iT邦幫忙

2025 iThome 鐵人賽

DAY 4
2
生成式 AI

AI協作開發實戰:從需求到原型的挑戦系列 第 4

專案啟動 - 當AI遇見真實業務需求(下)

  • 分享至 

  • xImage
  •  

昨天分享了團隊決定啟動專案後的規劃階段,今天要來聊聊當我們真正開始執行時發生的事情。這是一個關於「理想與現實的差距」的故事,也是我們學會如何在AI協助下,找到真正解決問題方法的重要轉折點。

AI協助準備線下訪談

決定啟動專案後,我們的第一步是進行實地訪談。我提供給Claude目前已知的業務流程與痛點圖,並請他協助準備訪談大綱:

我的Prompt:
https://ithelp.ithome.com.tw/upload/images/20250904/20178150YCRXY6LmZ2.png

"這是我原本業務夥伴作業的流程圖,以及大略知道的痛點,請幫我設計一份針對門市銷售人員的訪談大綱,根據流程幫我規劃問題,訪談業務夥伴們在現有系統中遇到的狀況,或是困擾的地方。訪談對象是門市的業務同事。"

Claude產出的訪談大綱:

  • 產品諮詢過程中,有大略知道這時間大約會多久嗎?
  • 目前建立一張訂單哪些步驟特別耗時?
  • 您需要重複輸入哪些資訊?這些重複輸入會導致什麼問題?
  • 目前建立會員資料最大的困難是什麼?
  • 從接客到完成結帳,整個流程平均需要多少時間?

我當時看著這份大綱,覺得:「結構很完整,好像跟我想像想問的差不多,應該能收集到需要的資訊。」

週末門市實地觀察

在正式訪談前,我利用週末時間到門市實地觀察。這個決定證明是非常正確的,因為親眼看到的和想像中的差距很大。

觀察到的真實流程

從「接客」到「付款」,我發現整個流程遠比想像中複雜:

接客階段:

  • 有些客戶很明確知道要買什麼
  • 有些客戶只是逛逛,需要大量諮詢
  • 還有客戶是被朋友推薦來的,帶著特定需求

產品諮詢階段:

  • 同事需要在系統中查找產品資訊
  • 客戶會比較不同商品的價格和規格
  • 經常需要確認庫存

建立客戶&訂單階段:

  • 客戶資料的建立方式因人而異
  • 訂單複雜度差異很大
  • 促銷計算和特殊需求處理耗時不同

第一個重要發現:每個環節的時間差異很大,而且充滿變數。

第一輪訪談:理想與現實的碰撞

AI準備的問題太理想化

使用Claude準備的問題進行訪談時,我發現了一個關鍵問題:

AI的問題:「目前建立一張訂單哪些步驟特別耗時?」

實際對話:

  • 我: 「在建立一個訂單的時候,有沒有哪邊會卡很久?」
  • 同事A: 「嗯...還好吧...」(沉默)
  • 同事A: 「我好像沒有什麼特別的,每天都在用。」

我意識到,AI擅長產生邏輯性的問題,但缺乏引導對方開口的技巧。

調整策略:具體情境引導

我改變了提問方式,從抽象轉向具體:

改為: 「昨天那個買沙發的客人,你記得從他進門到最後付款大概花了多長時間嗎?」

這樣一問,同事立刻打開話匣子:

同事A:

  • 「喔那個!他很龜毛,光挑顏色就半小時...」
  • 「然後系統突然被登出了,我要重新登入,他在旁邊等...」
  • 「最後算結帳的時候,因為刷卡沒過,又遇到了要查是什麼問題...」

關鍵學習:具體情境比抽象問題更能引出真實經驗。

第二輪訪談:發現問題的複雜性

不同人,不同答案

當我訪談第二位同事時,得到了完全不同的回饋:

同事B:

  • 「系統我覺得還OK啊,主要是客人的問題比較多...」
  • 「每個客人需求不一樣,有的買的多有的買的少,很難統一一個時間...」
  • 「退換貨在計算促銷價格時,會比較麻煩,要重算,可能還會算錯...」

浮動的答案背後的原因

經過深入了解,我發現答案浮動的兩個主要原因:

原因一:每個人的系統操作方式不同

  • 有人習慣開很多視窗同時作業
  • 有人喜歡一個步驟一個步驟來
  • 有人會用快捷鍵,有人完全用滑鼠點選

原因二:客戶購買情境差異很大

  • 買單品客戶:看中某個商品,決定快速,流程簡單
  • 整套採購客戶:需要搭配多樣商品,諮詢時間長,比較複雜
  • 猶豫型客戶:需要大量產品說明和比較,反覆確認
  • 明確目標客戶:知道要買什麼,但會詳細詢問規格和價格

