第4章 原始需求收集与分类：需求来源、分类维度、优先级初判
对话AI产品的需求往往隐藏在用户与机器之间的每一次对话、每一次转人工、每一次点赞/点踩中。与传统软件不同，AI产品的需求收集需要同时关注人类意图与模型行为两个层面。本章将建立一套可复用的需求收集与分类框架，帮助你从混沌的原始信息中提炼出结构化的需求条目。
4.1 需求来源矩阵
对话AI产品的需求来源可归纳为四大类，每类对应不同的信息特征和采集手段：
- 用户直接反馈：访谈、可用性测试、问卷、满意度评分、App Store评论。产出定性描述与主观评价，适合挖掘隐性期望与体验痛点。
- 业务方与产品团队：产品评审会、战略对齐会、运营工单、客服转报。产出业务目标与KPI导向的需求，通常优先级较高。
- 数据分析与行为日志：对话日志、点击流、转人工率、任务完成率、对话轮次分布。产出定量指标，客观反映模型在实际场景中的表现瓶颈。
- 竞品与市场调研：竞品功能对比、行业报告、用户评论聚合、技术趋势简报。产出对比数据与差异化机会，用于决定“做什么”与“不做什么”。
对话AI特有信号：用户对AI回答的“点赞/点踩”、对话中途退出、重复追问同一问题、情绪标签（如愤怒/困惑）都是高价值需求来源，应纳入数据采集体系。
| 来源类型 | 典型渠道 | 信息特征 | 常用采集频率 | 优先级倾向 |
|---|---|---|---|---|
| 用户直接反馈 | 访谈、NPS问卷、可用性测试 | 定性、主观、细节丰富 | 按里程碑/季度 | 中～高 |
| 业务方与产品团队 | 评审会、战略对齐、工单系统 | 目标导向、KPI绑定 | 按迭代/双周 | 高 |
| 数据分析与日志 | 对话日志、埋点、转化漏斗 | 定量、客观、可聚合 | 持续/每日 | 中 |
| 竞品与市场调研 | 竞品评测、行业报告、社交媒体 | 对比性、趋势性、外部视角 | 按月度/季度 | 低～中 |
4.2 需求分类维度
原始需求进入分类管道后，需要从四个维度进行标注，以便后续优先级排序与资源分配：
- 按功能类型：功能需求（新的对话能力、知识库扩展） vs 非功能需求（响应延迟优化、安全合规、模型幻觉率降低）。
- 按用户场景频率：高频场景（如订单查询）→ 优先保障稳定性；低频场景（如投诉升级）→ 侧重准确率与情绪识别。
- 按业务价值：核心价值（直接影响GMV/转化率）、增值价值（提升满意度）、辅助价值（运营效率提升）。
- 按技术复杂度：低（Prompt调优、规则补充）、中（意图分裂、Few-shot配置）、高（模型微调、知识图谱接入）。
上图展示了从需求来源到需求池的完整链路。每个绿色节点代表一类来源，经紫色分类维度拆解后，进入橙色优先级判定阶段，最终输出到需求池。该过程并非严格串行，实际工作中建议每周做一次增量分类，避免原始需求堆积。
4.3 优先级初判方法
进入需求池的条目需要快速决策“先做什么”。推荐三种互补的初判方法，可根据团队成熟度选择：
| 方法 | 核心维度 | 适用阶段 | 输出形式 | 典型工具 |
|---|---|---|---|---|
| MoSCoW | Must / Should / Could / Won‘t | 迭代计划、版本范围 | 四分类列表 | 看板、贴纸墙 |
| RICE | Reach · Impact · Confidence · Effort | 功能评审、季度规划 | 数值排序（RICE Score） | 电子表格、Aha! |
| 价值-复杂度矩阵 | 业务价值 × 技术复杂度 | 早期筛选、概念验证 | 四象限气泡图 | 白板、Miro |
常见陷阱：在原始需求阶段过度使用 RICE 的 “Confidence” 维度容易导致“感觉准确”的偏差。建议在初判阶段先用 MoSCoW 做粗筛，再用矩阵做二次校准，最后用 RICE 量化排序。切勿在信息不足时直接套用复杂公式。
4.4 需求条目模板
每条原始需求在进入需求池时应携带以下结构化信息。推荐使用 YAML 格式记录，便于版本管理与自动化流转：
---
id: REQ-2025-004-001
source: 用户访谈-北京场
channel: 可用性测试录音 & 转录
collected_at: 2025-03-21
title: 用户希望在说完“退货”后，AI 能主动询问“退款方式”而非仅返回政策链接
scenario: 用户发起退货意图 → AI 识别意图 → 直接引导至退款方式选择
current_behavior: AI 仅返回“退货政策”卡片，用户需要再次表达“退款”
expected_behavior: AI 在识别退货意图后，主动追问“您希望退款到原支付方式还是账户余额？”
classification:
type: 功能需求（对话流程优化）
frequency: 高频（日触发 > 200次）
business_value: 核心（影响退货转化率）
complexity: 低（规则+Prompt 调整）
priority:
moscow: Must
rice_score: 9.2 (Reach:800, Impact:0.8, Confidence:0.9, Effort:50)
attachments:
- 访谈录音片段_03_21_15.mp3
- 对话日志截屏_2025-03-20_退货运单号.png
关键字段说明：
source+channel：保证需求可追溯，避免重复录入或“老板需求”无依据。scenario+current/expected_behavior：明确人工标注的“现状 vs 期望”，是后续需求拆解的锚点。classification：四维标签为后续批量分析与资源规划提供聚合维度。priority / moscow：初判结果可随信息更新调整，不必追求一次性精确。
4.5 案例：智能客服“退货”场景需求收集
某电商平台对话AI产品在 2025 年 Q1 的数据分析中发现：“退货”意图的转人工率高达 38%，远高于其他意图平均值（12%）。团队随即从四个来源同步采集信息：
- 数据分析：拉取近 30 天“退货”对话日志，发现 72% 的转人工发生在 AI 推送“退货政策”卡片之后；
- 用户访谈：5 名高频退货用户均表示“我只想知道能退多少钱、退到哪，不想看政策原文”；
- 业务方：客服运营负责人反馈“退货话术太死板，用户问‘退款多久到’AI 答非所问”；
- 竞品调研：竞品 App 在同场景已上线“主动追问退款方式”功能，用户评论满意度提升 15%。
四条线索交叉验证后，团队将“退货后主动询问退款方式”标记为 Must-have 并进入需求池。该需求在开发后使退货转人工率从 38% 降至 17%，同时 NPS 提升 6 分。
这一案例展示了需求收集的核心原则：不要依赖单一来源。只有将用户的主观表达、日志的客观行为、业务方的运营洞察、竞品的外部参照进行交叉比对，才能形成可信的需求输入，为后续的拆解与建模打下扎实基础。