之前分享過(guò)的5篇文章，主要講述了本人4個(gè)月的AI轉(zhuǎn)型學(xué)習(xí)歷程，當(dāng)時(shí)還沒(méi)做過(guò)AI相關(guān)的產(chǎn)品。目前我在一家創(chuàng)業(yè)公司負(fù)責(zé)創(chuàng)新類的產(chǎn)品團(tuán)隊(duì)，從0到1打造了4款A(yù)I產(chǎn)品并相繼落地。本文分享了我們?cè)谄髽I(yè)服務(wù)智能化管理方向的探索，關(guān)于：智能化管理都面臨哪些痛點(diǎn)？針對(duì)這些痛點(diǎn)有哪些解決之道？B端客戶在AI產(chǎn)品的認(rèn)知上有哪些誤區(qū)，以及團(tuán)隊(duì)如何實(shí)現(xiàn)敏捷進(jìn)化。

智能管理的四個(gè)發(fā)展階段

AI在企業(yè)服務(wù)中已經(jīng)得到了廣泛應(yīng)用，其中“智能管理”的產(chǎn)品定位與“智能客服”有明顯的差別。

• 智能客服是用Bot來(lái)代替客服人員完成對(duì)話過(guò)程，降低企業(yè)用人成本；
• 智能管理是利用AI幫助質(zhì)檢員做數(shù)據(jù)洞察，幫助客服坐席完成實(shí)時(shí)協(xié)同、仿真陪練，其核心價(jià)值是合規(guī)、風(fēng)控和提效，降低管理成本只是它的附帶價(jià)值。

我們將智能管理的發(fā)展定義為4個(gè)階段：

第一階段：基于傳統(tǒng)專家系統(tǒng)的智能質(zhì)檢。

通過(guò)關(guān)鍵詞模版、正則表達(dá)式對(duì)客戶和坐席的會(huì)話日志進(jìn)行分析，生成文本質(zhì)檢報(bào)告。在此基礎(chǔ)上前置一層 ASR和聲學(xué)特征檢測(cè)，可生成語(yǔ)音通話的質(zhì)檢報(bào)告。但這類實(shí)現(xiàn)方式在準(zhǔn)確率、泛化能力和運(yùn)營(yíng)有效性上都存在明顯瓶頸。

第二階段：基于深度學(xué)習(xí)（語(yǔ)音+語(yǔ)義）的智能質(zhì)檢

很多客戶找到我們說(shuō)想要更換質(zhì)檢系統(tǒng)，原因是老系統(tǒng)要維護(hù)關(guān)鍵詞模版，效率低下，還容易出現(xiàn)漏命中、誤命中的情況。這些痛點(diǎn)恰恰可以靠深度學(xué)習(xí)來(lái)彌補(bǔ)，比如：用 RNN 實(shí)現(xiàn)語(yǔ)義理解，用 CNN、RNN 實(shí)現(xiàn)聲學(xué)和文本的情感分析，用 CNN、Bi-LSTM 實(shí)現(xiàn) VAD（語(yǔ)音活動(dòng)檢測(cè)）。

監(jiān)督學(xué)習(xí)依賴標(biāo)注數(shù)據(jù)，初始化階段需要一定的人力投入。但長(zhǎng)期來(lái)看 AI 訓(xùn)練師的投入會(huì)逐步遞減，整體 ROI 遠(yuǎn)超專家系統(tǒng)。

第三階段：利用自學(xué)習(xí)的智能化運(yùn)維工具，大幅提升質(zhì)檢引擎的運(yùn)營(yíng)有效性

基于深度學(xué)習(xí)的 B 端產(chǎn)品能否取得成功，不僅取決于神經(jīng)網(wǎng)絡(luò)等底層技術(shù)，很大程度上取決于工程化、產(chǎn)品化和運(yùn)營(yíng)的成熟度。模型效果可以決定產(chǎn)品的下限，而運(yùn)營(yíng)有效性、用戶體驗(yàn)、交付和售后服務(wù)則決定了產(chǎn)品的上限。

客戶拿到產(chǎn)品后，大量的訓(xùn)練數(shù)據(jù)需要人工標(biāo)注，規(guī)則策略需要人工編寫(xiě)，Badcase 需要人工核查，效果調(diào)優(yōu)需要人工操作。高門檻、高頻的人工操作，已經(jīng)成為 B 端 AI 產(chǎn)品的最核心痛點(diǎn)。為了解決這一痛點(diǎn)，我們做了兩件事：

