以服务设计思维探索人工智能下的出行服务创新

『 前言 』

人工智能时代已然来临，AI以势不可挡的姿态对互联网产生着巨大的冲击与影响，互联网产品也将会因为这一变革带来一次全新的体验升级。在这样一个大环境下，作为连接产品与用户的设计角色，我们面临着一个机会及挑战——在人工智能的风口下，如何以体验驱动来探索智能化的滴滴出行服务。

『 滴滴的人工智能探索 』

滴滴人工智能探索项目以体验驱动，探索人工智能介入滴滴出行服务的机会点创新；同时也是以服务设计思维和方法展开设计研究的实践探索。

在项目探索过程中，我们以用户的视角，通过服务设计的思维和方法去研究用户出行流程及各服务节点的体验，思考我们在“人工智能”这个维度、能给产品带来哪些机会，给用户什么样的体验升级。从研究的展开，定性数据的分析，以及相应机会点的产出，用户使用滴滴出行服务的流程和影响体验的因素贯穿其中，支撑整个项目的推进。

项目流程遵循双钻模型这一标准化设计流程：发现-定义-建立-产出。在【发现】阶段明确研究方向，包括用户的细分、服务场景细分以及影响各环节体验的9个因素提炼，用户研究通过1对1访谈和焦点小组展开，收集到了大量的定性数据。在【定义】阶段通过问题卡片、用户体验地图等方法，将第一阶段的研究发现转化为设计洞察，为接下来的概念发散提供方向。【建立】阶段是概念的发散，提出智能出行的机会点。此外，因为滴滴人工智能项目前处于创新探索状态，没有推进到【产出】阶段，方案的测试与落地将在后续进行。

1 发现 Discover/Research

1.1 明确研究方向

在调研的前期准备上，为了使研究更加科学合理，以及围绕着人工智能理念展开。我们首先从“用户”、“服务阶段”、“打车影响因素”三个方面进行了信息维度细化。

1）用户细分

我们将人工智能运用于滴滴出行的目的是为了让用户的出行体验升级，同时，利用服务设计思维去探索发现机会点的过程中，“人”是服务设计的核心。因此，首先应该就服务对象——全部的滴滴出行用户进行细分，划分的维度为以下三个方面。通过对用户的细分，有助于之后的调研过程中目标对象的选取，一定程度上保证了调研的合理准确。

2）服务场景细分

为了确保人工智能可以作用于滴滴的整个服务中，且在调研阶段便于把用户带入具体的场景中去回忆各服务阶段的体验。我们以现有的打车流程为基准，进行场景分解，列举出范围层所包含的主要功能场景。

3）影响因素细分

将人工智能应用于滴滴出行中，其实就是将数据——算法——场景三个要素如何有机的结合在一起。在这里我们可以利用深度神经网络（也称为深度学习理论来）解决这个问题，深度学习技术被广泛地应用于图像（Apple Animoji）、语音（Apple siri）、机器人(AlphaGo)、医疗、游戏、等领域。

那具体什么是深度神经网络（DNN），简答的来说，就是当输入的A和B的集合足够大，神经网络可以自动算出很多东西。比如：当输入一个家庭的面积、卧室数、邮编、社区富裕程度经过一层层的计算，便可得到这个家庭的整体收入。

为了确定界定用户调研的范围，在基于AI深度神经网络（DNN）的神经元理论，以用车服务流程本身为基准，从用户（内部）和环境（外部）两侧出发，对影响用户乘车服务的因素进行列举，抽离出9大因素，这9大因素就像一个个的神经元可自由排列组合作用于服务阶段，部分服务因素可叠加作用于服务流程，对某个服务触点产生影响。

1.2 调研实施

用户研究分为单独的用户访谈和焦点小组两个部分。访谈的对象涵盖不同的用户细分：学生群体、年轻上班族和资深上班族。用户访谈和焦点小组均包括两个部分，首先是以问卷的形式，请用户将9个因素对其出行体验影响的重要程度进行打分；第二步以9个因素的卡片和梳理好的出行服务流程为工具，深入挖掘用户的出行故事，了解用户的出行体验和在各服务节点不同因素对其体验的影响。

在访谈过程中，预先制作好的9张卡片作为话题的切入点，帮助被访者清晰、踊跃地表达使用滴滴出行的体验。

2. 定义 Define/Synthesis

在定义阶段，通过几种方法将发现阶段的定性数据进行分析，重新定义更明确、具体的设计方向：通过智能出行解决现有体验问题、优化用户体验；以及引入人工智能技术，为用户提供有个性、有差异性的智能服务。

1 ）方法

在分析阶段，把用户研究得到的大量定性数据，通过亲和力图、问题卡片、persona和用户体验地图进行分析整理，可以对用户的行为、痛点有一个梳理。和研究阶段一致的是，分析的过程与结果的表达也是以9个因素以及服务流程和触点为基础。

2）从发现到洞察 from findings to insights

『亲和力图』

汇总了用户角度9个因素对其服务体验的观点，并体现了各个因素对不同用户影响的差异性。比如用户使用滴滴出行，安全的担心对乘车决策和体验的影响是因人而异的，男性用户普遍不会过多考虑安全因素，而年轻女性在夜晚乘车会有更多安全方面的顾虑，会影响到选择车型甚至影响到是否使用滴滴。

