一、手机端语音助手的现状
苹果siri的出现，带动了手机端智能助手的发展，如今，苹果siri、亚马逊Alexa、Google assitant、微软小娜、三星bixby都已在手机端布局语音助手，三星bixby还在手机端设置了实体按键呼出助手，移动助理逐渐向移动化发展。
未来，在智能硬件“互联互通”的趋势下，智能音箱、智能手表、智能耳机等产品会覆盖人们生活中大部分需求，手机端在智能硬件及APP的影响下，应该寻找特色的落地场景，结合移动、有屏、信息聚合的特点，向视觉、触觉等多模态发展，避免同质化。
二、PM需要关注哪些问题
在这个背景下，pm需要思考几个问题：场景选择，用户体验，流量入口，用户粘性。
1. 场景设计
场景设计是产品设计中的重要一环，用户需求、产品实现效果、bot创建、语义理解难度都与场景的选择密不可分。挖掘场景需要关注以下三点：
（1）目标明确
（2）有限输入
智能助理主要通过对话完成交互，用户每句话包含的信息量要维持在一定范围内否则用户既不知道要表达什么，机器也不能很好地理解。例如：
bad case：
Q：我想订餐
A：好的，您想吃什么？
Q：emmm…我想吃鸡蛋西红柿炒米饭，少放一点糖我怕齁，谢谢
A：不好意思，没有听懂您说的，可以再跟我说一遍吗？
Q：就是我想要鸡蛋炒西红柿盖饭，少糖
……
上面的case，用户输入域过于开放，用户一直在做“简单题”而不是“选择题”，增加用户成本的同时，也不利于自然语言理解。
同样的场景可以优化为：
Q：我想订餐
A：好的，请问您今天想吃盖饭、面条还是汉堡呢？（此处可图形化界面）
Q：盖饭
A：好的，为您推荐几款销量最高的盖饭：鸡蛋西红柿盖饭、红烧牛肉饭、更多
Q：鸡蛋西红柿盖饭
A：好的，这是我们的招牌呢，如有以下特殊需求请选择，少糖、少盐，如没有不用回复
Q：少糖
…….
（3）对话快速收敛成任务指令
当bot识别到用户意图A后，才会去完成对应的任务指令。因此需要在场景内快速提炼出意图、槽位。
我们再次引用上面订餐的case
Q：我想订餐
A：好的，请问您今天想吃盖饭、面条还是汉堡呢？（此处可图形化界面）
Q：盖饭
A：好的，为您推荐几款销量最高的盖饭：鸡蛋西红柿盖饭、红烧牛肉饭、更多
Q：鸡蛋西红柿盖饭
A：好的，这是我们的招牌呢，如有以下特殊需求请选择，少糖、少盐，如没有不用回复
Q：少糖
…….
根据case创建订餐bot：
意图 intent：订餐
训练对话样本命中意图：query=我想订餐
槽位1：菜品名称 词典包含：鸡蛋西红柿盖饭、红烧牛肉饭等（与数据库对应）
槽位2：特殊需求
订餐场景下，通过对话中的参数提取，快速收敛为订餐意图，最终满足用户需求。语音助手在NLU前，还会有语音识别的过程，可参考前面分享过的两篇文章
2. 用户体验
用户体验是所有PM都需要关注的问题，我们常说的听清、听懂、满足就是提升用户体验的着力点。那么在用户体验上，应该关注以下三点：
- 能否解决用户需求？
- 用户接受的最低标准是什么？
- 超出用户预期的标准是什么？
我们用查天气的case说明
- 解决用户需求：手机助手查天气
- 用户接受的最低标准：查询某个时间、地点对应天气
- 超出用户预期的标准：恶劣天气主动提醒、雨雪天气提前询问用户是否约车等
原理类似需求分析中的KANO模型，即基本需求、期望需求、兴奋需求，可参考如图：
3. 流量入口
个人认为手机语音助手和智能硬件的流量入口不同，智能硬件必须找到足够刚需的场景才可以持续发展。手机端具有先天的流量优势，要让语音真正落地，成为被用户所接纳的最常用交互方式，最终要解决的是用户头部需求。
那么哪些是语音助手需要关注的头部需求呢？我认为，查天气、查时间都不是头部需求，这些都是测试／入门语音助手最简单的功能。衣食住行和沟通才是用户的基本需求。例如智能家居，控制家中设备是头部需求、在车载环境下，打电话、发短信就是头部需求。
在衣食住行场景下，分别对应着不同需求：语音购物、点餐、订餐馆、订酒店、预订出行飞机票以及景点门票，都是大众的生活服务需求，这些更容易的让用户知道语音助手能为他们做什么。
4. 用户粘性
这是一篇关于AI智能助理的数据报告，可以看出苹果Siri的用户量虽然是首位，但月活跃度却在一直下降。由此引出：除流量入口外，PM还应关注用户粘性的问题。
在2017年5月，VertoAnalytics编制了首个个人助理应用程序指数，将从Siri到Alexa的一系列人工智能驱动的个人助理应用按照其受欢迎程度及进行了排名：
手机内除了语音助手，同样有很多垂类的APP。如果仅是满足和APP相同的任务，那么用户粘性上会后劲不足。
个人认为，提高用户粘性应该注重长尾需求的覆盖，例如“8月份适合6人行的海岛旅游路线”“个人减脂训练计划”等。