（1）提供智能化運(yùn)維工具包

例如：數(shù)據(jù)標(biāo)注、深度學(xué)習(xí)訓(xùn)練平臺(tái)、語(yǔ)義快速教育、新語(yǔ)義發(fā)現(xiàn)、語(yǔ)義智能消歧以及模型調(diào)試等工具，盡最大可能減少維護(hù)的難度。

（2）授人以魚(yú)不如授人以漁。

將運(yùn)營(yíng)過(guò)程中的經(jīng)驗(yàn)、方法論沉淀成《智能管理運(yùn)營(yíng)手冊(cè)》，詳細(xì)描述智能冷啟和持續(xù)運(yùn)營(yíng)的 5 個(gè)階段。它可以作為指導(dǎo)教材，幫助 AI 訓(xùn)練師有坡度、有溫度地掌握工具，幫助企業(yè)牢牢守護(hù)住運(yùn)維 ROI。

第四階段：事前+事中+事后的閉環(huán)智能管理解決方案。

隨著企業(yè)對(duì)風(fēng)控、質(zhì)控的要求越來(lái)越高，事后質(zhì)檢很難滿足時(shí)效性的需求。所以培訓(xùn)機(jī)器人和坐席助手兩種產(chǎn)品形態(tài)就應(yīng)運(yùn)而生，它們分別補(bǔ)全了事前培訓(xùn)和事中人機(jī)協(xié)同的環(huán)節(jié)，配合智能質(zhì)檢覆蓋了整個(gè)坐席服務(wù)的周期。

回顧一下智能管理這四個(gè)發(fā)展階段：從專家系統(tǒng)到深度學(xué)習(xí)，從窮舉式運(yùn)維到智能化運(yùn)維，從事后質(zhì)檢到全周期服務(wù)管理，共發(fā)生了三次質(zhì)變。

閉環(huán)化的智能管理產(chǎn)品

目前在智能管理方向上，絕大多數(shù)廠商處于第一階段，第二階段的廠商不到3家。只有1家公司能提供三款閉環(huán)產(chǎn)品 + 基于深度學(xué)習(xí)的語(yǔ)義理解 + 智能化運(yùn)維工具包，并支持標(biāo)準(zhǔn)化交付。

下面分別介紹智能管理的三款產(chǎn)品：

1.?See：智能質(zhì)檢

See 的定位是對(duì)坐席與客戶的通話錄音、文本會(huì)話進(jìn)行質(zhì)檢分析。其模塊包含質(zhì)檢引擎、分角色的工作臺(tái)（人工抽檢、客服申訴、復(fù)審、訓(xùn)練師）和數(shù)據(jù)統(tǒng)計(jì)等功能。質(zhì)檢引擎包含 12 個(gè)維度的分析算子，幫助質(zhì)檢員實(shí)現(xiàn)更加精準(zhǔn)的質(zhì)控。

See 的分析引擎支持十幾種算子，除了關(guān)鍵詞、正則、RNN、情緒等文本算子以外，還支持語(yǔ)音情緒、語(yǔ)速、搶話、靜音等聲學(xué)算子。初始化階段會(huì)有一定的 AI 訓(xùn)練師投入，后期業(yè)務(wù)方每周只需要投入少量時(shí)間即可完成調(diào)優(yōu)工作。

2. Pal：坐席助手

Pal 的定位是坐席的智能助手，在電話服務(wù)過(guò)程中為客服坐席提供人機(jī)協(xié)同能力。包括合規(guī)管理、流程導(dǎo)航、用戶畫(huà)像、話術(shù)推薦、智能表單和一鍵直達(dá)等功能，幫助提升業(yè)務(wù)效率、降低上崗門檻，提升營(yíng)銷轉(zhuǎn)化。

客服坐席在通話過(guò)程中會(huì)伴隨大量業(yè)務(wù)操作，比如工單系統(tǒng)、CRM。好的產(chǎn)品是用完即走的，Pal 如何以貼心助手的角色融入到場(chǎng)景中呢？

