咨询案例:利益相关人地图的应用

这次是一家做AI客服的公司(以下简称S公司),靠既有的产品和销售拿下了一些电商客户(以下都称作用户),但增长碰到了瓶颈,于是,我们去了一趟。

照例,我们从理解用户开始,S公司其实很重视他们的用户,有专门的“客户成功”团队,所以,基础还是不错的,已经有了海量的用户故事。

注:对于不太了解用户的情形下,起点还是得从和用户的互动开始,去获取用户的故事(谁/什么情况下/做什么事/碰到了什么问题……)

接下来,就是从用户故事中抽象用户角色。

注:这里可以用一些分类工具,比如亲和图;额外的,可以理解一下这句话“用户是需求的合集,需求是场景的合集”

按照通常的理解,一个2b的SaaS类产品,有两种关键角色,一是老板(负责做购买决策),二是一线客服(最终使用产品)。

我们在梳理用户故事的时候,重点去探讨有没有被忽视的角色。

确实有些发现。

第一,客服主管/总监。

老板在做购买决策的时候,会参考他们的意见;平时,他们要管理一线客服;每隔一段时间,他们要考核一线客服。

注:这种角色的发现,可以从已经识别的角色出发,探索他们的一天、一周、一月甚至更长时间的(和产品领域有关的)工作生活,都与哪些其他角色发生互动

第二,AI机器人训练师。

这是一种崭新的角色,想要AI客服效果好,对其训练就很关键,要配置很多内容,而且,这活儿不只是初始化的时候要做,对卖家来说,日常上了新品、做了活动,都要不断去训练AI。对于这个原来没有的角色,大多数公司都让客服主管或者比较资深的一线客服来承担了。

这里是个关键点,这个角色为什么要单列出来?

因为他的需求场景太过于独特,于是,就不能算作客服人员的一种需求了,这叫做把自然人的角色分离。这里我再举个例子方便你理解,顺风车这样的产品,同一个自然人,有时候是司机,有时候是乘客,在做产品的视角下,一定是当做两个角色来对待,而不能说司机这个角色,有时候也有坐车的需求。

用户角色,只给你举两个例子,其他角色的识别,我们就不说了。

然后,就是关键的一步,用“影响力/收益性”的二象限图来分析关键角色,这是一种常用的利益相关人地图。

注:还有同心圆的图、以某角色为中心的网状图……用哪种图,要靠经验视情况而定

大家把各种角色在图中定位,经过讨论,简化的结果如下图。

注:角色在图中定位,现场需要用到一些引导技巧,让团队达成共识

纵轴影响力,是指某个角色,现在,在整个用户生态(不仅仅是已有用户)中的影响力,即他在各种角色中的话语权大小,所以最下方为0最上方为正无穷。

横轴收益性,只是现状,现有产品给各种角色带来了收益还是损失,或者换个角度,某角色会成为产品成功的动力还是阻力,左边为负,右边为正。

注:横轴纵轴含义的定义,也是可以讨论的

我只在上图里放了4个关键角色,从第一象限开始依次说。

注:现场我们识别出了十几个角色,如何判断角色的重要性,要和团队一起讨论出共识,可以用一些引导工具,这里不展开

老板,影响力最大,因为产品提升了客服团队的效率,于是就不用招那么多人了,省了钱,收益为正。

客服主管,影响力也不小,但目前的产品没给他带来收益。在有了产品之后,他们其实是略有不爽的,因为客服团队的人数,有可能要下降了,他在公司里的地位和话语权也就会随之下降,而且,原来对人工客服的考核模式,在新的情况下也不适用了,有点茫然。

训练师,影响力不够,而且因为没有建立起考核机制,经常吃力不讨好,收益为负。对身兼数职的训练师来说,感觉是多了一项工作,做多错多。而AI客服将来的效果好坏,又是严重依赖于他们的。

一线客服,这里指的只是留下来的优秀客服,影响力很小,但收益为正,和AI配合良好的客服,职业竞争力会提升。

好了,现在的产品有什么问题,已经很清楚了。通常来讲,我们要特别关注收益为负的重要角色,尤其是影响力大的。

注:常见的错误是,画出图,发现没有负收益的角色,通常,这说明对用户生态的理解不到位,一个生态里,原来没有我们的产品,后来有了,所有人都因此获益的可能性极小

对于客服主管,我们要把他往图中的右侧移。

需要提升他们的收益,才能让他们成为产品成功的助力,当前的情况下,他们很可能在老板那里说产品不好用,导致退款(产品提供了一段时间的试用、可退款期)。具体的做法,比如给他们赋能,提供新常态下的考核模板,提供团队绩效仪表盘,让他们可以在老板面前show价值,等等。而这些,在原先的产品(狭义产品,IT系统)里是被忽视的。

对于AI训练师,我们要把他往图中的右上方移。

从销售过程中,就要让老板知道这个角色的重要性,然后在日常工作中,可以让他们的管理者明白,应该如何考核、奖惩训练师,并且作为产品服务系统的整体,应该给他们提供更多培训服务类的帮助,这可以大大提升产品的使用效果。更进一步,提升他们的职业荣誉感,让其体会到在人工智能时代,这是抓住时代红利的职业选择。

注:你会发现,产品的加入、优化,会随着时间改变利益相关人地图,所以,常画常新

要不要试着画一下自己产品的?

嗯,这还只是理解用户的开始,往下继续还有很多要做的,比如把散点的角色连成一个网络,画成一个生态系统的样子,再有,关键角色关键场景下的用户旅程图分析……这篇里就不说了。

更多利益相关人地图的话题,点击原文,免费试听课程第03讲。

__________

苏杰(iamsujie),前阿里产品经理,写过《人人都是产品经理》等三本书,现在做创业者服务,良仓孵化器创始合伙人,也是产品创新独立顾问。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值