产品视角看智能客服

编者按：本文来自微信公众号“hanniman”，作者hanniman。36氪经授权转载。

智能客服，是现阶段非常明确的“能够赚钱”的AI细分领域；但是，“能够赚钱”并不意味着可以“赚大钱”，或者“很快而容易的赚大钱”。

本文主要从产品视角来聊聊，智能客服产品方向，可能的2个坑和2个出路。

1 智能客服产品方向，可能的2个“坑”

1、现阶段，做“通用智能客服系统”，很可能是一个“大坑”

从结果看，不论是技术还是产品方面，现阶段都支撑不了通用智能客服的落地，但是，这部分的探索，本身也是有益、甚至绕不过去的环节；对部分公司来说，就应该用心去做，然后才能更好的做非通用领域的落地。

如追一科技产品负责人@汶林丁 所说：

我们刚开始的时候，就是在做一个通用工具集、积累方法论；经历的业务多了，才能知道，哪些是智能内核，哪些是业务层面的事情，这块只有踩过很多坑，才有去通用化、组件化的动力，也会体会边际成本不断降低的快感，相当于在证明复制性，这也得益于我们之前在腾讯是做架构出身的。

2、做“垂直行业的智能客服解决方案”，如果价值定位还是“（为垂直行业）节省客服成本”，虽然可能养活团队，但会是一个hard模式；因为往往会被局限在为几个大客户做项目，一旦没处理好下面几个绕不过去的槛儿，很可能也会倒进坑里。

1）最大最大的难点是，如果AI团队本身不具备该垂直行业经验，很难做出真正好的解决方案。很多时候，AI团队需要深入大客户公司内部去了解业务流程、细节、问题等，甚至有观点认为，核心门槛就在“把问题梳理清楚”——如果问题梳理清楚了，很多时候就大概知道该怎么解决了，而大客户公司有多年经验的内部员工，自己都梳理不清楚问题……

2）退一步讲，如果把问题梳理清楚了，又可能出现一个新的不利情况：如果只是解决20%的核心问题，甚至都不一定需要用到真正的AI解决方案……曾经听说，某公司用一套自己创造的“粗暴规则+大量人工”方式，就能很现实的解决问题，已经从一些AI公司手里抢到了大单。

而且，真正有极大“降低客服成本”需求的公司，很有可能自建团队来做的。既有成本考虑，也有数据安全考虑。比如滴滴，很多人没想到的是，滴滴已经是国内人工客服成本最大的公司了，而相关数据又非常敏感，所以滴滴有极大的动力去自建智能客服团队。还有阿里，也是花了几年的时间，把网上购物等领域的客服相关问题梳理清楚，花了很多人工整理大量有效数据，然后才一步步的把智能客服真正落地的。

3）再退一步，暂且不纠结“AI方案”是否能绝对碾压“粗暴方案”（即，假设各家公司的方案都能部分解决客户的问题），这时，还会面临竞标时的“搞关系”问题。

4）假设很幸运，拿到了某个大客户的单子，那后续怎么办呢？垂直行业内的大客户公司就这么多，公司收入的增速和总量，都会有天花板。而且近似外包的做项目，还意味着成本也是在线性增加的。

5）如果大公司不好做，那小公司呢？一般中国的中小企业，即使觉得“减少人工客服成本”是好事，但更大的动力还是在“如何增加收入”，即，如何拉新、如何提高转化率等。

3、如果价值定位还是想设定在“节省客服成本”，可以怎么做？

如图灵机器人-产品负责人@蜗牛 老师在《系统化思维，AI产品经理的必修课》中分享的：

解决70%都会被问到的问题。30%人本身也解决不好的问题，智能客服也解决不了。要把问题范围框定在能解决的范围，并给客户算账（输出成客户能理解的语言：省了多少钱，我们赚的钱只是省的钱的一部分）。

比如，在去年9月份一个大会上，有嘉宾分享过其公司的2个合作案例：1）建设银行，日均300万交互量，相当于9000个人工坐席，对应9亿元的人工成本；2）交通银行，月均代替的呼叫量为200万次，对应月均成本140万。

2 智能客服产品方向，可能的2个“出路”

大方向来说，目前这个阶段做AI落地，“直接代替人”是非常危险的（不论从产品体验，还是从商业可行性来说），建议更多考虑如何“AI辅助人工”。

下面，从2B和2C两个方向分析。

1、2B

不是给客户提供“NLP技术方案”，也不是给客户提供“智能客服产品方案”，而是给客户提供“智能客服商业方案”，即，重点不是告诉客户我们产品技术的“准确度”或“问题解决率”有多高，而是直接阐述商业价值——如何能帮他拉新、提高转化率、提高满意度等。

比如，对于“如何设置智能客服的评估指标（体系）”这个问题，常规想法可能是，完全从“有用”、“效率”角度出发，去看“问题解决率”（不确定各家公司是否这么命名，总之类似这种说法吧）。

但是，是否可以更关注用户体验？举例来说，当用户问题没有被解决的时候，是否能有些更友好的交互体验（比如更有好多引导流程/文案、设置一些小彩蛋等，有很多可以挖掘的东西），让用户不那么生气，重新再来尝试一次，或者即使这次失败了，也不至于“对这种AI客服模式或者这家商家产生严重的抵触情绪、进而以后再也不来了”。

相当于，“问题解决率”，关注重点仅仅是“这一次”用户需求的满足情况，而“用户满意度”，导向的是长期用户需求的满足。

以上这个想法，好像也没什么特别的，大家也许都能想到。但为什么没人这么去做呢？不能说我的想法一定是对的（其实也是拿出来抛砖引玉），但这个想法背后存在一个认知的区别：