我們?yōu)樗O(shè)計(jì)了三種模式：隱藏模式、簡(jiǎn)單模式和完整模式。只有當(dāng)坐席需要的時(shí)候，各項(xiàng)功能才會(huì)冒出來(lái)與坐席交互，多數(shù)情況下在后臺(tái)就自動(dòng)完成分析過(guò)程。

3. Learn：智能培訓(xùn)

Learn 的定位是對(duì)新手或者有短板的坐席進(jìn)行場(chǎng)景仿真練習(xí)?？头袠I(yè)人員流動(dòng)率非常高，傳統(tǒng)的老帶新培訓(xùn)模式效率較低，老員工的耐心有限，但機(jī)器人是不知疲倦的。

Learn 分為學(xué)、練、考、評(píng)四個(gè)模塊：

1. 學(xué)習(xí)：坐席通過(guò)教學(xué)視頻、PPT 等素材完成學(xué)習(xí)輸入的過(guò)程。
2. 練習(xí)：坐席與機(jī)器人模擬接聽(tīng)、外呼等場(chǎng)景，反復(fù)模擬練習(xí)，直到掌握業(yè)務(wù)。
3. 考試：場(chǎng)景交互過(guò)程比練習(xí)模式增加了難度，去掉了提示指引。除了場(chǎng)景交互考題，也有選擇、判斷等傳統(tǒng)題型。
4. 評(píng)分：自動(dòng)化閱卷生成評(píng)分，將多維考評(píng)項(xiàng)合成能力臉譜，為學(xué)員指明提升路徑。

以上就是三款產(chǎn)品的介紹，智能管理是一套閉環(huán)的解決方案：Learn 在服務(wù)前幫助學(xué)員達(dá)到上崗門檻；Pal 輔助坐席完成實(shí)時(shí)人機(jī)協(xié)同，并將語(yǔ)音流、實(shí)時(shí)分析結(jié)果給到 See 做進(jìn)一步的挖掘；See 輸出坐席畫(huà)像、將優(yōu)質(zhì)案例和反面案例給到 Learn 做為課件和題目的參考素材，并根據(jù)坐席能力短板推薦課程和考題。三款產(chǎn)品貫穿客戶服務(wù)的全流程，實(shí)現(xiàn)了數(shù)據(jù)的高效復(fù)用。

做產(chǎn)品創(chuàng)新的團(tuán)隊(duì)，需要主動(dòng)承擔(dān)起定義標(biāo)準(zhǔn)、解釋標(biāo)準(zhǔn)和推廣標(biāo)準(zhǔn)的責(zé)任。我們?yōu)橹悄芄芾碇贫艘惶昨?yàn)收標(biāo)準(zhǔn)，包含功能模塊、效果指標(biāo)、用戶體驗(yàn)等三個(gè)方面。項(xiàng)目實(shí)施的過(guò)程中，客戶會(huì)收到詳細(xì)的自測(cè)驗(yàn)收?qǐng)?bào)告。

挑戰(zhàn)與思考

1. 智能分析引擎應(yīng)該依賴深度學(xué)習(xí)還是專家系統(tǒng)？

先來(lái)看下 RNN 和關(guān)鍵詞主要有哪些差異：

（1）匹配模式不同

關(guān)鍵詞是精準(zhǔn)匹配，優(yōu)勢(shì)是可解釋性，配置后立即生效。RNN 有更強(qiáng)的泛化能力，局限是不可解釋，無(wú)法做可控的調(diào)優(yōu)（AI 訓(xùn)練師可以憑借經(jīng)驗(yàn)做一定的優(yōu)化）。舉個(gè)例子：當(dāng) ASR 轉(zhuǎn)譯出錯(cuò)的時(shí)候，用關(guān)鍵詞匹配就很難正確命中。

（2）數(shù)據(jù)來(lái)源和運(yùn)維效率不同

關(guān)鍵詞和正則更依賴用戶對(duì)業(yè)務(wù)的理解，需要人工梳理出關(guān)鍵詞；而 RNN 的訓(xùn)練數(shù)據(jù)主要來(lái)源于生產(chǎn)系統(tǒng)的會(huì)話日志，后期的維護(hù)效率也比關(guān)鍵詞高 1.5 到 2 倍。

