# 部署成败，多半在需求发现工作坊就已注定

> 先从起止点梳理流程，再和一线员工逐项打分，最后才向客户做承诺。

原文: https://fdetimes.net/zh/guides/run-customer-discovery-workshop/

上午九点，客户办公室。会议室里坐着十二个人。运营负责人开口就说：“我们想给整个投诉部门上 AI。”IT 负责人坐在桌尾，双臂抱在胸前。每天处理投诉的三名员工，到现在还没被问过一个问题。你有九十分钟。

对前线部署工程师（FDE）来说，这样的场景再平常不过，而这场会怎么开，基本决定了后面的走向。Scaler 的 FDE 手册说得很直白：多数部署的成败，取决于需求发现阶段。

目标是一份双方都认可的问题陈述和成功定义，而不是一张愿望清单。

下面用一个完整案例从头讲到尾。案例是一家虚构的物流公司，以及它处理发票投诉的流程。

## 会前：一个问题、两个标记、十人以内

Koji 关于如何主持需求发现工作坊的指南建议，先写下这场会必须回答的那一个问题。对这家物流公司来说，这个问题不该是“AI 如何帮助客服？”更好的问法是：“在发票投诉流程中，应该先自动化哪一步？成功如何衡量？”

专做流程梳理的 Triaster 公司建议在会前就把范围定下来，开场先讲清这个范围的起点和终点。在本例中，流程起点是投诉邮件进入共享邮箱，终点是开出贷项通知单，或者附理由驳回投诉。

参会名单同样重要。Triaster 认为业务专家，也就是实际干活的人，必须到场。人数控制在十人以内，要有一位了解该流程如何与其他部门衔接的人，还要有流程负责人的支持。

Scaler 的观点一致：不要只和管理层谈，要和真正使用系统的人坐在一起。所以面对这十二个人，第一件事是精简名单。

留下流程负责人、三名投诉处理员、财务部负责开贷项通知单的人、IT 负责人和仓库经理。运营负责人也许只需要在最后十五分钟加入，那时正好确定优先级。

## 从两端向中间梳理

两个标记贴上白板后，请一位处理员讲讲上周亲手处理过的一起真实投诉。

每一步写一张便利贴：接收邮件、分类、在 ERP 中查发票、与签收证明核对、申请审批、开具贷项通知单。

每张便利贴下面记四件事：谁来做，用哪个系统，用什么数据，案件通常卡在哪里。

有些问题会议室里没人答得上来，比如签收证明存在哪个系统里。不要停下来一直追查到底。PostHog 的 FDE 手册建议用客户的真实工作暴露真实问题，而不是一开始就试图把一切都建模清楚。

在便利贴上标个“?”，指定一个人去核实，然后继续。

## 十项合理的任务，只选一项

梳理结束时，白板上通常已经有十几个听起来都合理的想法。PostHog 认为，FDE 的核心判断力恰恰体现在这里：知道十项合理的任务里先做哪一项，哪些根本不做。

OpenAI Academy 的优先级矩阵对每个工作流问两个问题：如果做成了，能带来多少价值？实施需要多少工作量、有多复杂？

估算价值时，它给出三个强信号：频率、重复度和覆盖面。下面是物流案例的示意评分，采用 1-5 分制：

| 候选工作流 | 频率 | 重复度 | 覆盖面 | 工作量 | 决定 |
|---|---|---|---|---|---|
| 投诉邮件分类 | 5 | 4 | 3 | 2 | 先做 |
| 发票与签收证明匹配 | 4 | 5 | 3 | 4 | 以后再做，等数据理清 |
| 给 CFO 的月度投诉报表 | 1 | 4 | 1 | 2 | 不做 |
| 预测哪些客户会投诉 | 2 | 2 | 2 | 5 | 不做 |

这张表不是公式。它的价值在于逼着在场的人说出为什么选这项而不选那项。CFO 报表容易做，但一个月只跑一次，读者只有一个人。投诉预测听起来最激动人心，但工作量最大，价值也不明确。

