4. 业务问题到算法需求的转化

4.1 用户场景与业务问题定义

算法需求不能从“想用一个模型”出发，而要从真实的用户场景出发。先定义清楚“谁、在什么情况下、遇到了什么障碍”，再抽象为业务问题。

用户场景示例：智能客服工单自动分类

某电商平台日均 50,000+ 用户咨询工单，运营团队需人工将工单分为“售后 / 物流 / 产品咨询 / 投诉 / 其他”，当前平均处理时长 45 分钟/单，分类准确率仅 82%。

业务问题：如何通过算法实现工单的自动预分类，降低人工处理时长、提升分类准确率，同时保留高复杂度工单的人工复审能力？

用户访谈关键发现：

• 运营人员希望保留对低置信度工单的复审权，不接受“全自动无人干预”；
• 分类标准在部门间存在边界模糊（如“物流延误”有时被归为“售后”）；
• 实时性要求明确：工单需在 30 秒内 完成分类并流转至对应处理组。

4.2 业务目标拆解为可量化指标

将模糊的业务问题转化为可量化、可验证的指标，是 PRD 中最重要的桥梁环节。采用“业务目标 → 过程指标 → 算法指标”三层拆解。

4.3 算法能力与业务问题的映射

不同业务问题对应不同的算法能力。产品经理需要建立清晰的映射关系，避免“杀鸡用牛刀”或“算法无法实现”。

4.4 可行性评估框架

确定算法需求前，必须对每个候选方案进行可行性评估。评估覆盖四个维度：

1. 数据可行性：是否有足够的高质量标注数据？数据分布是否覆盖长尾场景？
2. 算法可行性：当前 SOTA 在类似任务上的表现是否满足指标？
3. 工程可行性：推理延迟是否满足实时性？模型体积是否可部署在目标硬件？
4. 业务可行性：算法输出是否可解释？是否有灰度发布和回滚机制？

以下 SVG 展示了完整的“业务问题 → 算法需求”转化流程与可行性评估的嵌入位置：

4.5 方案表达与指标验证

在 PRD 中，算法需求需要用结构化的方式表达，并附带明确的指标验证方案。

PRD 中算法需求的表达模板：

{
  "算法模块": "工单自动分类",
  "输入": "用户咨询文本（长度 ≤ 512 字符）",
  "输出": "分类标签（售后/物流/产品咨询/投诉/其他）",
  "性能指标": {
    "精确率": "≥ 0.93",
    "召回率": "≥ 0.91",
    "F1-score": "≥ 0.92（宏平均）",
    "推理延迟": "≤ 50ms（单条，GPU T4）",
    "吞吐量": "≥ 1000 QPS（单卡）"
  },
  "边界条件": {
    "最低置信度阈值": "0.65",
    "低置信度处理": "转人工复审",
    "支持语种": "中文（简体）",
    "最大并发": "500 QPS"
  },
  "验收标准": "在 10,000 条测试集上 F1 ≥ 0.92，P99 延迟 ≤ 50ms"
}

指标验证方案：

• 离线验证：使用历史已标注工单构建测试集，按 8:1:1 划分为训练/验证/测试；
• 线上验证：A/B 测试，实验组使用算法分类，对照组使用人工分类，持续观测 2 周；
• 灰度策略：以 10% 流量上线，逐步提升至 100%，每个阶段停留 3 天观察核心指标。

4.6 验收标准与交付物模板

算法需求的验收标准应覆盖功能、性能、边界三个维度。

交付物模板：

算法交付物清单（工单自动分类模块）
├── 模型文件
│   ├── model.onnx（ONNX 格式，可部署）
│   └── model_config.json（模型参数配置）
├── 推理代码
│   ├── inference.py（Python 推理脚本）
│   └── requirements.txt（依赖清单）
├── 测试报告
│   ├── offline_eval_report.pdf（离线评估报告）
│   ├── online_ab_test_report.pdf（线上 A/B 测试报告）
│   └── stress_test_report.pdf（压测报告）
├── 数据说明
│   ├── train_data_sample.csv（训练数据样例 500 条）
│   ├── test_data_with_label.csv（测试集 10,000 条含标签）
│   └── data_dictionary.md（数据字典说明）
└── 算法 PRD 附件
    ├── algorithm_design_doc.md（算法设计文档）
    └── api_interface_spec.md（API 接口规范）

4.7 算法需求评审清单

在 PRD 进入开发前，对照以下清单完成自检：

1. ✅ 业务问题是否转化为 ≥ 3 个可量化指标？
2. ✅ 每个算法指标是否有明确的计算公式和数据来源？
3. ✅ 算法能力映射是否覆盖所有业务场景？
4. ✅ 可行性评估是否包含数据、算法、工程、业务四个维度？
5. ✅ 验收标准是否覆盖功能、性能、边界三个维度？
6. ✅ 交付物清单是否包含模型、代码、测试报告和数据说明？
7. ✅ 低置信度 / 异常输入的兜底策略是否明确？