（2）適用的語(yǔ)境不同

開(kāi)頭語(yǔ)、結(jié)束語(yǔ)、禮貌用語(yǔ)、禁用語(yǔ)就很適合用專家系統(tǒng)，例如「你好，很高興為您服務(wù)」，這種講話的定式很容易用正則來(lái)窮舉。但像【客戶表達(dá)不滿】這種相對(duì)發(fā)散的語(yǔ)義，敘述方式靈活多變，更適用 RNN 來(lái)匹配。

為了分析 RNN 和關(guān)鍵詞的取舍問(wèn)題，我們拿實(shí)際落地的項(xiàng)目做了些研究。在確保質(zhì)檢引擎準(zhǔn)確率≥90% 的前提下，尋找效果最優(yōu)的匹配邏輯，不刻意偏重使用關(guān)鍵詞或 RNN。結(jié)果某基金公司有 80% 的質(zhì)檢規(guī)則使用 RNN+關(guān)鍵詞，10% 的規(guī)則純用關(guān)鍵詞，10% 的規(guī)則用聲學(xué)算子；某新能源車企的 33 條質(zhì)檢規(guī)則都同時(shí)使用 RNN 和關(guān)鍵詞；其他項(xiàng)目大多數(shù)規(guī)則也是兩種算子共存。

最終結(jié)論是：關(guān)鍵詞決定了質(zhì)檢水平下限，RNN 決定了質(zhì)檢水平的上限。過(guò)度依賴其中的一種，都是產(chǎn)品不夠成熟的表現(xiàn)，二者互相結(jié)合才能做出好的效果。

除了算子的選取，影響質(zhì)檢引擎效果的因素還有很多，比如分類體系、語(yǔ)料歧義、數(shù)據(jù)量、數(shù)據(jù)粒度、話者分離等。在講智能管理發(fā)展階段的時(shí)候，我提到了運(yùn)營(yíng)有效性和方法論。通過(guò)《智能管理運(yùn)營(yíng)手冊(cè)》和行業(yè)數(shù)據(jù)積累，可以幫助客戶完成高效的智能冷啟和持續(xù)運(yùn)營(yíng)。

2. 如何做好語(yǔ)音交互的場(chǎng)景化？

B 端產(chǎn)品最終也是給人用的，我們?cè)诖蛟熘悄芄芾淼倪^(guò)程中，很多場(chǎng)景體驗(yàn)都按照 C 端的標(biāo)準(zhǔn)。

語(yǔ)音類產(chǎn)品的場(chǎng)景化有三個(gè)原則：

1. 單場(chǎng)景的極致閉環(huán)：例如 Pal 坐席助手的 5 個(gè)模塊有相互獨(dú)立的觸發(fā)條件，流程上相互照應(yīng)，交互體驗(yàn)和諧統(tǒng)一。
2. 跨場(chǎng)景的無(wú)縫銜接：例如智能管理將實(shí)時(shí)、事前和事后的三個(gè)場(chǎng)景銜接貫通，共用分析引擎和訓(xùn)練數(shù)據(jù)；質(zhì)檢分析結(jié)果回流到培訓(xùn)系統(tǒng)中，形成服務(wù)閉環(huán)。
3. 人性化的交互體驗(yàn)：例如機(jī)器人的 TTS 播報(bào)略顯生硬，如果用錄音來(lái)代替，交互的感受就更有溫度。同時(shí)也減少調(diào)用 TTS 服務(wù)的時(shí)間，還能砍掉 TTS 的成本；在 VUI 邏輯中，我們加入了容錯(cuò)輪次，給坐席一次重說(shuō)的機(jī)會(huì)，避免了學(xué)員的尷尬。

在技術(shù)選型上，也需要忠于用戶體驗(yàn)。對(duì)于偏流程化、目的性強(qiáng)的語(yǔ)音場(chǎng)景，業(yè)界一般用任務(wù)型來(lái)實(shí)現(xiàn)。但培訓(xùn)機(jī)器人和智能外呼的角色完全對(duì)調(diào)，我們反復(fù)推敲了二者的差異性，最終決定只引入任務(wù)型的設(shè)計(jì)思想，沒(méi)有拿外呼的 NLP 方案來(lái)生搬硬套。

