1. AI产品场景化需求建模概述

## 2.1 概述：场景驱动 在AI产品领域，需求不再仅仅来自功能列表，而是源于**真实用户的业务场景**。传统的功能式需求描述——“系统支持人脸识别”——往往导致开发结果与用户预期偏离。场景化需求建模将焦点从“系统能做什么”转移到“用户在什么情境下、为什么需要这个能力”，从而产出更具洞察力的产品方案。 本章作为课程的起点，定义场景驱动需求建模的方法论基础，并阐述它在提升AI产品交付质量、降低返工风险方面的核心价值。 ## 2.2 需求建模的核心价值 需求建模不是“写文档”，而是一套结构化的思考与协作流程，它带来的收益可以从以下五个维度衡量：

1. 对齐理解：业务方、产品经理、算法工程师都基于同一份场景抽象建立专业共识，减少“想当然”的推倒重来。
2. 可行性前置：在进入模型训练前就评估数据可得性、算法边界和成本约束，避免研发中才发现不可行。
3. 可验收：将场景需求转化为可量化的评估指标和验收条件，让模型上线成为有据可依的决策节点。
4. 资产沉淀：每次建模的产出物（场景卡片、需求规格、指标框架）可复用，持续积累领域知识。
5. 减少歧义：通过结构化模板和可视化表达，消除自然语言描述中“差不多”带来的隐性风险。

## 2.3 场景化需求建模总体框架 下图展示了从用户场景输入到核心交付物输出的整体流程，本章后续内容均围绕这一框架展开。 ## 2.4 核心交付物清单 在整个建模周期中，以下 9 类交付物构成了场景化需求建模的完整输出。它们彼此关联、递进生成，确保每条需求都有迹可循、可回溯、可验证。

交付物名称	内容说明	典型工具/格式	示例（AI质检产品）
场景卡片	单个用户场景的标准化描述	卡片模板（Markdown）	质检员发现疑似缺陷→呼叫AI复核
用户旅程图	用户跨触点、跨端到端的交互路径	流程图、泳道图	从产线上料到最终质检报告生成的全链路
业务流程图	当前业务流程与AI增强后的流程对比	BPMN、Visio	人工复检环节如何被AI初筛替代
需求规格说明书	功能/非功能需求的完整规格	Word、Confluence	AI模型识别准确率≥95%，响应时间≤500ms
用例模型	参与者与系统交互的用例集合	UML用例图	用例“图像上传→缺陷分析→结果反馈”
数据需求清单	建模所需的数据源、字段、标签质量要求	表格/Excel	产线图片分辨率≥1280x720，缺陷标注≥3类
指标框架	从业务指标到模型指标的映射关系	思维导图/矩阵	良品率↑ → 模型准确率≥97% → 误检率≤2%
验收用例	可执行、可量化的模型验收测试用例	自动化测试脚本/用例模板	输入: 含划痕图像 → 期望: 缺陷置信度≥0.9
风险与假设记录	建模过程中的前提条件、已知限制	持续更新的日志	假设: 照明条件恒定；风险: 部分极端缺陷无样本

## 2.5 课堂练笔：场景卡片拼图 请根据以下真实业务场景，尝试抽取并填写一张“场景卡片”的 6 个核心字段： - **业务背景**：某金融科技公司希望为其信贷审批系统引入AI反欺诈模型。风控经理需要在用户提交贷款申请的30秒内判断是否为欺诈行为。AI模型输出欺诈分值，由人工最终复核。 - **期望产出**：使用本节所学场景卡片结构，补全下表中缺失的字段。

字段	填空区域
用户角色	风控经理 / AI系统
触发条件	用户提交贷款申请
行为步骤	1. 系统收集申请数据 + 2. AI模型计算欺诈分值 → 3. 展示分值及特征理由 → 4. 风控经理审核并决定
使用环境	办公PC，实时审批窗口（30s内完成）
预期结果	AI欺骗分值 + 风险特征提示；审批时间从3分钟缩短到30秒
非功能约束	推理时延≤2秒；模型准确率≥95%（以复核结论为准）