如何从0到1设计搭建AI售前营销机器人？

咖喱鱼蛋egg 2023-07-23 06:22:27

笔者目前在国内一家AI厂商从事AI PM的工作，产品主要面对的主要是某行业的售前营销场景业务。不同于市面上主流的售后机器人的对话产品，该行业的售前机器人有其特殊的行业特性与对话产品需求点。根据以往的实践与归纳总结的AI对话设计方法论，本文通过阐释基于该行业的对话产品设计流程与思路，拆解从0到1搭建售前营销机器人的过程。

以下是本文的思路框架与概览。

产品经理，产品经理网站

一、行业背景概况

在介绍对话产品设计之前，先介绍一下行业的业务背景。

笔者所面对的行业，为某垂直领域的行业。该行业中，又有更进一步的行业细分，分为行业1，行业2，行业3，等等。行业间有如下特点：

整个大行业有共通的业务特性、业务场景与用户诉求点；
细分行业间，有部分共同的行业知识，但每个细分行业，又有各自单独的行业知识；
人工客服接待对话的场景，细分行业间有共通的对话技巧与思路，但同时每个细分行业又有各自的独特性；
不同的细分行业，售前对话思路有所差异。根据对售前客服接待的难易程度，可将对话复杂度分为：高、中、低 3个层级。各细分行业的分布占比大致为高：中：低 =1:7:2；

目前由于业务线处于初步阶段与持续完善阶段，本文先从业务 对话复杂度等级为高 的细分行业为例，具体阐释对话产品设计的流程与思路。

二、对话设计流程

1. 业务分析

业务分析主要是对细分行业的整体情况做分析，目的是为对话产品设计提供对话知识框架和对话设计思路。主要包括2个方向：行业特性分析 和 对话场景分析。

1.1 行业特性分析

行业特性分析，指的是对该行业的知识体系做梳理，并对现有人工客服接待的对话访客特征做分析。

1.1.1 知识体系梳理

重要性

每个行业内，都有其独有的知识体系。知识体系分析，对于对话产品设计来说至关重要。它决定了整个对话机器人的应答语料话术库的整体方向与内容，起了方向性的作用。

如何做

一般AI PM需要根据业务需要，与数据工程师配合，进行相关信息的获取与梳理。主要通过以下几种方式：

1）人工对话数据抽取分析

从已有的人工客服接待对话数据中，抽取行业知识框架体系中的关键信息，从而梳理构建行业知识框架。包括不限于实体关键信息的抽取，通过无监督学习的聚类（如K-means聚类等）等方式获取信息分类，等等。

抽取之后的数据，需要进行人工筛选和梳理，输出相应的知识框架结构。

2）用户调研

用户调研的方式是从另一个维度去考量分析行业知识。主要通过与行业专家（通常是客户）做用户访谈的形式来进行。

行业专家是对该行业有深刻理解且有深厚的知识沉淀的专家，TA会对行业有一套抽象归纳的知识结果。这是对1）点中数据抽取方式的有效补充。数据抽取的角度，主要是基于数据特性的归类与抽象，用户调研可从业务角度进行补充和方向调优。避免出现技术实现的数据分析，与业务脱轨、偏离方向的各类情况。

3）其他各方资料信息搜集

资料信息搜集，包括各种网上资料、线下书籍等，作为知识查询的补充。通常在各类的行业领域资讯网会有相应的资料可查询，有必要可安排数据工程师做数据爬虫。但得到的数据也仅供知识框架分析用，若要作为话术语料，则需进一步清洗和筛选。

1.1.2 访客特征分析

笔者在做AI PM之前，做过2年的互联网PM。在做AI产品设计时，其实很多时候都会运用到做互联网设计的方法论，即使实际的工作内容不同，但是思维是一致的。比如访客特征分析下，主要是对进入对话的访客做特征分析，即访客用户画像。目的是为了形成对话产品服务的C端用户的关键信息特征与需求分析，进而做相应的对话设计。