3. 客戶對(duì) AI 產(chǎn)品的過(guò)高期望和誤解

（1）客戶應(yīng)該對(duì) AI 抱有怎樣的期望？

有人提出要用機(jī)器代替人去扛營(yíng)銷轉(zhuǎn)化率，其實(shí)營(yíng)銷是一門體現(xiàn)情商和柔性技巧的學(xué)問(wèn)，連人類都未必能扛得住營(yíng)銷轉(zhuǎn)化率。在營(yíng)銷場(chǎng)景中，機(jī)器輔助人的可落地性遠(yuǎn)遠(yuǎn)強(qiáng)于機(jī)器人代替人。如果一定要用 Bot 直接做營(yíng)銷，可以盡量避免過(guò)于發(fā)散的場(chǎng)景，截取一段相對(duì)收斂的流程用任務(wù)型來(lái)實(shí)現(xiàn)。

就連大家津津樂(lè)道的 Alpha Go，也是挑選了收斂的圍棋場(chǎng)景，在既定規(guī)則內(nèi)最大化發(fā)揮出計(jì)算性能的優(yōu)勢(shì)。深度學(xué)習(xí)的根基是統(tǒng)計(jì)學(xué)，神經(jīng)網(wǎng)絡(luò)的抽象層級(jí)還比較淺。相比于人類，AI 不具備背景常識(shí)，更沒(méi)有自我意識(shí)和感情，不要苛求它去做特別深刻的邏輯推理。

（2）AI 技術(shù)是場(chǎng)景落地的主要瓶頸么？

技術(shù)實(shí)力的確是落地的核心基礎(chǔ)，但發(fā)展到一定規(guī)模后，產(chǎn)品運(yùn)營(yíng)、后端資源、服務(wù)能力會(huì)成為商業(yè)化成功的關(guān)鍵。即便是擁有超強(qiáng)算法能力的 AI 巨頭，也沒(méi)有精力做好每個(gè)細(xì)分領(lǐng)域的產(chǎn)品。各種算法模型從實(shí)驗(yàn)階段到工程化、產(chǎn)品化、規(guī)?；桓对俚娇诒\(yùn)營(yíng)，中間有太長(zhǎng)的路要走。

（3）如何快速驗(yàn)證一款深度學(xué)習(xí)產(chǎn)品的水平？

任何廠商都可以對(duì)外宣稱自己擁有某項(xiàng) AI 技術(shù)，但產(chǎn)品的落地依托于真實(shí)的投入與沉淀。很多客戶都沒(méi)意識(shí)到這一點(diǎn)，也很難分辨出廠商之間的真正差距在哪里。其實(shí)到底有沒(méi)有，拉出來(lái)遛一遛就知道了。

分享個(gè)小技巧：讓廠商實(shí)際操作數(shù)據(jù)標(biāo)注、模型訓(xùn)練和模型調(diào)用的流程，證明自己有基于深度學(xué)習(xí)的智能運(yùn)維工具。然后看這套工具是否跟產(chǎn)品系統(tǒng)融合統(tǒng)一，給到用戶的交互界面是否友好。如果這些都滿足，就說(shuō)明產(chǎn)品相對(duì)成熟，技術(shù)也差不到哪里去。

（4）深度學(xué)習(xí) or 專家系統(tǒng)？

現(xiàn)在有很多 AI 廠商過(guò)度渲染深度學(xué)習(xí)的優(yōu)勢(shì)，也有更多專家系統(tǒng)的廠商攻擊深度學(xué)習(xí)冷啟動(dòng)周期的弊端，其實(shí)這些都是有局限性的無(wú)意義對(duì)比。比如：智能管理場(chǎng)景的最優(yōu)方案，就是通過(guò)專家系統(tǒng)+深度學(xué)習(xí)的多維算子疊加來(lái)實(shí)現(xiàn)。并不絕對(duì)依賴于某一種技術(shù)，同時(shí)也能確保運(yùn)維的效率。鼓吹其中的任何一種，都是產(chǎn)品不成熟的表現(xiàn)。

（5）一些訓(xùn)練數(shù)據(jù)或模型能否復(fù)用？

關(guān)鍵看場(chǎng)景的重合度，比如智能管理的 3 款產(chǎn)品之間有部分模型可以復(fù)用，而外呼機(jī)器人跟智能質(zhì)檢的模型就無(wú)法強(qiáng)行復(fù)用?？蛻粝胍獜?fù)用模型，其本質(zhì)訴求無(wú)非就是降本升效。我們假設(shè)模型真的可以復(fù)用，也就只提升了 1 倍的運(yùn)維效率，依然無(wú)法應(yīng)對(duì)新業(yè)務(wù)的迭代，而我們提供的【新語(yǔ)義發(fā)現(xiàn)】+【快速教育】工具卻可以將運(yùn)維效率提升 10 倍以上。

