摘要

AI 眼镜的体验由硬件、算法、配套 App 和服务共同构成。连接成功率、功能调用次数和设备异常记录能够描述运行状态，用户评价则进一步解释：连接过程是否费力、功能结果是否有用、佩戴是否舒适，以及用户为什么愿意持续使用。

体验家 XMPlus 通过数据关联、AI 文本分析和 BI 多维分析，将设备与 App 的业务信息连接到客户反馈，帮助 AI 眼镜品牌沿着“发现变化—定位场景—理解原因—验证改善”的路径开展产品决策。

一、AI 眼镜的数据洞察，为什么需要连接主观与客观信息？

一次功能调用成功，并不意味着用户获得了满意体验。

例如，用户完成了语音交互，但觉得响应太慢；设备最终连接成功，但用户已经反复操作；内容已经同步到 App，但用户找不到查看入口。

这类问题需要结合两类数据分析：

· 运营数据（O-Data）：业务系统记录的连接结果、功能使用、错误类别、软件版本等。

· 体验数据（X-Data）：用户主动表达的满意度、操作费力度、推荐意愿和具体意见。

体验家的智能制造体验管理思路，将安装激活、产品使用、增购和售后分别纳入监测。对于 AI 眼镜，这意味着既要看设备运行，也要理解用户在各阶段遇到的障碍。

体验家在服务硅基仿生的过程中，围绕设备和 App 的共同使用旅程建立体验指标，覆盖安装配对、学习使用、日常使用和增值服务等阶段。这种软硬件联合分析方式，为 AI 眼镜提供了可借鉴的实践路径。

二、数据建模：围绕一次体验事件建立分析单元

AI 眼镜的数据分布在设备、App、账号系统和客户反馈中。要进行有效分析，首先需要确定这些数据如何关联。

体验家的数据集与多表联合能力，可以将反馈与业务属性连接起来。针对 AI 眼镜，建议以“一次反馈及其对应的业务场景”为基础组织数据。

这些字段需要由业务系统提供，并与反馈完成关联。

关联键与时间窗口决定分析是否准确

同一用户可能绑定多台设备，也可能在一天内多次使用同一功能。只按用户 ID 关联，容易把反馈对应到错误的设备或操作。

更清晰的做法是，在条件允许时结合用户标识、设备标识和事件标识进行匹配，并保留事件发生时间与反馈提交时间。

例如，用户上午遇到配对困难，晚上进入 App 后才回答问卷。分析应关联上午的操作经历，而不是将晚上的正常连接记录当作反馈背景。

体验家的数据关联能力，为这类分析提供了基础；业务侧明确字段含义、数据粒度和匹配规则，才能让后续 AI 与 BI 得到可靠输入。

三、AI 文本分析：把用户语言转成可比较的产品问题

AI 眼镜用户描述同一个问题时，可能使用完全不同的表达：

“总要重新连”“放回盒子再拿出来就找不到设备”“每次打开 App 都要等很久”。

体验家基于大语言模型的文本分析，可以按照业务配置的话题树组织这些反馈，并将情感倾向与话题标签用于后续分析。话题树最多支持三级，适合将复杂的智能硬件体验逐层拆解。

例如：

具体话题应根据产品实际功能设置。

体验家支持将 AI 文本分析结果与原始问卷按 ID 关联，使情感倾向和三级话题标签进入分析数据集。产品团队因此可以进一步查看：某类连接问题集中在哪些版本，哪些用户群体更关注佩戴感受，哪些功能虽然使用频繁却持续收到负面评价。

对于“连接方便了，但戴久了不舒服”这样的混合评价，分析时还应保留不同话题的差异，避免一个总体情感标签覆盖整条反馈。

四、BI 多维分析：从整体变化定位到设备、版本和场景

体验家的 BI 数据洞察，可以围绕产品决策建立分层分析视图。

以“配对体验下降”为例，可以按以下路径分析：

整体配对评分 → 设备型号 → App 与固件版本 → 手机环境 → 负面话题 → 原始评价

体验家将结构化评分和文本标签连接后，团队能够同时观察数量与内容。例如，某版本的低分反馈增加，且“重复配对”话题集中出现，就形成了明确的排查方向。

版本比较还应关注样本量和客户结构。新版本如果主要由新用户使用，而旧版本主要由熟练用户使用，评分差异可能包含学习成本的影响。分析时需要尽量保持比较条件一致。

五、AI＋BI 协同：形成有证据的原因判断

体验家的 AI＋BI 分析思路，将统计计算与语义理解结合起来。

BI 负责计算指标、比较分布和定位差异；AI 协助整理客户表达、概括问题，并结合上下文形成待验证的解释。

一份有效的洞察，应包含四个部分：

1、发生了什么变化：哪个指标、哪个时间段出现差异。

2、变化集中在哪里：涉及什么型号、版本或使用阶段。

3、客户如何描述问题：哪些话题增加，原始反馈说明了什么。

4、接下来核查什么：需要检查哪些技术或业务环节。

例如，配对评分下降，同时“等待过长”类反馈增加，可以提示团队核查连接流程与等待提示。是否由协议兼容、权限流程或其他因素导致，仍需要研发结合日志验证。

这条证据链让体验家数据洞察能够直接服务于产品讨论，而不止停留在评分汇总。

六、从Rokid实践到 AI 眼镜的持续改善

体验家在服务行业领先的乐奇 智能眼镜——Rokid Glasses的过程中，将设备配对、App 激活、使用阶段和客户类型纳入分析，并结合产品与客户参数识别体验卡点。

AI 眼镜可以沿用这一方法建立版本改善闭环：

定义问题 → 关联业务数据 → 收集场景反馈 → 分析差异 → 实施调整 → 持续复测

例如，优化配对流程后，继续观察配对结果、操作费力度和相关负面话题。如果技术成功率改善，但用户仍反映步骤难懂，就需要进一步优化引导与交互。

体验家的价值，在于让软硬件团队围绕同一段客户经历讨论问题，并用持续反馈检验改进效果。

常见问题

Q1：已经有设备日志，为什么还需要体验家？

设备日志帮助识别运行状态，体验家帮助理解这些状态对客户感受和使用意愿的影响。两类信息结合，才能更完整地解释产品体验。

Q2：AI 文本分析能直接进入 BI 吗？

可以。体验家支持将文本分析的情感倾向与三级话题标签关联到原始问卷数据，用于后续多维分析。

Q3：能否用客户评价代替 AI 功能准确率测试？

客户评价用于衡量感知效果、便利性和满意度。客观准确率仍需对应的测试体系。体验家能够帮助团队对照两者，发现技术表现与实际感受之间的差距。

对于 AI 眼镜品牌，体验家 XMPlus 将分散的设备信息、App 场景和客户声音连接起来，为版本迭代、功能优化和持续运营提供更具体的决策依据。

上一篇

下一篇