访客特征分析主要对以下几个特征进行分析与归类：

角色
基本信息（性别、年龄、主诉载体、来源渠道）
对话目的（为什么/会怎样/怎么办/可做什么）
表达方式
用户情绪
用户预期
访客留联意愿度

（根据业务需要，会进行标签维度的新增）

访客用户画像的理想方式是通过大数据/深度学习的方式做数据分析，但基于现实情况（产品线人力物力等因素）还未能做到如此精细化，前期我们会通过AI PM与数据工程师配合的方式来实行。

1.1.3 人工对话思路分析

弱人工智能时代，我们基于的假设是，机器人还无法超越人工。人工客服的行为是给机器人的一个目标和方向。所以在这样的假设前提下，我们对于对话机器人的设定主要在于“仿真”，即模拟优秀人工客服对话的方式进行对话。我们通过对优秀人工客服对话语料的分析，提取出对话思路与对话语料，作为机器人答疑和引导的方向和素材。

1.2 对话场景分析

除了做行业特性分析，业务分析另一大重要内容是对话场景分析，旨在确定和拆解访客进入对话的场景，为后续的对话设计做基础准备。

1.2.1 场景划分

主要进行场景的确定，梳理出场景列表。同时分析统计出各场景在该行业对话咨询中的占比，进而统计出，各场景覆盖业务范围。这样我们就可以得到，哪些场景是我们需要重点关注设计的场景，哪些场景是可以无需花太多精力来设计准备。

1.2.2 场景详情分析

场景详情包括：场景访客特征、场景访客问题、场景客服引导思路、场景对话特征 的分析。

场景访客特征：该场景下的访客的访客特征分析，具体分析维度的思路与“1.1.2 访客特征分析” 同，输出结果是该场景的访客特征标签；
场景访客问题：该场景下访客问题的统计，基本可以归纳为：为什么/会怎样/怎么办/可做什么；
场景客服引导思路：总结归纳该场景下客服引导思路，包括对话流程思路与话术，作为后续设计的指导素材。

1.2.3 分析方式

分析方式主要为两种：人工对话数据分析 和 用户访谈。基本方式与上文介绍同。值得说明的是，场景详情分析重要性极高，价值主要在于为对话产品设计提供方向和业务参考，保证后续设计和开发的方向不至于走偏，是指导性的调研分析。

2. 机器人产品定义

在了解了行业知识体系框架与优秀人工客服对话思路后，我们对要设计的对话机器人就有了方向和框架性的认知。即：对于我们要设计怎样的机器人，这样的机器人如何去满足业务要求，机器人的能力/功能要达到什么样的程度，有了基本的了解和认知。接下去我们就可以对机器人产品做定义。

机器人产品定义可以分为2部分：机器人人物形象设定 与 机器人能力界定。

2.1 机器人人物形象设定

对访客而言，在对话过程中，人工客服/机器人的接待是有人物特性的，体现在对话的多个方面：人物形象、对话语言、对话节奏等等。同时，人物特征对于对话引导效果，是在潜移默化中的，一句话术、一个间隔等，都是人物特征的表征形式。所以需要对机器人做人物形象设定。

主要从以下几个层面：

视觉形象：

主要包括机器人头像、昵称、对话框信息展示与交互效果。该行业默认设定的客服是亲切地、富有亲和力的、体贴的等等，可以建立标签来衡量。

人物个性：

主要包括语言风格和对话节奏风格。

1）语言风格 指的是机器人使用话术的风格，将会贯穿对话始终，涉及后续话术库的建立和审核，需根据话术风格建立标准；

2）对话节奏风格 指的是在对话过程中，机器人发送话术的节奏，以及在等待应答阶段的对话交互。机器人发送话术的节奏，涉及到对话序列策略的设计，比如每间隔N秒发送一句话术，或者根据话术长度决定发送等待时长。

当然，具体的设计涉及诸多异常情况的设计需要考虑，如访客在等待时间内连续发送多条话术的处理等待。等待应答阶段的对话交互，有针对性的设计会让访客对话体验更像是在跟真人对话一样，如我们会在访客等待机器人发送话术的间隔时间内，在前端显示“正在输入…”的提示，让“仿真”更加“仿真”。

2.2 机器人能力界定

根据机器人在对话中所需承担的业务价值，可将机器人进行能力拆分。在互联网产品设计中，PM需要根据业务需求规划产品功能，并做功能拆解。AI PM也一样，根据业务需求划定机器人的能力边界，并做能力拆分。

