3. 用户场景驱动的边界识别
在产品需求型课程中，功能与算法的边界不是在会议室里拍脑袋定的，而是从真实用户场景中“长”出来的。本章教你用**用户旅程图**对齐场景，用**痛点与期望**收集证据，最终在旅程图的每个接触点上做出“需要算法介入”还是“用规则解决”的判断。
3.1 用户旅程图：场景还原的核心工具
用户旅程图（User Journey Map）以时间线为主线，记录用户在使用产品过程中经历的**阶段、行为、触点、情绪、痛点**。绘制旅程图是为了让团队所有角色——产品、设计、开发、算法——在同一张图上看见用户。
标准旅程图包含以下6个要素：
| 要素 | 说明 | 作用 |
|---|---|---|
| 阶段 | 用户完成主任务的自然划分（如“搜索→浏览→下单→售后”） | 定义分界点，方便逐段分析 |
| 行为 | 用户的具体操作（点击、输入、滑动、退出） | 暴露操作摩擦 |
| 触点 | 用户与产品交互的界面/通道（首页、弹窗、通知） | 定位功能入口 |
| 情绪曲线 | 用户在每步的满意度（非常满意→很沮丧） | 快速定位高痛区域 |
| 痛点 | 用户遇到的阻碍、困惑或失败 | 需求拆解的直接来源 |
| 机会 | 可改进或新增的功能点 | 方案表达的入口 |
以“AI拍照识物”产品为例，绘制用户旅程图的第一步是列出典型阶段，再逐步填充行为与痛点。
3.2 痛点与期望收集：从用户访谈到需求拆解
用户访谈是收集痛点和期望的主要手段。建议按以下结构进行：
- 筛选目标用户：覆盖新手、中度、重度用户，以及负反馈用户。
- 半结构化访谈：围绕旅程图的每个阶段提问，不引导，只追问。
- 映射到旅程图：把每条痛点标在对应阶段，标注情绪等级。
- 分类整理：按照“可规则化”与“可能需要算法”两类归档。
示例：在“拍照识物”的拍摄阶段，用户反复出现“对焦不准→照片模糊→识别失败”的流程。用户期望：“随便拍也能认出是什么东西”。此场景背后是图像质量不确定，规则很难穷举所有模糊条件，适合引入降噪/超分/模糊检测算法。
3.3 算法 vs 规则：场景中如何判断
在旅程图的每个触点，判断“用规则还是算法”需回答以下3个问题：
- 条件可穷举吗？如果可以用if-else写死所有分支，就用规则。例如：用户手机电量低于20%时弹出低电量提示。
- 输入是确定的吗？规则需要明确输入值。例如“用户年龄≥60”是确定的。但“用户喜好”不确定，需要算法预测。
- 决策需要学习历史吗？规则是静态的，算法可以从用户历史行为中持续优化。例如：推荐系统必须用算法。
下表汇总了常见场景的边界划分：
| 场景 | 典型实现方式 | 边界判断逻辑 |
|---|---|---|
| 表单校验（手机号/邮箱格式） | 规则（正则表达式） | 确定性输入，无需学习 |
| 内容审核（涉黄暴恐） | 规则 + 算法（AI辅助） | 黑名单可规则，语义理解需算法 |
| 搜索排序 | 算法（LR/DNN/多目标优化） | 依赖用户意图与历史反馈 |
| 优惠券发放（满减条件） | 规则（金额/品类阈值） | 固定逻辑，无歧义 |
| 客服智能路由 | 规则（关键词+优先级） | 简单标签匹配，无需模型 |
| 图像美颜效果 | 算法（CNN风格迁移） | 美学主观，规则无法覆盖 |
3.4 内联SVG：用户旅程图 + 边界判定流程
下图为“AI拍照识物”产品中，从拍摄到识别结果的用户旅程与算法/规则判定点标注。
3.5 场景边界识别的交付物模板
在每个用户场景分析完成后，你需要产出一张场景边界识别表，作为PRD中“算法需求”章节的前置依据。推荐模板如下：
交付物：《场景边界识别表》（.xlsx 或 PRD内嵌表格）
| 场景编号 | 用户场景描述 | 痛点 | 用户期望 | 解决方案类型 | 具体规则/算法说明 |
|---|---|---|---|---|---|
| SC-01 | 用户拍摄照片过暗，识别失败 | 照片模糊/暗导致无结果 | 随便拍也能识别 | 算法 | 图像增强模型（低光超分） |
| SC-02 | 用户上传非植物照片（如狗） | 识别到无关结果，误导用户 | 只识别植物类 | 规则 | 分类置信度 < 0.5 时返回“未识别到植物” |
| SC-03 | 用户查看识别结果，显示多条相似物种 | 无法区分哪个最像 | 展示最可能的1~3条 | 规则 | 置信度排序，取Top-3，且差距≥10%时只展示第一 |
避坑提醒：不要把“用户期望”直接当作需求。例如“随便拍也能识别”是期望，但实际需要拆解为：模糊检测算法、超分模型、低光场景触发规则。不把期望拆成可落地方案，算法团队无法评估工时与数据需求。
3.6 指标验证：边界划分是否合理
边界划分的优劣最终要通过指标验证。建议在PRD中定义以下两类验证指标：
- 规则效果指标：命中率（规则覆盖的异常场景占比）、误杀率（规则错误拦截正常场景的占比）。
- 算法效果指标：准确率（Precision）、召回率（Recall）、用户满意度评分（1~5分）。
当规则误杀率高于5%时，应考虑将该场景转由算法兜底；当算法准确率低于85%时，应补充规则做后置修正。边界是动态的，需要在迭代中持续优化。
3.7 本章小结
用户场景驱动的边界识别，让你跳出“先定方案再找场景”的陷阱。核心产出是一张带边界判定标注的用户旅程图和一张场景边界识别表。下一阶段（第4章）将基于这张表，正式进行需求拆解与功能清单表达。