AI专用的交互画像；
- 描述多模态使用情境（时间、地点、设备、情绪）；
- 运用“场景-痛点-机会”链提炼产品需求入口。
课程前置提醒：本章所有分析与模板均需“可交付”——即能直接用于后续章节的用户访谈提纲和需求拆解。请保存好本章输出的用户画像卡片、场景矩阵和痛点清单模板。
1.2 用户画像：从“统计标签”到“交互角色”
传统产品用户画像包含人口属性、职业、兴趣等。对话AI产品需要额外定义交互行为属性：
| 维度 | 传统画像 | 对话AI画像增强 |
|---|---|---|
| 沟通偏好 | 无 | 正式/口语化、长句/短句、表情包使用频率 |
| 指令清晰度 | 无 | 高/中/低（典型用户是否经常重复、纠正） |
| 容错容忍度 | 无 | 对误识别/超时的心理预期（秒级/分钟级） |
| 隐私敏感度 | 无 | 是否愿意共享位置/录音/通讯录 |
以智能客服场景为例，一个完整的对话AI用户画像卡片格式：
【画像名称】财务报销助手-初级员工
人口属性：25~30岁，本科及以上，入职0~2年
对话行为：
- 提问方式：碎片化、常使用“怎么”“如何”开头
- 平均单轮长度：12字
- 容错容忍：等待反馈不超过5秒，否则重复或换问法
关键场景：差旅报销、发票上传、预算查询
痛点清单：表单字段看不懂、审批流程无进度感知、发票OCR总是失效1.3 使用情境：时间、地点、设备、情绪
对话AI产品的使用情境不仅影响交互设计，还影响NLU召回策略和UI呈现方式。我们采用“4W1H”场景矩阵：
| 维度 | 典型取值 | 对对话AI的影响 |
|---|---|---|
| When（时间） | 工作日白天 / 深夜 / 碎片时段 | 响应时长要求（深夜可非实时）、打断策略（深夜不宜主动推送） |
| Where（地点） | 办公室 / 通勤地铁 / 居家 | 语音输入可用性（地铁需降噪/VAD）、隐私安全（办公室不能听外放） |
| What device（设备） | 手机 / PC / 智能音箱 / 车载 | 输入方式（键盘/语音/触屏）、屏幕尺寸（文本密度） |
| How felt（情绪） | 焦虑 / 急躁 / 好奇 / 无聊 | 语气设计（共情回应/简洁指令）、重试降级策略 |
1.4 痛点识别：从“抱怨”到“指标可量化”
用户痛点必须能被 度量 才能进入需求拆解。我们将痛点分为三类：
- 功能缺失型：现有系统无法完成某任务，如“无法一键打印报销单”。
- 体验瓶颈型：完成但效率低，如“每次要输入10个文本字段，重复费力”。
- 认知障碍型：用户不知道如何操作，如“不知道‘关联订单’按钮在哪里”。
痛点度量化模板：
痛点描述 → 当前耗时/失败率/任务放弃率 → 期望阈值 → 对NPS/CSAT的影响预估
痛点描述 → 当前耗时/失败率/任务放弃率 → 期望阈值 → 对NPS/CSAT的影响预估
案例：某银行语音助手用户反馈“查询余额总是听不懂我卡号”。拆解后：
痛点：数字串识别错误率高达23%（体验瓶颈型）
用户场景：开车时单手操作，背景噪音60dB
当前指标：平均2.3次尝试才成功查询余额
期望阈值：首次识别成功率 ≥ 85%
影响预估：该痛点降低NPS约12分，导致月均4000次人工转接1.5 场景分析框架总览
下图展示了从用户画像、使用情境到痛点识别的三层递进关系，以及最终输出“场景-痛点-机会”卡片的过程：
1.6 本章交付物模板
完成本章学习后，请输出以下三个交付物作为课程作业：
- 用户画像卡片（至少包含3个关键对话行为属性）
- 使用情境矩阵（4W1H表格，覆盖至少3个典型场景）
- 痛点识别清单（每个痛点附带当前可量化指标）
常见陷阱提醒：很多初学者把“功能缺失”直接当成需求，忽略了使用情境对交互方式的影响。例如“语音输入总是失败”可能是用户在地铁里（情境）而不是话筒质量问题。一定要先验证情境假设。
下一阶段（第2章）我们将基于本章产出的用户画像和使用情境，设计用户访谈提纲并执行访谈。请确保本章交付物已经过至少2位真实用户的初步验证。