假设目前行业AI技术水平，“解决问题效率”是93分，很多从业者可能认为，通过AI技术，也许有可能做到98分，还有很大空间可以去做AI技术探索，值得把很多人力资源投入进去；而我的认知是，很可能95分、甚至94分，就是“目前”整个AI行业技术水平的天花板了，1、2年内，可能更应该投入“可控”的人力去做技术攻坚，而把更多的资源倾向给AI产品经理们，放到“提高用户体验效果”的探索方向去，这方面，可能做几个中等量级的优化feature，就能够整体提升2~4分的产品价值。

为什么这2种想法，差别这么大呢？

可能是因为，很多从业者是技术背景出生，虽然他们也知道，目前AI技术水平，并没有根本性的突破，但是，他们只有“技术”这一个认知维度；而如果我们从产品或商业出发，至少会多出1~2个维度。

举个例子，大家都知道对于Siri这种语音助手产品，成年人去和她交互，问10次，即使9次都对了，只要1次回答不好，那么1个月之后，用户慢慢就再也不用了。——也就是说，从纯技术角度来说，即使已经做到了90分，但是在产品角度来看，这个模式的用户价值不足60分；如果再考虑商业价值，可能就不足30分了（至少现阶段是这样，未来也许有机会）。——也就是说，技术维度+产品维度，不是在做加法，而是在做“归一化”，是不能把90分作为整体产品价值的baseline的。

2、2C

基于现有的智能客户产品技术条件，如何应用到普通用户？有正反两个例子。

1）不成功的magic模式（AI+HI）

前几年，有一批中国公司copy非常火的magic模式（AI+HI），目前来看没有太成功的，主要原因可能有：

A）需求定位的两难（长尾 vs 头部）。对于高频需求，用户本身用app就能解决了；而如果想覆盖太多长尾领域意味着，需要更多细分领域的专业客服；而“更多细分领域专业客服”的投入产出比是不经济的。

B）做MVP验证的思路问题（注：MVP，minimum viable product的缩写，意为“最小可行性产品”）。2017年10月23日，我曾在饭团“AI产品经理大本营”里分享过：

……没必要一开始就去挖大价钱挖大量的AI技术人才，因为他们（magic模式）提供的本质价值是（对接）服务，所以做MVP验证时，需要用真人来模拟、走通闭环就行，等验证成功了再挖AI技术人才。

而且曾经有该领域公司技术负责人亲口给我说过，他们的技术没做那么深入，因为很多情况下，回复语料（即回答数据）就能够满足用户了（不一定完美回复，但是“可接受”的）。

即，这背后的逻辑是：如果用人工，一开始就能有80~85分的效果，但如果用AI，一开始只能有60~70分效果；所以，如果用人工做MVP，用户都用不起来，就没必要大投入AI技术了；但如果一开始用AI实现，很可能由于效果没有足够好，而无法判断MVP方案本身是否OK，甚至可能被AI研发周期和成本给拖死。

另外，关于MVP方面，再分享下追一科技产品负责人@汶林丁 的实战心得：

……在标杆客户的身上收集需求，从而打磨一个MVP的产品出来，慢慢上线运营，从解决基本需求到运营到体验，不过这个过程也非常痛苦。只有有标杆性的企业需求满足后，产品解决的问题，才有代表性和可复制性。

“从解决基本需求到运营到体验”，是很务实的思路。

2）最近非常火的Google Duplex

Google最近在其个人助理 Google Assistant 中，新增了Duplex功能，可以帮用户给饭馆、理发店等商家打电话沟通、预订。

这里的精妙之处在于，虽然表面上AI是在服务于普通用户，但真正的AI对话产品体验的交互对象是商家的客服人员，而这类人群本身的对话流程、语言方式甚至语料内容都是相对更加清晰可控的！详见《会打电话的 AI 背后：谷歌Duplex技术解析》。

即，反过来说，如果AI技术表面上是服务于客户公司，但最终产品对话体验的交互对象其实是普通用户，那么，对于现阶段AI产品技术来说，这种对话流程非常不可控的。

可以说，Duplex这个例子正好证明了我一直以来的观点：现阶段的AI产品技术，虽然还不完美，但已经完全不影响我们做demo了，而这正好是我们AI产品经理施展的机会——这需要有一定的AI技术理解力+垂直场景认知积累+AI产品落地方法论，这些，都是我在饭团“AI产品经理大本营”里，经常会分享的。

最后，针对“智能客服作为AI产品经理的发展前景”，简单分享2点：

1、智能客服，是很好的入行AI方向。因为相关公司可选范围不少、相关职位类型高中低都有（AI产品经理、人工智能训练师、数据标注等）、面试门槛没那么高（对NLP有一定了解，或者，如果有垂直行业经验的话，会更有机会）。

注：扩展阅读《深度报告 | AI新职位“人工智能训练师”》

2、但是，锻炼成长后，要明确自己的长期积累方向，是在哪个更能落地的领域，即，最好不要局限在给垂直行业大客户做项目的公司，更好的可能性是

1）2B，阿里、滴滴这类大公司内部的智能客服部门；自己公司内，就有很好的落地场景、用户量、数据和锻炼机会。

2）2B，价值方向不是“准确度”或“问题解决率”，而是直接阐述商业价值——如何能帮他拉新、提高转化率、提高满意度等。

3）2C，有更多的产品创新可能性。