Day4-專案啟動 – 當AI遇見真實業務需求（下）
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：
“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：
-
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。 -
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。 -
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。 -
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？