就在这时，总会有人问：“既然都做了，预测那块能不能也顺便做一下？”PostHog 的建议是，对每一个“要不要也……”都顶回去。把这个想法写进白板上的“以后再说”一栏，让提出的人看到它没有被丢掉，但别让它溜进今天的范围。

## 不能跳过的问题

第一个问题问 IT 负责人，他的双臂还抱着。Scaler 强调，如果客户数据不允许离开内网，你必须在设计任何东西之前就知道。直接问：投诉邮件和 ERP 数据能否发送给外部模型？谁来签字批准？

第二个问题来自 PostHog 的范围界定清单：所描述的问题是否指向更深层的规律？假设在走查案例时，一位处理员提到大部分投诉都来自同一个仓库。

根本原因可能是那个仓库的签收证明扫描有问题，而一个读邮件的 Agent 只是在收拾后果。因为仓库经理就在会议室里，你可以当场问这个假设值不值得核查。

第三个问题回到 Scaler 设定的目标：成功是什么样子？离开会议室前，一定要拿到一句双方都点头的话，比如“从收到邮件到投诉进入正确队列的时间，从 X 降到 Y”，其中 X 用接下来一周的真实数据测量。

**要点:** 需求发现工作坊给你的是待检验的假设，而不是证据。

## 会后：白板上的一切仍是假设

Koji 说得很清楚，工作坊不产出证据。便利贴、评分，甚至“大部分投诉来自同一个仓库”这句话，全都是假设。

Koji 还建议按影响和不确定性给假设排序。在物流案例中，“投诉邮件足够清晰，可以自动分类”影响很大，因为第一项任务完全建立在它之上，而且没人测量过。“大部分投诉来自同一个仓库”同样影响大、同样不确定。

所以会后的第一件事是检验这两个假设：取一批真实投诉样本，比如一周的邮件，跑一遍分类步骤，再按仓库统计投诉数量。这正是 PostHog 推荐的思路：用真实工作暴露问题。

一天之内发出会议纪要，内容包括核心问题、流程图、评分表、“以后再说”一栏、关于数据的答复以及成功定义。

这样一份文档去掉客户名称后，也可以带去面试。写在简历上，“主持需求发现工作坊，把范围从十个想法收窄到一个，并按约定指标衡量结果”，比“沟通能力强”更有说服力。

## 让工作坊沦为无效会议的错误

一个错误是没定起点和终点，结果把整个公司都梳理了一遍，九十分钟过去，连一个值得自动化的步骤都没找到。

另一个错误是还没问数据限制，就在会上做了承诺。安全团队一封邮件就可能让这种承诺落空。最后一个错误是把会上达成的共识当成已验证的事实，直接在上面开始构建。

一场好的工作坊不会以掌声收尾。它的结束标志是：你有一项周一早上就能开工的任务，一个要衡量的数字，以及一份你已经委婉回复过“暂时不做”的清单。

**本周动手试试:**

- 选一个你熟悉的流程（在现在的公司或某个客户那里），写下一个核心问题、一个起点、一个终点，以及中间的 5-7 个步骤。
- 列出这个流程中可以自动化的四项任务，分别按价值和工作量打 1-5 分，再用一句话说明为什么要彻底放弃得分最低的那一项。
- 拟好每次工作坊都要问的三个问题：关于数据限制、关于深层规律、关于成功定义。

## 信源

- [How forward deployed engineers work - Handbook](https://posthog.com/handbook/forward-deployed-engineering/how-we-work)

- [The Forward-Deployed Engineer Playbook: How the Role Actually Runs a Deployment](https://www.scaler.com/topics/the-forward-deployed-engineer-playbook/)

- [Capturing a Business Process: 3 Tips for Process Discovery Workshops](https://triaster.co.uk/blog/capturing-a-business-process-tips-for-process-discovery-workshops)

- [Prioritize AI workflow opportunities (OpenAI Academy)](https://academy.openai.com/public/clubs/champions-ecqup/resources/workflow-discovery-and-prioritization-matrix-2026-05-05)

- [Customer Discovery Workshop: The Step-by-Step Playbook with Templates (2026)](https://www.koji.so/docs/customer-discovery-workshop-guide)