我们会先划定，基于业务背景，结合现有的AI技术，机器人需要达到怎样的能力，才能满足业务需求。需要实现什么能力？什么能力是必要的；什么能力是选要的；什么能力是没有必要的。

根据划定的能力范围，我们又会根据场景，拆解细分的机器人能力。比如，场景1中，机器人的答疑能力、引导能力、暖和对话能力的细分拆解；场景2中……需穷举所有场景的机器人所有能力，可定量的需定量描述；不可定量的需定性描述，并附上相应的评估指标（若无指标，需附上评估指标策略建议）。

机器人能力的界定，可以为整个对话产品的研发测试工作起到关键作用。换言之，即需求定义明确且可量化。对话产品的几个特点就是，不好评估、衡量主观性大，对话未能覆盖的业务范围会比预期更大。在前期作用能力界定是非常重要的，同时也避免开发团队内部与外部沟通对接、与客户对接的诸多问题。机器人能力的界定，也为产品设计开发测试完成之后的产品验收做基础准备。

3. 机器人框架确定

在该行业中，访客一般是带着自身的问题/疑惑进入到对话的（除了骚扰的访客），即我们可以默认访客都是带着目的进入对话的（可参见上文访客特征分析），这同时也是我们的 任务型对话 所要解决的问题。

所以我们根据访客的场景主题和在该场景下的访客各类意图，来框定机器人的对话内容框架。

主题：根据对话场景分析的结果，可将对话主题进行拆分。（注：不同于NLP行业内主流的任务型对话机器人，笔者产品所面对的行业，不同的主题间界限较不明确，且存在众多主题跳转的情况。这对于后续对话流程的设计，是一大考验难点。）主题确定和拆分主要考虑几个点：主题覆盖率、主题颗粒度、主题下答疑与引导的预设。同时，在完成这一步后，需要确定和撰写主题标注规范，让后续的数据标注与对话测试，都有一个参照标准。
意图：意图是每个对话场景主题下，访客的对话目的。我们会汇总所有场景下的意图，做整理和分析，并框定对话中的意图。作为NLU的主要成分，机器人识别的意图在对话中的角色至关重要，将主导对话的进展与聊天的方向。而意图的框定又是其根源的决策，所以需要考虑诸多影响因素。与主题的方法类似，意图确定和拆分也会考虑相同的几个点：主题覆盖率、主题颗粒度、主题下答疑与引导的预设。同时，也会确定和撰写意图标注规范，方法同上。

4. 对话产品设计与开发

做了前期的分析与准备之后，下一步就进入了从0到1搭建售前机器人的核心环节：对话产品设计与开发。在阐释具体的方法论之前，我们先看机器人的对话整体框架是如何的，相信这张图在诸多文章中都出现过：

产品经理，产品经理网站

这也是当前NLP领域对话机器人通用的处理逻辑，即：

NLU（自然语言理解）：访客输入信息，通过NLU的解析，将自然语言转化为机器人可理解的语言。
DM（对话管理）：NLU的识别结果，通过对话管理的处理，输出相应的信息回应。对话管理的过程，可理解为机器人的“脑处理”机制，类比于人类的大脑。
NLG（自然语言生成）：根据对话管理处理的结果，进行语言生成。这部分的处理，目前我们暂时用话术库话术直接调用的方式来代替，未做语言生成的处理。

区别于互联网产品的设计与开发，对话机器人的设计，主要在于对话策略的设计。产品功能的载体，如对话界面展示，交互形式等，在对话产品设计中，只占一小部分的工作内容。所以在某种意义上，对话产品的设计，与“策略产品经理”的工作思维较为相像。

在对话产品设计中，AI PM不仅要了解业务，同时要对AI技术有充分的了解认知，需要知道AI技术的实现效果边界，以及AI技术实现的难度等等。通常需要与算法工程师配合，在对话产品设计与开发间，做尽可能多的无缝衔接。