『问题卡片』

把研究过程中发现的体验问题进行总结整理，包括问题所在的服务阶段和触点，问题背后的影响因素以总结出用户在滴滴出行服务遇到的共性问题。

『 persona & 用户体验地图』

从定性访谈中发现了用户的差异性，并发现每类用户在服务流程中相应的触点、行为、情绪、痛点。从以上发现中抽离总结出2类典型用户对应的共4种典型场景并可视化其行为、情绪、痛点等。

3） 总结

对用户研究数据分析主要有以下几点收获：

1.9个因素对用户打车体验影响的差异性，包括各因素对服务体验整体影响的差异。如视力因素总体上对用户影响很小，而价格因素、运力状况相对影响较大；其次还有同一因素对于不同用户影响性的差异，如服务质量对一部分用户影响较小，而对另一部分用户则影响较大是决定性因素。这种差异性是人工智能介入的重要依据，通过分析出用户的差异性，有针对性的提供合适的服务，让我们的出行服务更加智能化。

2.总结出用户在滴滴出行服务遇到的共性问题，并把问题分类对应到出行的不同阶段。如何通过人工智能的介入解决现有服务中的问题也是机会点探索的一个切入点。

3. 抽离总结出2类典型用户对应的共4种典型场景并可视化其行为、情绪、痛点等，发现典型用户行为、认知和体验的差异性。

3 建立 Develop/Ideation

3.1 机会点发散

机会点的发散基于对用户研究数据的分析和结果总结：用户的差异性（persona，亲和力图，体验地图）；体验问题的解决（问题卡片）；体验的优化（体验地图），以及9个因素带入到每个触点进行特殊场景发散思考（9个因素*体验地图）在经过多轮机会点发散与评估后，把机会点按照服务阶段和实现可能性两个维度进行分类整理。

3.2 机会点分类

基于上述研究结果，经过了几轮机会点的发散，产出了一系列的机会点。在对机会点进行横向比较分析后，发现机会点的产出主要分类两大类别：用户决策类与用户感知类。

1）决策类

用户决策类的机会点是通过分析相关因素以及背后的大量数据，智能的、有预见性地给出建议帮助用户在滴滴出行服务的中做决策，例如选择什么业务线、打车的时间、上车点的选择等。当前的情况，用户在滴滴应用中做出决策是需要掌握全局信息，分析出该做什么样的决定是对自己最有益的，然而用户掌握的信息有限，比如对各业务线特点和差异缺乏全面的了解，还有对各业务线当前的运力状况没有准确的把握，而AI技术的介入可以对相关信息进行分析，给出合理建议帮助用户做出合适的决策。

2）感知类

感知类的机会点是基于对用户类型的识别以及相关因素的分析，在合适的时机对与用户当前打车行为息息相关的服务进行透出，让用户感知到滴滴的服务。现有的滴滴服务众多，各业务线之间服务差异明显，但用户对滴滴服务的了解有限，AI服务的介入使得服务可以更适时更有针对性地被感知。

3.3 机会点深化与表达

1）机会点体系化展示

将以上概括的机会点，利用九大因素进行分析展示，细化出该机会点下可能的场景。

针对决策类的机会点，其细化的原则：限制在能发挥AI策略的领域之内，寻找用户的目标、动机、行为的典型、共性特征，并找到“变量&不变量”

以『场景识别，智能预约』为例，AI的输入信息和服务策略输出

2）机会点的可视化表达

下图通过故事版和服务设计蓝图对【场景识别智能预约】这一机会点进行可视化表达。故事版从用户的视角表明了智能预约服务的场景和关键环节，以漫画故事的形式对机会点进行可视化。服务蓝图是对新服务进行系统性的拆解和展示，包括前台用户的触点、行为、和前台服务提供者的交互，以及后台交互和服务支持系统。因为功能没有上线，为保证“神秘感”，下图主要是对工具的使用做说明。

4. 项目总结

在滴滴人工智能的项目探索中，我们以用户的视角，通过服务设计的思维去研究乘车流程及体验触点，挖掘AI服务提升用户出行体验的机会点。从研究的展开，定性数据的分析，以及相应机会点的产出，用户使用滴滴出行服务的流程和影响体验的因素贯穿其中，支撑整个项目的推进。项目产出了具体的机会点和方案，同样也提炼出人工智能介入出行服务的两个大方向：用户决策类和用户感知类。后续的AI的研究也可以从这两方向入手，进一步发掘人工智能对用户出行服务体验的改善。

『 小结 』

滴滴人工智能项目是以优化用户体验为驱动力，去探索人工智能之于滴滴出行服务的机会点，也是将服务设计思维、流程、和方法应用到设计创新的实践探索。以下图为例，读心术的机会点探索项目运用了上一篇文章介绍的常用方法，科学的流程和方法，使得研究可以明确重点，并且保证研究的结果可以有效的作用于设计概念的发散中。