智能AI和多媒体崛起环境中，如何从用户视角构建问题分类体系滴滴出行体验服务发展平台 ESE

panjl | 2023年12月26日 | 2023年 | 评论已关闭 | 361

服务体系的定位是什么？传统理解就是解决用户的问题，同时加深问题的分析和理解，进而推动体验的提升。简单来说就是解决问题，降低问题的发生。这里面有一个关键信息点，就是什么是用户的需求（也就是前面说的“问题”），以及什么是需求（问题）的全集？

过往很多时候，从业者们的思考更多集中在当用户进入人工队列或者接起后的问题表述，也就是当前我们通称的人工服务量或者CPO。但从用户获取帮助的全路径上看，这个考量结果并不完整。随着智能技术的发展，越来越多的智能化能力得到应用，包括文本/语音机器人、自助化功能等，并形成了企业为用户提供服务的集合门户。

用户带着需求（问题）找到客服，通过服务门户寻找相应的解决方案，然而问题解决或没有解决，在整体的用户问题列表中并没有有效的结构化记录和分析结果。因此我们从体验的全集思考，应该从传统的人工CPO视角，扩展到智能+人工的视角。同时今天多媒体的蓬勃发展，用户也已经习惯在UGC环境下表达感知和意见，对于全集的思考也需要进一步延伸到UGC环境的反馈+智能路径+人工服务。

考虑到如此多样的应用环境，如果依然沿用传统单一人工环境下的非结构化问题分类，没有办法对用户的需求进行精准的分析和理解，更多的时候表现为单独的case或者问题的反馈，因而也没有办法进行重点方向的全局思考与选择。基于以上背景的思考，全面升级问题分类体系，让问题分类体系可以支持多维度输入、UGC环境、智能以及人工的分类，全面统一语言体系，是服务体系升级的重要基础。

ABC体系的诞生

在构建问题分类体系的过程中，我们从服务体系顶层逻辑设定出发，需要从3个视角思考分类的基础。第一，毋庸置疑最重要的是用户视角，也就是说用户感知的是什么，例如端上的信息等，降低理解用户的难度；第二，员工视角，这套体系怎么让内部员工能方便的构建和使用，也更方便员工的理解；第三，运营视角，建立问题分类体系要有标准和规范，确保问题分类体系可以长时间稳定的运营，结构和逻辑尽可能的清晰易懂，符合MECE原则。

我们在验证这套问题分类体系过程中也邀请了员工、专家、用户参与，更使用了智能自动文本分析能力来构建新的问题分类框架和结构，过程中实现真实场景的穿刺和演练，综合人工模拟和机器模拟的方式，最终构建出一套整体的问题分类体系——ABC体系。

ABC体系的结构为A类型、B行为触点、C聚合场景。

A指的是问题类型区分，不管用户通过什么渠道来表述他的问题，可能有困惑需要帮助的咨询类问题，或者是体验受到损伤的投诉类问题，我们要先进行问题类型的区分。

B为行为触点，即用户在使用我们产品过程中，所有可能跟我们产生联系的环节需要明确。这就需要我们根据用户和产品的交互触点，梳理出完整的用户旅程（Customer Journey），比如一位乘客在首次发起叫车时，至少会经历“了解滴滴-注册成为用户-发单-等待接驾-行程服务-支付-评价反馈/寻求帮助等环节”。在每个旅程环节，都有若干行为触点，根据时间顺序、功能、并列展示、组合说明等方式梳理出完整的触点，像在“等待接驾”环节，用户和产品之间就延展出“等待接单、等待司机、取消”等行为触点。

C是聚合场景，我们需要在每个行为触点下面，把用户有可能遇到的具体问题集合，并放在服务体系中做出精细的流程设计。假设在“取消”行为触点中，随之产生的场景讲可能包括“不认可取消费、联系不上司机、司机不来接我、行程有变”等。

数据能力、运营系统为ABC系统稳定护航

清晰了ABC系统的结构后，我们还需要从2个层面确保结构和机制长期有效——数据层和运营系统层，作为最基础的核心底层逻辑，准确性和完整性是必须长期保持的。在数据层构建思考，首先确保不影响现行状态下的可持续动作是首选的。我们倾向采用以ABC为基础的中间态建设进行当前人智场景挂接映射的方式，而非推翻重建来进行项目的展开，逐步迁移到独立状态，可以在不影响当前业务的情况下以最小成本达成场景粒度话语体系统一的目的。

为达成上述目标，我们通过全量问题的评估盘点及聚类，来保障问题池总量的合理可控，并通过一套完整的运营识别机制，通过流量波动反向监控不合理的挂接晃动，同时通过AI相似性和文本分析、话语体系的统一、降低信息差造成的同名不同义等口径问题的出现，保障数据侧的一致性，通过数据资产全路径追溯能力，源头收拢来保证统一和可追溯。

运营系统层，在“服务场景”的管理环节中，我们将场景定义为独立的实体，并采用了树形结构，支持动态的层级扩展。这避免了人工与智能问题划分对“服务场景分类”的潜在影响。同时，我们确保了场景划分的合理性和长期可维护性，兼顾了系统的可扩展性，以便快速适应业务场景颗粒度的调整，并满足日益精细化的运营需求。

在连接人工/智能问题与服务场景的过程中，我们融合了各种服务方式问题的配置模式，建立了一套统一的运营机制流程，从创建、审批、上线到数据监控，以及相应的反馈机制，完整的运营链条形成了系统能力，保证了运营机制的标准化。此外，我们还提供了基于规则和AI的能力，做到场景推荐能力，以降低服务场景挂接时的选择难度，确保挂接的准确性和效率，探索利用LLM能力来进一步提升服务场景的生产质量和管理效率。

通过问题分类体系的统一建设，一方面可以将智能服务方式中类似UGC的语言转化成结构化的语言，并实现和人工侧的工单标题对齐；另一方面可以在不同颗粒度进行问题的拆解，如在B行为触点层面，可以看不完美体验高发的用户旅程及相应的触点环节，在C聚合场景层面，可以看用户具体的痛点问题场景集合。

通过服务体系看清体验数据，也有助于体验团队准确衡量体验问题的大小及优先级，合理分配业务资源，同时综合分析，看清楚导致这些体验问题的根源，专项优化，从源头减少问题的发生，降低问题出现的概率。

通过人工和智能针对同一体验问题解决能力的研究分析，合理布局人工、智能解决方案，降低服务成本，提升整体解决能力，加快甚至前置解决用户可能会出现的问题。“降发生”和“提解决”两手抓，降低问题出现概率，持续改善用户体验。

在智能技术普遍应用于服务体系场景、海量用户声音淹没在多媒体平台的综合背景下，从用户视角构建问题分类体系的ABC体系，为服务体系的高质量转型，提供新的解题思路。

作者谢华、郑晨、李东来、孙铭霞、胡晓运、田锦秀、张扬、赵晓彤、蒋小钧、张昭、胡萌娇等人；滴滴出行体验服务发展平台业务第一中心、业务第二中心、运营管理中心、用户价值发展中心等团队。

本文刊载于《客户世界》文集2023第四辑•数据与智能。