3 用户场景识别方法：场景地图、关键事件、频次与价值矩阵
AI产品的能力边界定义始于对用户场景的精准拆解。脱离真实场景的模型能力切分，往往导致功能冗余或关键缺失。本章聚焦场景地图→关键事件→频次×价值矩阵这一递进方法，帮助产品经理系统化识别、筛选、排序用户场景，为后续模型能力切分提供客观依据。
3.1 场景地图构建
场景地图是将用户在产品生命周期中所有可能发生的交互情境进行结构化罗列。构建步骤：
- 划分用户旅程阶段：如注册、学习使用、日常操作、故障解决、升级扩展、流失挽回。
- 每个阶段列出触发条件：即什么原因让用户进入该阶段（时间、事件、状态）。
- 描述交互行为与情绪：用户做了什么？感受到什么？
- 标注系统/环境因素：设备类型、网络状态、数据权限等约束条件。
💡 实践技巧：场景地图的颗粒度以“一个明确的用户目标”为最小单元。例如“拍照识别植物”是一个场景，而“打开摄像头”只是操作步骤。
场景地图产出物是一张二维表格（阶段×场景），每个单元格内用一句话描述场景概要。下表为某AI翻译App的场景地图片段：
| 阶段 | 场景ID | 场景描述 | 触发条件 |
|---|---|---|---|
| 初次使用 | S-01 | 用户首次打开App，选择源语言与目标语言 | 安装后第一次启动 |
| 日常翻译 | S-05 | 用户用摄像头拍摄菜单，实时识别并翻译文字 | 点击“拍照翻译”按钮 |
| 故障处理 | S-12 | 网络中断时，用户尝试离线翻译但弹出无词库提示 | 检测到无网络 |
| 升级扩展 | S-18 | 用户购买专业词库包后，翻译准确率提升 | 支付成功回调 |
3.2 关键事件提取
场景地图包含了大量场景，但并非每个场景都值得投入AI建模资源。关键事件是那些对用户目标达成或产品核心价值有决定性影响的场景。提取方法：
- 失败阻断原则：如果该场景出问题，用户是否完全无法继续主线任务？
- 体验阈值原则：该场景是否直接关联用户满意度、留存率或NPS分数？
- 数据依赖原则：该场景是否为后续AI模型训练提供必须的训练数据？
⚠️ 常见误区：只关注高频场景，忽略低频但价值极高的场景（如首次注册失败时的人工介入）。关键事件不只看频次，还要看业务冲击度。
关键事件的输出格式应采用以下JSON结构记录到需求文档中：
{
"keyEventId": "KE-03",
"sceneId": "S-05",
"eventName": "拍照翻译失败-文字模糊",
"impactLevel": "high",
"frequency": "medium (日均200次)",
"triggerCondition": "用户抖动导致对焦模糊",
"currentBehavior": "返回错误提示'未识别到文字'",
"targetAIBehavior": "自动触发防抖+多帧合成算法，输出低置信度但可读结果"
}3.3 频次与价值矩阵
将关键事件按频次（横轴）和业务价值（纵轴）投射到矩阵中，得到四个象限的优先级排序。此矩阵直接指导模型能力切分资源的分配顺序。
- 高频率 × 高价值（第一象限）：必须优先实现，投入充足算力和工程资源。
- 低频率 × 高价值（第二象限）：适合作为差异化亮点，可用轻量模型或规则替代，确保可用性。
- 高频率 × 低价值（第三象限）：尽量自动化（如状态反馈类），不投入复杂模型。
- 低频率 × 低价值（第四象限）：暂时搁置，仅保留异常兜底逻辑。
📊 矩阵应用示例：某电商AI客服场景中，“查询订单物流”频次极高但价值中等（用户可自助查看），归入第三象限，采用简单规则匹配即可。“退款争议仲裁”频次低但价值极高（直接影响用户信任），归入第二象限，需构建多轮对话+知识图谱推理的复杂模型。
下面以SVG流程图直观呈现从场景地图到能力切分的完整路径：
3.4 本章产出物模板
完成本阶段后，应交付以下文档：
| 产出物 | 格式 | 内容核心 |
|---|---|---|
| 场景地图（完整版） | Excel / 飞书多维表格 | 阶段、场景ID、描述、触发条件、当前行为、情绪曲线 |
| 关键事件清单 | JSON / YAML | 每个关键事件的ID、impactLevel、frequency、targetAIBehavior |
| 频次×价值矩阵 | 四象限图（PDF/SVG） | 所有关键事件按坐标分布，标注优先级标签 |
📌 验收标准：场景地图覆盖用户全生命周期90%以上的可列举场景；关键事件筛选后不超过15个；矩阵中第一象限事件不超过5个（确保资源聚焦）。
下一阶段将基于本章输出的优先级排序，进入用户访谈与洞察环节，进一步验证场景假设的真实性与潜在改进空间。