4.1 NLU（自然语言理解）设计

NLU的设计，主要由AI PM主导对话需求和效果要求，实现层面由算法工程师负责。值得一提的是，现有的人工智能的核心虽然是各类AI算法，但是算法并不能解决所有问题。实际上在应用中，AI算法在对话产品中可能占比不到50%的功能实现，其他的部分需要算法之外的策略设计来实现，比如人为设定各式各样的规则处理等待。

基于行业业务形态，NLU的设计主要分为3部分：主题识别设计、意图识别设计、实体识别设计。

4.1.1 主题识别设计

在实际对话中，对话主题常常因为访客提供信息的变化，需发生相应的主题变化。基于现有的AI算法水平（还未到达会话级识别的能力），在主题识别上，需做一套可控的完备的规则进行相应的主题识别。

主题识别的设计，主要包括 主题映射设计 与 主题跳转设计 。

第一步，AI PM需让数据工程师抽取并整理出各实体与主题之间的关系映射表，并做相应的审核；
第二步，基于关系映射表，设计一套主题映射规则。基于对话业务，进行映射权重关系、分值计算、主题跳转触发机制的设计。

主题识别的机制，在算法能力不成熟的情况，主要通过人工制定规则的方式来实现。在效果上，可以暂时达到相应的业务需求，但是，随着业务复杂度上升，规则的局限性便会暴露出来。

规则的优势在于，可量化、可控，且容易直接地达到人的预期。但是劣势同样也明显，规则不具有泛化能力，规则覆盖不到的范围，基本上属于“人工智障”的范畴。并且，一旦规则越来越多后，规则间就会出现重叠、互斥等问题，会超出预想的结果预期。同时这也为后面的异常流程设计、兜底话术等的设计，又提高了难度要求。

4.1.2 意图识别设计

意图识别方面，对AI PM来说，主要是做意图识别规则的设计，体现在与算法模型训练的结合上。如：算法识别结果是单意图 or 多意图，识别优先级如何确定，识别结果如何使用，等等。相应的规则需确定并落成文档，方便在后续的对话流程设计中使用。

同时，意图识别的模型训练，目前主要使用的是有监督学习的算法，需要数据标注团队进行数据的标注，给到算法模型训练。所以在意图确认后，就需要有意图标注规范，目前由AI PM根据业务来撰写。

当算法模型训练完成后，AI PM需要进行验收，需要关注几个AI基础指标：P值（准确率）、R值（召回率）、F1值。当然，单纯的技术指标并不能完全说明对话效果，还需在后续的对话测试中，验证对话的体验效果。

4.1.3 实体识别设计

实体指的是访客发送信息中抽取的有实际意义的信息，基本可以代表信息传递的有价值内容。算法工程师会根据行业特征，抽取所有细分行业中通用的实体信息，并做相应的 实体对齐（归一化）。

举个例子，比如实体“电话号码”，其他的表述方式如“手机号”、“联系方式”、“手机号码”等等多种表述方式，都会归一化为“电话号码”，这样可提高机器人识别的泛化能力，而不是仅限于“关键词”。

AI PM的职责是审核实体列表与实体归一化结果。通常来讲，技术实现的只是基于数据特征的抽象，可能符合/不符合业务需求。笔者的做法是，找行业专家审核一遍训练结果，让行业专家通过专业角度来判别与提供建议，并进行相应的调整优化。

同样的，实体识别模型训练后，我们也会关注几个AI基础指标：P值（准确率）、R值（召回率）、F1值，来衡量模型训练的效果。

4.2 DM（对话管理）设计

对话管理是机器人的“大脑”，是机器人行为的处理枢纽，可见其在对话机器人中的核心地位。对话管理主要分为DP（对话策略）设计 和 DST（对话状态追踪）设计。

4.2.1 DP（对话策略）设计

DP（对话策略）即机器人的对话逻辑处理机制，也就是机器人如何利用识别到的访客对话信息，做机器人的应答逻辑处理。在DP中，包含大量的流程逻辑处理，以及话术库调用机制。

4.2.1.1 对话流程框架

设计初期，需要构建对话流程的总体框架。包括几大功能模块，以及模块间是如何的逻辑处理方式。一般输出结果为对话逻辑流程图。当然，这需要与应用层开发工程师沟通协商实际实现难度与效果。

