FDE Times 数据在招 FDE 职位 924▲33 近 7 天在招职位数的变化(同口径比较):不计入本周新开始追踪的公司的职位近 7 天新增 80在招公司 196支持远程 25%美国薪资中位数 $200k招聘最多 Databricks 107
ENVI

前线部署工程师(FDE)的专业媒体

技能指南 · 指南

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。

分享微博

要点速览

  • 多数部署的成败取决于需求发现阶段;这一阶段应产出双方都认可的问题陈述和成功定义。
  • 从流程的起点和终点向中间梳理,再按价值和工作量给每项任务打分,只选一项。
  • 工作坊结束时手里只有假设:按影响和不确定性排序,再用客户的真实工作去检验。
一个 2×2 矩阵,横轴为工作量,纵轴为频率,刻度 1-5。投诉邮件分类(频率 5,工作量 2)位于阴影角落,标注“先做”;发票匹配(4,4)标注“以后再做”;CFO 报表(1,2)和投诉预测(2,5)标注“不做”。
一家虚构物流公司的四个工作流,按频率和实施工作量排序。分数仅作示意,采用 1-5 分制。来源:文中的示意评分表,基于 OpenAI Academy 的优先级矩阵。

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。

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。

这篇文章对你有帮助吗?

5 个信源
路线图上的下一篇 · 阶段 4: 客户工作客户要“顺手加一点”,先看 SOW范围蔓延和需求发现始于同一句话,用两个问题和一份变更单草案区分,不必当场说行或不行。