满意度从89%提升至94%，八九间如何让每一次对话反哺产品

从客服单点使用，到产品、运营、质检多部门协同，八九间借助语忆沉淀真实用户对话，并结合 AI 分析建立产品品质与服务体验的改进闭环。通过 14 款产品六维品质分析与智能质检，让问题定位更快、管理行动更清晰。

一把椅子是否真正“坐得对”，答案不只藏在实验室里，也藏在用户每天发出的咨询、抱怨、追问和建议中。

对八九间来说，把一把椅子做好，意味着把每一个具体的“坐不好”拆解清楚：儿童学习时椅子总在滑动，午休时后仰角度不够，小户型放不下笨重座椅，久坐之后腰部缺少支撑……每一个真实问题，都可能成为下一次产品改进的起点。

但当一个品牌拥有多条产品线、约 20 人的客服团队和持续增长的用户对话量，如何从海量沟通中准确找到这些问题？八九间给出的答案，是让用户对话从“客服记录”变成能够被产品、运营和管理共同使用的数据资产。

从“一把椅子解决一个问题”，到“一次对话推动一次改进”

八九间的品牌名，取自陶渊明《归园田居》中的“方宅十余亩，草屋八九间”。这份质朴，也延续到了产品理念中：不追求功能堆叠，而是回到真实坐姿与真实场景，专门解决一个具体问题。

稳稳椅聚焦儿童与青少年学习时椅子滑动、注意力难以集中的问题；躺躺椅回应午休时“躺不平”的需求；玲珑椅适配小户型；挺挺椅帮助改善不良坐姿；贴贴椅和顶顶椅，则分别关注女性体型适配与办公久坐时的腰部支撑。

产品越聚焦，越需要准确听见用户。

这次，语忆科技邀请八九间用户体验中心负责人进行了一次关于数智化的深度对谈。

八九间用户体验管理中心负责人陈芸辉在采访中提到，公司服务的用户横跨儿童、宝妈、办公人群和电竞人群。不同人群说出的“坐不好”并不相同，同一句“这把椅子不舒服”，背后也可能对应包装、安装、工艺、功能、安全或体验等完全不同的问题。

过去，这些信息很容易散落在客服聊天、人工工单和部门沟通中。如今，八九间借助语忆沉淀用户对话，再结合自身业务规则与 AI 分析，把它们转化为更清晰的需求线索、品质指标和改进行动。

三个阶段：从客服工具走向数智化底座

八九间数智化三阶段，客服单点使用到跨部门协同再到 AI 数据处理

陈芸辉把八九间对语忆的使用过程，概括为三个阶段。

第一阶段，是客服部门单点使用。团队主要通过语忆查看客服与客户之间的沟通，判断服务流程是否执行到位，发现对话中的异常与问题。

第二阶段，是产品、运营、质检和产品管理等协作部门开始共同使用同一批用户对话，但观察角度各不相同。

产品开发团队关心用户真正需要哪些功能；运营团队关注用户最在意的卖点，以及详情页和推广内容应该放大什么、规避什么；质检与产品管理团队则更关注服务质量和产品问题。

第三阶段，是将语忆沉淀的对话数据与 AI等能力结合，进行更快速的数据处理和分析。八九间一方面使用语忆现有的售后品质分析能力，另一方面也会按照自身业务逻辑提取数据、建立指标，再完成进一步分析。

“第一个阶段是客服单用，第二个阶段是其他部门也用，第三个阶段是结合 AI 做数据处理。”陈芸辉说。

这三个阶段的变化，不只是“更多人用了一个工具”。更重要的是，同一份用户声音开始在不同部门之间流动，并逐渐进入产品全生命周期：从需求洞察、研发设计，到运营营销、客户服务，再到问题收集和下一轮改进。

14 款产品、6 个维度：让品质问题看得见

采访中，陈芸辉分享了一个正在实际使用的案例。

八九间将 14 款产品按行排列，再从包装、安装、工艺、功能、安全、体验 6 个维度进行评估。语忆从售后对话中识别各类问题，八九间再把问题数与当月销量结合，计算不同产品、不同维度的问题率，并形成 1 至 5 分的内部评分及合格、良好、优秀等评级。