4.2.1.2 对话主功能模块

对于该行业对话机器人来讲，对话主功能模块主要有2大部分：答疑模块和引导模块。答疑主要解决的是访客疑惑解答的问题；引导主要解决的是用户（B端）营销获联的问题。

答疑模块：

根据条件触发机制的不同，我们将机器人所调用的话术，划分为几个话术库，分别承担不同的答疑任务，覆盖不同方面的访客问题。话术库包括：知识图谱、FAQ话术库、兜底话术库。

知识图谱：知识图谱本质上是解决实体架构与实体之间联系的组织，它可通过一个实体指向与它有关联的任一实体，在对话机器人答疑中，起到无法替代的作用。知识图谱的复杂程度，决定了对话应答的智能程度。同时，知识图谱对应的话术，需要通过数据抽取的方式，从各种资源中获取，如：人工对话数据、网站爬虫等，通过数据清洗，构建相应的话术库。
FAQ话术库：FAQ是基于语义相似度计算匹配的问答对，本质上与对话主题、访客意图等，无太大关联。所以如何与之建立关联并让对话流程进行，是设计的难点。同时，AI PM一般也需要关注语义相似度计算匹配所使用AI技术实现效果的差一点。比如使用Bert与使用word2vec的差异点是什么？如何做取舍，如何对算法工程师提要求和优化点，等等。这个要求AI PM对各类常用的算法有足够深度的了解。
兜底话术库：兜底话术库的定位，即“兜底话术”。当机器人主要的话术库（上述3种）无法应答的问题出现时，只能使用兜底话术库来做应答。兜底话术特点，在于“通用”，它是普适性的。所以意味着这些话术答疑，回答得不会具有针对性。在对话中只可作为暂时性的过渡用，当兜底话术库出现次数增多后，用户体验将会大大降低。作为售前营销机器人，这是很影响访客留联意愿度的。反过来说，我们也可以通过统计对话中兜底话术出现的频次，来衡量对话效果。通用话术越多，表示机器人应答效果值越低。

引导模块：

引导模块主要体现为对话主题流程的设计，分为 主题引导 和 非主题引导 的设计。

主题引导：主要是各个主题的对话流程设计，旨在机器人可顺畅地、有递进层次关系地进行引导，最后促成访客留联的结果。包括几个组成部分：主题常规流程设计、引导action设计、重复问诊规避设计、主题跳转后流程设计。
非主题引导：非主题引导指的是，未进入主题流程的访客对话，需进行相应的引导。由于前期做了充分的主题分析，所以一般认定未落在预设主题范围内的访客问题，通常也是营销价值不大的访客，甚至是骚扰访客。基于这样的假设，非主题引导一般会讲该类访客，引导到主题引导流程中，同时保持对话顺畅，不至于出现对话断层的情况。

4.2.1.3 对话其他功能模块

在对话主要功能模块之外，我们还对对话进行补充功能设计，包括：欢迎语&引导语模块、暖场模块，以及其他根据行业需要新增的功能模块。

欢迎语&引导语模块： 欢迎语为访客进入对话后，机器人随即发送的第一句话术；引导语为访客进入对话后间隔N秒未说话，机器人发送的用于引导用户开口的话术。这个模块的设定，旨在引导访客开口发送消息，是机器人营销获联的基础。
暖场模块：暖场即在对话进行中时，访客间隔N秒未说话时，机器人会自动发送一句话术，用于暖和对话，引导访客继续开口，以使对话进程进行。

4.2.1.4 对话序列发送机制

对话序列发送机制，通俗讲即，机器人每间隔多长时间发送话术，每次发送几句话术；当间隔时间内，访客联系发送消息，机器人应做如何的处理，未发出的话术序列应做如何取舍和优先级排序，等等。对话序列发送机制，旨在让机器人的对话应答，与人的应答更相像，在“仿真”程度上尽可能地接近人工，降低访客对“机器”的感知程度。

4.2.2 DST（对话状态追踪）

对话状态追踪，指的是在对话进行过程中，机器人自动记录的对话关键信息。信息包括访客信息、对话状态信息，以及机器人动作信息的记录。用于保证对话进行中的信息记录和信息更新，为机器人应答提供必要的信息来源。