（6）會(huì)話輪數(shù)是不是越多越好？

會(huì)話輪數(shù)從來(lái)都不是考核 Bot 交互能力的指標(biāo)，關(guān)鍵是多輪會(huì)話的目的是要完成一項(xiàng)清晰的任務(wù)，還是完成一通閑聊？如果是為了完成任務(wù)，就要將場(chǎng)景盡可能收斂，交互路徑盡可能縮短。聊的越久，越容易出錯(cuò)。

4. AI 時(shí)代團(tuán)隊(duì)如何敏捷進(jìn)化？

最后是一些關(guān)于敏捷的思考。我們團(tuán)隊(duì)是公司的一個(gè)產(chǎn)品研發(fā)小組，在 18 年 3 月上線 See，6 月上線 Pal，9 月上線 Learn，12 月份做出其他創(chuàng)新型產(chǎn)品，奔跑速度已經(jīng)不弱于互聯(lián)網(wǎng)公司。

快速裂變的過(guò)程中，蒙眼狂奔一定會(huì)掉鏈子，關(guān)鍵看如何堅(jiān)守克制與取舍。我國(guó)的 toB 大環(huán)境下很難避開(kāi)定制化，如何尋找標(biāo)準(zhǔn)化與定制化的平衡點(diǎn)呢？

這非?？简?yàn)產(chǎn)品團(tuán)隊(duì)的基本功，我經(jīng)常拿 2 個(gè)問(wèn)題來(lái)挑戰(zhàn)組員：

1. 給產(chǎn)品做加法時(shí)，能解決人無(wú)我有的問(wèn)題，還是人有我優(yōu)的問(wèn)題？
2. 最終能獲勝的憑什么是你？需要講清楚背后的隱性邏輯。

做產(chǎn)品必須要敢于接受直逼靈魂的拷問(wèn)。這是個(gè)不缺腦暴的時(shí)代，模糊、發(fā)散的 idea 并不值錢。只有當(dāng)我們對(duì)核心細(xì)節(jié)做到入微操控，推演出金字塔尖的東西時(shí)，才可能做出核心競(jìng)爭(zhēng)力。

然后，組件化思維非常重要，通用的 AI 能力應(yīng)該趁早被抽象出來(lái)，以便后期快速?gòu)?fù)用到新的 AI 產(chǎn)品上。

同時(shí)，敏捷進(jìn)化只靠?jī)?nèi)部團(tuán)隊(duì)遠(yuǎn)遠(yuǎn)不夠，更需要群智效應(yīng)和創(chuàng)造力賦能。群智效應(yīng)是指業(yè)務(wù)方、廠商一起貢獻(xiàn)智慧；創(chuàng)造力賦能是指價(jià)值傳遞過(guò)程中，給到客戶的不僅是工具本身，更包含駕馭工具、探索新事物的能力?？蛻襞c合作伙伴的創(chuàng)新型探索，也可以倒逼產(chǎn)品的進(jìn)化。

目前 AI 行業(yè)競(jìng)爭(zhēng)非常激烈，各公司的保密工作都很到位。外界對(duì) AI 公司有強(qiáng)烈的好奇心，希望能得到業(yè)內(nèi)的更多分享。AI 公司也渴望通過(guò)更多合作來(lái)獲取數(shù)據(jù)、打磨場(chǎng)景，提升業(yè)務(wù)縱深能力和規(guī)?；涞啬芰Α?/p>

產(chǎn)品和業(yè)務(wù)本質(zhì)上是共生關(guān)系，脫離業(yè)務(wù)的 AI 產(chǎn)品就是沒(méi)有靈魂的軀殼，如果業(yè)務(wù)方和 AI 公司都持有更加開(kāi)放的心態(tài)，大家坐下來(lái)深入探討場(chǎng)景，就一定能挖掘出有價(jià)值的解決方案。

作者：于長(zhǎng)弘，公眾號(hào)：AI小宇宙（ID：AI_endless）

本文由 @于長(zhǎng)弘 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來(lái)自Unsplash，基于CC0協(xié)議