这里的关键，不是让 AI 替企业直接给出一个抽象结论，而是把 AI 识别能力与企业自己的业务标准结合起来。

八九间会参考过去数月的真实问题分布，制定适合自身产品阶段的评分区间。标准也不是一成不变：如果希望进一步提高品质要求，就收紧评分区间，让更多潜在问题被看见。

可以直观看到1-5月评分分布的区间

一旦某款产品连续出现不合格结果，数据会触发后续整改，必要时还会进入下架与优化流程。原本散落在大量对话里的“安装困难”“包装破损”或“功能体验不佳”，由此变成可追踪、可比较、可推动行动的管理依据。

陈芸辉这样总结这套方法：“通过语忆，我们能更直观、客观、方便、快速地知道，不同产品的问题点到底在哪里。”

对八九间而言，这正是用户声音反哺产品的具体方式：不是凭印象讨论问题，而是用真实对话和真实销量建立共同尺度。

从 89%到 94%：服务质检从“找错”走向“改进”

数智化带来的改变，也发生在客服管理中。

传统质检依赖关键词和固定标签。它能抓住显性的词，却很难准确理解上下文：同一句话在不同场景中，可能是冷漠，也可能只是简洁；有些负向情绪不会出现明显词汇，却会藏在连续几轮沟通里。

八九间现在会从每名客服当月的对话中随机抽取约 250 通，结合正向、负向服务行为及不同权重，计算内部使用的“正能量浓度”等指标，再与当月满意度对照。AI 参与上下文判断后，团队能够更准确地识别服务中的冷漠回复、有效安抚和主动解决等表现。

结果是，八九间的整体服务满意度从约 89%提升至 94%，提高了约 4 至 5 个百分点。人工不再需要逐条完成大规模初筛，主要精力转向审核结果、复核异常和推动改进。按陈芸辉在采访中的估算，这相当于减少了约 2 人力的质检投入。

这组数据的意义，不只是“少看了多少条聊天”。当识别更准确、数据拉取更快，管理动作也会变得更具体。

“数据能准确、快速地拉取下来，接下来就很方便了——哪里有问题，就解决哪里。”陈芸辉说。

从客服部到用户体验管理中心：让一线声音跨过部门墙

八九间的组织变化，与这条数智化路径几乎同步。

陈芸辉在 2021 年至 2022 年间接手客服部门。早期团队主要分为售前和售后，关注转化率、销售额、满意度和工作量等常规指标。随着业务发展，部门逐渐升级为“用户体验管理中心”。

名称变化背后，是职责边界的变化。

客服不再只是回答问题和处理售后，而是成为连接用户、产品与业务的桥梁。用户说了什么、为什么不满意、真正需要什么，需要被更完整地带回产品开发；用户最关注哪些卖点、哪些表达容易引发误解，也可以反哺站内详情页和站外营销。

“我们希望以用户体验管理中心为桥梁，把客户的痛点和需求反哺产品开发，也反哺营销。”陈芸辉表示。

对管理者而言，这也是语忆更长期的价值：先把跨平台、跨客服的大量对话稳定沉淀下来，再用标签、AI 分析与企业自有规则，把非结构化沟通转成能被不同部门理解和复用的信息。

它既能支持日常质检，也能让产品团队看到更完整的用户需求，让品质团队定位问题，让运营团队理解用户真正关心的内容。相比只看客服手工填写的工单，原始对话保留了更多细节，也为后续分析留下了更扎实的数据基础。

数智化的下一步，是让 AI 更懂产品，也更懂用户

八九间的数智化并没有停在现有指标上。

在陈芸辉看来，售后场景中仍有大量信息存在于图片和视频里。如果客户只发来一张部件照片或一段故障视频，缺少文字描述，仍需要人工补充判断。未来，更成熟的图像与视频理解能力，有望让这部分问题也进入自动分析链路。

另一个关键方向，是企业知识库。

AI 要判断一名客服是否“专业”，不能只看语气是否友好，还要知道产品卖点、推荐逻辑、故障原因和标准处理流程。只有把企业自己的产品知识与服务标准接入分析，AI 才有依据判断售前有没有说对、售后有没有真正解决问题。

这也说明，企业数智化并不是买来一个模型就结束。真正产生价值的，是把高质量数据、企业知识、业务标准和执行流程连接起来。

语忆在其中提供的，是一块可持续积累的用户对话基础：让企业先听见，再看懂，最终行动。

从客服单点使用，到多部门共享，再到 AI 参与数据处理，八九间正在把每一次真实对话，变成产品更好坐、服务更贴心、决策更有依据的一小步。

对一个坚持“好座椅解决真问题”的品牌来说，这条路与产品理念并无二致：不追求复杂本身，而是让技术准确解决一个又一个真问题。