DST 对话状态追踪的设计，主要包括：DST信息字典设计 和 DST信息更新规则 设计。

DST信息字典设计 即设计DST需要记录哪些信息，通常在技术实现端会以 session 的方式来记录，具体的设计需与相关开发工程师确定。
DST信息更新规则 即DST记录的信息，当对话进行时，如何进行相关信息的更新，确保更新前后信息无误，且能为机器人的应答提供有效的信息源。

4.3 NLG（自然语言生成）

NLG主要是通过语言素材进行自动生成的过程。鉴于现有业务暂未使用相关的技术与设计，这里暂不赘述。我们的替代方式是，直接使用不同话术库中的话术，作为机器人应答输出的内容。

5. 机器人能力界定

当对话产品设计与开发进行到这时，整个机器人的构建已达到规模。我们可以根据前期预设定的机器人能力预期值与划分，拆解出每个机器人能力的实现程度，并根据每一条能力，设定能力界限。即：机器人能做什么，不能做什么。从而为下一步的机器人整体效果评估指标做准备。

6. 机器人整体效果评估指标

基于现有的行业，衡量机器人的对话效果并不简单。我们尽量做到定量分析评估，若实在无法定量，则做定性分析评估。现有的评估方式可分为 上线前测试评估 和 上线后验证评估。

上线前测试评估：

上线前的效果评估，可以分为2方面，一方面为技术指标，另一方面为业务指标。

技术指标 即考量每个对话功能模块中，应用到的AI算法效果指标。最常用的还是3个基础衡量指标：P值（准确率）、R值（召回率）、F1值。优点在于数据直观，易衡量；缺点是技术指标未必指向业务效果，需要业务指标的补充验证。
业务指标 即通过对话效果评估，来衡量机器人的功能模块/整体效果。常用的方式是通过人工打分的方式。分为：单轮打分、会话级打分、对话功能打分等。优点在于可透过人工视角来检验机器人真正的表现如何，这也是最接近用户视角的检验方式；缺点在于，需投入的人力成本大，且参与测试的人员，与实际访客始终有差别，会造成一定程度的偏误。当然，测试验证的手段也会在实践中一步步改进，尽力去减少尽可能多的偏差。

上线后验证评估：

上线后的评估，通常直接与业务挂钩，用户也通常重点关注业务相关的关键性指标，包括：留联率、对话有效率、对话转化率、访客留存量等等。作为一款SaaS产品，这几个关键性指标也决定了用户付费的意愿度。基于实际线上流量跑出的机器人效果，我们会通过聊天记录，分析存在的改善点，进一步改善对话。

7. 机器人对话效果管理

对话产品的设计与开发，主要针对机器人对话本身的设计。但是在用户侧，需要直观地了解到对话的效果统计，以及需进行对话个性化的配置，以满足每个用户不同的需求。根据对话配置开放权限对象的不同，可分为对内配置与对外配置系统。

对话效果统计：

对话效果的统计，主要参照机器人整体验证的指标参数，分为以下两部分：

机器人业务效果数据：包括上文提到的留联率、对话有效率、对话转化率、访客留存量等等。
机器人能力技术指标：主要指机器人功能所用AI技术的P值（准确率）、R值（召回率）、F1值衡量指标。

机器人对话配置：

根据配置的内容，可分为答疑模块、引导模块的配置。通常来讲，答疑模块的话术库，会给予用户充分的配置自主性，因为根据每家用户的业务点不同、时间点不同，会对话术做相应的修改；引导模块，通常会将流程模块化。底层的逻辑、机器人主框架逻辑，是我们会预设好的，开放给用户的主要是主题引导到流程。这样可以实现流程标准化与自定义化的结合，充分保证对话效果。
根据配置的对象，可分为内部团队与外部用户。内部团队主要指团队内的实施团队，他们会帮助用户，基于用户的业务特性，做对话的相应调整。所以会开放一定的权限给到内部团队修改机器人。外部用户指的是我们产品的用户，开放给用户的部分，是可保证其修改在我们的可控范围之内，可让用户自行修改。

机器人应用管理配置：

机器人应用管理配置主要指机器人的套餐管理，机器人的对话主题管理、意图管理等，主要面向内部团队使用。