地铁站|策略产品经理应该如何创造价值？( 二 ) 纸币|效率|产品经理|扣针|策略

在两个目标基础上，我们需要找到一条合适的效率优化路径去执行。
首先第一步，也是最基本的，就是分工。如果企业拥有多个业务线，那么对应的客服团队也将根据各业务线的业务量或者话务量进行划分。
划分之后，用户的呼叫不再是随机分配了，而是先经过接线员接待，再分流转接到专门的坐席：

文章插图
经过分工之后，对每个坐席来说培训内容大幅减少，同时由于专注在某一类售后业务上，坐席的熟练度也大幅上升，整体而言提升了人效。
而接线员这个角色，由于决策过程极度机械化，所以其实往往一开始就被菜单分流系统替代了，就是用户呼叫后会听到的“机票请按1，酒店请按2……”这样的系统。
其中业务的顺序，则往往按业务量或话务量从高到低来排，这样的话从先验角度看，这是最大概率优先击中用户要咨询的业务、期望耗时最短的baseline（基准）策略。

文章插图
不过很快你会发现，这里面其实有一个小的优化点：我们可以尝试着预测一下用户真正想要咨询的业务，而不是简单地用一个基准策略。
比如，如果说用户最近只有酒店订单，没有机票订单，那么是不是他更可能会咨询酒店业务？或者说用户在外呼之前，浏览了他的酒店订单，是不是也更可能会咨询酒店业务？
也就是说，我们可以基于用户订单或用户行为，构建一个模型去预测用户意图，菜单的排序可以根据这个业务函数来决定：f(用户订单，用户行为)=要咨询的业务用户订单用户行为要咨询的业务这个问题本身是有一个最基本的样本闭环在里面的，你可以通过用户键入的数字验证模型的准确率。
这样一来，随着样本的增加，模型预测准确率不断提升，也就意味着会越早击中用户的意图，从而减少用户的滞留时间。
当然，这里面可能需要有一个权衡，如果是咨询次数比较多的用户，会对菜单顺序有一个肌肉记忆，频繁地变更菜单排序反而会扰乱他的习惯。所以系统优化时，要考虑一段时间内确保顺序不变。
不过这些细节很快就变得不重要了，因为我们的客服接线系统马上将要迎来再一次进化——语音分流替代菜单分流：

文章插图
近几年如果你打过银行等大型企业的客服电话，会发现已经不再是导航菜单了，而是直接让你说出要办的业务，系统通过语音识别，直接将你分流到专门的坐席去了。
这样一来，当语音识别能力足够强时，过去的多级菜单分流过程一下子就被缩短了。而且你会发现，之前做的用户意图预测模型也并没有白做，它可以恰好嵌入到引导语中去引导用户：“请说出您要办的业务，例如酒店退订”。
那么整个这一条路径下来，从最开始的分工，到菜单分流系统（机器）替代接线员（人工），再到语音分流（新技术）替代菜单分流，我们不断地通过挖掘效率差，减少了人力成本，优化了用户体验，创造了价值。
而且这里面还有一个特别有意思的事情，你会发现，诶？我一个客服接线系统，居然做着做着就做成了一个搜索系统：
用户的语音被识别成文本（query）后，我需要将这个文本背后的用户诉求（意图）识别出来，导航到要办的业务坐席那里去（搜索结果）；搜索之前要提供引导语（搜索提示），如果识别或搜索不出来还需要做兜底（无结果页面）……
所以，策略产品经理其实是一个比较抽象的Title，许多能力也都是相通的，各位负责招聘的朋友不妨放宽对领域的限制，多给我们这些打工人一些机会吧。
2. 自动化数据推送第二个案例：来自一个自动化数据推送的场景，聊一聊策略迭代过程中一些非技术、非业务的难点。
这样的场景比较常见，例如自动化Push、短信召回、广告投放等。业务起步的时候，基本上是人海战术，即由运营同学在海量的数据池中通过画像数据，筛选出精准投放的目标去做召回或投放。
常见的画像诸如“25-35岁”、“高收入人群”、“最近一周有交易”等用户属性、行为简单画像信息。
不过随着画像做得越来越细，画像数量越来越多，运营同学如果还想通过这种简单的画像筛选来提升转化率，工作量会变得非常大。而且，随着深度学习的介入，后期的一些特征已经无法用画像语言描述了。
所以这时候就需要切换到一些自动的、模型化的系统来做投放，这也是一种挖掘效率差的方法。