「我們需要為客服建立一個 AI 聊天機器人。」
聽起來熟悉嗎？這是開始一個專案的錯誤方式。這也是團隊完成建置後業務方仍然不滿意的頭號原因。
優秀的 BA 不從解決方案開始——他們從問題開始。
1. 問題、症狀、解決方案——三個不同的東西
理解這個區別是所有業務分析的基礎：
| 範例 | |
|---|---|
| 症狀 | 「客戶在社群媒體上抱怨很多」 |
| 問題（根本原因） | 「工單平均解決時間為4天，是競爭對手的兩倍」 |
| 解決方案 | 「建立 AI 聊天機器人自動處理60%的簡單工單」 |
許多 BA 從利益相關者那裡收到一個症狀，然後直接跳到解決方案，跳過了分析真正問題的步驟。
結果：為錯誤的問題建立了正確的解決方案。
2. SCQ 框架——有效問題陳述的結構
麥肯錫使用 Situation（情況）→ Complication（複雜性）→ Question（問題） 框架來定框問題。應用於 BA：
Situation（現況）
描述當前狀態、誰受到影響、影響規模。
「客服團隊目前以15名客服人員處理每天2,000個工單。」
Complication（問題所在）
準確指出正在發生什麼，如有數據則附上。
「首次聯絡解決率（FCR）只有45%，而行業基準為70%。每個工單平均需要重工1.8次。」
Question（需要回答的問題）
提出指向方向的問題——而非預設答案。
「如何在不增加人力的情況下，在Q3之前將FCR提升到 ≥ 65%？」
3. 檢查清單：好的問題陳述需要包含什麼？
撰寫完後，自我檢查：
- 包含可測量的數據（%、$、天數、次數等）
- 描述業務影響（不只是描述症狀）
- 不包含特定解決方案名稱
- 可以讀給利益相關者聽，他們同意這是他們的問題
- 確定了誰受到影響以及規模如何
4. 實際案例：正確定框前後對比
❌ 之前（解決方案優先）
「我們需要將 AI 整合到客戶入職流程中以實現自動化。」
✅ 之後（問題優先）
「前7天的入職完成率只有38%，低於60%的目標。分析顯示62%的客戶在文件驗證步驟放棄，因為手動流程需要2到3天。目標是將驗證時間縮短到4小時以內，以在Q2將完成率提升到55%。」
5. 「五個為什麼」技巧——挖掘根本原因
收到需求時，問五次「為什麼？」：
- 「需要建立聊天機器人」→ 為什麼？ → 「因為客服團隊超負荷」
- 「客服超負荷」→ 為什麼？ → 「因為工單量在6個月內增長了40%」
- 「工單增長40%」→ 為什麼？ → 「因為新產品上市時有很多UX錯誤」
- 「很多UX錯誤」→ 為什麼？ → 「因為上市前沒有進行可用性研究」
真正的問題： 缺少使用者研究，而不是缺少聊天機器人。
使用五個為什麼，你可能會發現真正的解決方案比最初的需求簡單得多，也便宜得多。
6. AI 背景下的問題框架
對於 AI 功能，再增加一層定框：真的需要 AI 嗎？
在同意建立 AI 解決方案之前，BA 必須詢問：
- 這個問題能用更簡單的規則型邏輯解決嗎？
- 訓練／微調 AI 所需的資料是否可用且品質足夠？
- 如果 AI 出錯，對使用者和業務的影響是什麼？
- AI 與傳統解決方案相比的投資報酬率是多少？
AI 並不總是正確答案。而 BA 正是被期待提出這些問題的人。