第二個重要發現:人的因素比系統因素更複雜,而且難以標準化。

歸納痛點:訪談之外的觀察

訪談的現實限制

經過兩輪訪談後,我們意識到一個重要問題:不可能訪談到所有人,而且正式訪談得到的回饋往往不是最真實的。

實際情況是:

  • 門市人員平常工作很忙,不是每個人都有時間接受訪談
  • 正式訪談時,大家會比較客氣,不一定說出真心話
  • 有些問題要在實際使用過程中才會顯現

平時觀察的重要性

真正的痛點,其實來自於平時的觀察和收集:

日常工作中的抱怨:

  • 「又當機了!」- 這是最常聽到的
  • 「我剛才做到哪裡了?」- 當機後的困擾
  • 「客人在等,請協助查詢付款狀況...」- 服務壓力

非正式聊天中的反饋:

  • 午餐時間的閒聊
  • 下班後的抱怨
  • 同事間互相求助的對話

實際工作場景的觀察:

  • 看到同事皺眉盯著螢幕
  • 聽到客人不耐煩的聲音
  • 觀察到重複操作的頻率

綜合歸納的共同痛點

結合訪談內容和平時觀察,我們歸納出幾個主要的共同痛點:

系統穩定性問題

  • 「登出後要重新來,客人會不耐煩」
  • 「不確定剛才的資料有沒有存到」

操作記憶問題

  • 「被登出後忘記剛才做到哪裡」
  • 「沒辦法同時多個客戶建立訂單」

客戶服務壓力

  • 「客人等太久會質疑我們的專業」
  • 「系統慢讓客人覺得我們效率差」
  • 「特殊需求的客人最難處理」

從訪談到量化:策略轉變的關鍵決策

訪談的局限性

經過兩輪訪談,我們發現了一個重要問題:

訪談的變數太多,無法量化

  • 每個人的表達能力不同
  • 記憶會有偏差和遺漏
  • 主觀感受難以客觀比較
  • 無法獲得精確的數據支撐

訪談的變數太多,無法量化

  • 每個人的表達能力不同
  • 記憶會有偏差和遺漏
  • 主觀感受難以客觀比較
  • 無法獲得精確的數據支撐

我和老闆討論這個困擾時,老闆提出了一個想法:

老闆:「我在想,有沒有什麼量化的方式,可以做一些紀錄,無論是現在或是之後改版後,可以有個宏觀的角度去分析這件事」

我:「你是說要量化這些流程?」

老闆:「對,如果我們能知道每個步驟實際花了多少時間,就能找到真正的問題所在。」

這個想法讓我們有了新的方向思考。

向AI請教量化的可行性

有了量化的想法後,我帶著這個問題去請教Claude:

Prompt:

"我們進行了門市人員訪談,但發現每個人的回饋差異很大,而且難以量化。現在想要改用量化的方式來了解真實的系統使用狀況,請問有什麼可行的建議?"

Claude的建議:

  • 建議採用實際操作記錄的方式
  • 從系統層面追蹤使用者行為
  • 量化每個操作步驟的實際耗時
  • 建立可比較的數據基準

進一步討論:量化的挑戰

帶著Claude的建議,我和老闆進一步討論實際的可行性:

老闆的擔心:「量化聽起來很理想,但我們可以怎麼做?」

我的考量:「還有一個問題是,門市人員會願意配合嗎?會不會覺得被監控?」

老闆:「這些都是要解決的問題,但如果我們能找到不影響正常營運的方式,量化絕對是對的方向。」

經過討論,我們達成初步共識:量化方向是對的,但需要找到最可行的實作方式。

找到對的問題比找到答案更重要

這次經驗的關鍵學習

通過這次從訪談到量化的思考轉變,我學到了幾個重要概念:

  1. 內部討論產生關鍵洞察
    當我們陷入訪談結果太主觀的困擾時,和老闆的討論讓我們想到了量化的新方向。

  2. 問題定義比解決方案更關鍵
    從「如何改善系統」轉向「如何量化問題」,改善系統是必然,但是量化會讓我們更明確我們要改善的方向。

  3. AI是驗證想法的好工具
    有了量化的想法後,AI協助我們思考具體的實作可能性和注意事項。

  4. 數據勝過主觀感受
    當主觀訪談無法提供明確答案時,客觀數據是更可靠的選擇。

目前的狀況

現在我們確定了方向:要做量化,但還需要找到最適合的執行方式。

接下來的挑戰是:如何在不影響現有營運的情況下,建立一個可行的時間記錄機制?


上一篇
專案啟動 - 當AI遇見真實業務需求(中)
下一篇
人機協作找答案 - AI引導下的系統量化之路(上)
系列文
AI協作開發實戰:從需求到原型的挑戦5
圖片
  熱門推薦
圖片
{{ item.channelVendor }} | {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言