2. AI产品业务模型典型场景：业务目标差异与指标对齐

推荐系统、风控模型、NLP客服与CV质检是当前AI产品落地最密集的四大场景。它们的业务目标、用户角色、决策链和验收标准截然不同，若用同一套指标口径去衡量，必然导致需求偏移与模型失效。本章逐场景拆解其业务目标差异，并给出指标对齐的实操路径。

2.1 四大场景业务目标全景对比

在开始指标对齐之前，必须先厘清每个场景的最终业务目标——不是模型指标本身，而是产品对业务产生的实际价值。下表从五个维度进行对比：

2.2 推荐系统：增长驱动的指标对齐

推荐系统的业务目标最终落在 “用户价值 × 商业价值” 的双轮增长上。产品经理需要从用户场景出发，拆解需求链路：

• 用户场景：“打开App → 浏览首页 → 发现感兴趣内容 → 点击/消费 → 持续使用”
• 业务问题：推荐内容不够精准 → 用户流失；推荐太单一 → 用户疲劳
• 用户访谈关键提问：“最近一次你划走推荐内容的原因是什么？” “你希望推荐更多新东西还是重复你喜欢的？”
• 需求拆解：从“推荐准确”拆为“多样性 + 新颖性 + 实时性 + 点击率”
• 指标看板结构：

2.3 风控模型：安全兜底的指标对齐

风控模型的业务目标以 “损失最小化 + 通过率最大化” 的对抗平衡为核心。产品经理必须直面资金损失与用户体验的冲突：

• 用户场景：“用户发起交易 → 实时风控拦截 → 疑似欺诈 → 人工审核 → 放行/阻断”
• 业务问题：拦截过度 → 误伤正常用户；拦截不足 → 欺诈团伙渗透
• 用户访谈关键提问：“被误拦后用户投诉路径是什么？” “审核员的单次决策时间成本是多少？”
• 需求拆解：从“拦截欺诈”拆为“精准率 + 召回率 + 人工复核率 + 申诉通过率”
• 指标看板结构：

2.4 NLP客服：服务效率与体验的指标对齐

NLP客服的业务目标是 “人工成本下降” 与 “客户满意度不下降” 的协同优化：

• 用户场景：“用户输入问题 → 机器人意图识别 → 匹配FAQ → 直接回答 / 转人工”
• 业务问题：机器人答非所问 → 用户暴躁；机器人过度转人工 → 成本未降低
• 用户访谈关键提问：“哪个类目的问题让你想直接转人工？” “机器人回答后你还会再问一遍吗？”
• 需求拆解：从“解决用户问题”拆为“意图识别准确率 + 一次性解决率 + 转人工率 + 满意度”
• 指标看板结构：

2.5 CV质检：精准拦截与成本控制的指标对齐

CV质检的业务目标是 “用机器替代人眼，降低漏检率并控制误报损耗”：

• 用户场景：“产线拍照 → 模型推理 → 缺陷标记 → 复检台复核 → 报废/放行”
• 业务问题：漏检导致不良品流出；误报导致良品报废增加生产成本
• 用户访谈关键提问：“目前人眼漏检集中在哪类缺陷？” “一个误报的良品从复检到放行要消耗多少工时？”
• 需求拆解：从“检出缺陷”拆为“缺陷召回率 + 误报率 + 复检率 + 单件检测耗时”
• 指标看板结构：

2.6 四场景指标看板统一结构

无论哪个场景，指标看板都应遵循统一的 “业务目标 → 代理指标 → 维度拆解 → 验收阈值” 四层结构。下面是一个可复用的看板模板：

看板结构: [场景名称] AI模型业务指标看板 v1.0
├── 业务目标层（顶层，用业务语言描述）
│   └── 例如：“降低风控人工审核成本40%”
├── 代理指标层（模型可度量指标）
│   ├── 主指标：拦截率、误伤率、复检率
│   └── 辅助指标：平均处理时长、用户申诉率
├── 维度拆解层（按切片分析）
│   ├── 时间：日/周/月环比
│   ├── 渠道：线上/线下/第三方
│   └── 用户分层：新用户/老用户/高价值用户
└── 验收阈值层（与业务方约定的通过标准）
    ├── 拦截率 ≥ 92%
    ├── 误伤率 ≤ 3%
    └── 复检率 ≤ 8%

2.7 四场景业务目标与指标映射总图

以下SVG展示了推荐系统、风控模型、NLP客服、CV质检四个场景从业务目标到核心指标的映射关系，以及它们各自的产品经理关注焦点：

2.8 本章小结与交付物清单

四个场景的业务目标差异决定了指标对齐的起点不同。产品经理必须在需求拆解阶段就明确“业务目标 → 代理指标”的映射关系，并用统一的看板结构管理。以下是本章对应的交付物模板清单：