Skip to main content

从行业到员工的细化分析法

一句话： OPC 是「自下而上封装」，而这一篇讲「自上而下拆解」——从一个行业出发，一层层锁定到「哪一家公司、哪一个岗位、哪一项技能」，确保你做的东西真的有人用。

一、是什么​

细化分析法就是「行业 → 公司 → 岗位（Post）→ 技能（Skill）」的四层逐级追问，一直到你手里有一个具体到可以动手做的 Skill 定义为止。

行业  →  公司/场景  →  岗位（Post）  →  技能（Skill）
（越往右越具体，越接近可动手的最小单元）

它与 OPC 三层封装（Skill → Post → Company）是对称的：一个从宏观往下拆，一个从微观往上封，在「岗位」处交汇。对得上，说明拆得对；对不上，要么漏了需要的能力，要么做了多余的。

二、为什么用​

自下而上（先做 Skill）最容易犯的错：做了一堆没人要的能力。一个工程师凭直觉做了 5 个 Skill，结果他用在电商场景，别人用在教育，业务价值说不清。

自上而下拆解的价值：

  1. 确保做的每个 Skill 都有真实业务锚点——不是「我觉得需要」，是「这个公司/这个岗位需要」。
  2. 统一的拆解语言——同一个模板，团队讨论「这个行业需要什么」时不跑偏。
  3. 筛掉伪需求——很多看起来很合理的 Skill，用四层一筛，发现没有真实公司对应，直接毙掉。

三、怎么用​

第 1 步：选行业，锁定一个真实场景​

不要停留在「电商」这种大词，要锁到一个具体的、真实存在的公司或业务场景。

追问模板：

行业：<比如 电商>
细分：<比如 中小型服装网店>
具体场景：<比如 一家日均 300 单的女装淘宝店，大促期间客服忙不过来>
真实痛点：<比如 大促咨询量暴涨，人工客服回复慢、口径不统一>

判断标准：你能不能说出「这是谁的、什么规模、什么时候、遇到什么麻烦」。说不出，就是还不够具体。

第 2 步：从场景拆出需要哪些岗位​

问自己：这个场景要顺利运转，需要哪些「角色」在干活？

场景：大促期间的服装网店
需要的岗位：
  - 售前咨询专员（答尺码、答库存、推荐搭配）
  - 售后处理专员（退换货、物流查询）
  - 投诉升级专员（处理差评、情绪激烈客户）

技巧：让 AI 结合真实场景帮你列岗位候选，再用你的业务常识筛选、合并、补充。AI 会给出你可能没想到的岗位类型。

第 3 步：从岗位拆出需要哪些技能​

针对第一个岗位，列出它需要的 Skill 候选清单。

岗位：售前咨询专员
可能的技能：
  - 根据商品和身材推荐尺码
  - 查询实时库存并回复
  - 根据风格偏好推荐搭配
  - 识别并回答常见活动规则问题

同样可以让 AI 列出候选，你来判断哪些是核心/高频/好评估的。

第 4 步：锁定第一个技能并做出来​

从候选里挑一个，按 02 · Skill 层 的模板做成 Skill 并评估。

选的标准：「高频 × 痛 × 可评估 × 有对标」——四项都强，就是完美第一个 Skill。

第 5 步：用价值验证选择​

两个思考题检验：

  1. 为什么选这个岗位/技能做？价值在哪？——说不清，就选错了。
  2. 对于这个岗位，还有哪些可以做的技能？——看清岗位全貌，为封装 Post 做准备。

验收习惯：每个技能都能用不超过 20 字说清业务价值。说不清，就是没想透。

四、案例：一家女装淘宝店的完整四层拆解​

第 1 步：锁定场景​

行业：电商
细分：服装零售
具体场景：杭州一家日均 300 单的女装淘宝店，皇冠店铺，2 个全职客服
真实痛点：大促期间单日咨询量从 50 条暴涨到 300 条，客服离职率高，新人培训周期 2 周，话术不统一导致差评。

到这一步，已经不是「电商客服」这种空泛命题，而是一个有具体数字的具体公司。

第 2 步：拆岗位​

店主 + AI 讨论后，识别出这店需要 3 个「角色」：

岗位为什么要这个角色
售前咨询专员80% 的咨询发生在这里——尺码、库存、搭配、活动
售后处理专员15%——退换货、物流查询、差评安抚
投诉升级专员5% 但后果最重——恶意差评、情绪激烈客户、平台投诉

第 3 步：拆技能​

先聚焦售后处理专员（店主的直觉：售后最痛、最影响复购率）：

岗位：售后处理专员
候选技能：
  ✓ 根据订单号查物流并生成话术         （高频 ★★★★★ / 可评估 ★★★★★）
  ✓ 识别退换货请求并给出处理步骤        （高频 ★★★★ / 可评估 ★★★★）
  ✓ 生成退款进度回复                   （中频 ★★★ / 可评估 ★★★★★）
  ? 识别情绪并生成安抚回复              （高频但评估难 ★★★）

第 4 步：锁定第一个 Skill​

选择「查物流并生成话术」——五项标准全中：

  • 高频（每天 30+ 条）
  • 痛（人工回复平均 5 分钟/条，且在大促时口径混乱）
  • 可评估（物流状态对错有明确规则）
  • 有对标（竞品店铺已有类似实践）

第 5 步：价值验证​

  • 为什么选这个？ 「查物流」是售后咨询量最大的单一场景，优化它直接压缩 40% 的售后人力。
  • 还有哪些可以做的？ 「退换货引导」「退款进度」「差评安抚」是后续自然延伸。

从「电商」这个大词 → 一个日均 300 单的女装淘宝店 → 售后处理专员 → 查物流话术 Skill。

四层拆完，第一个可动手做的 Skill 有了。

五、怎么挑「第一个」​

无论是第一个场景、第一个岗位还是第一个技能，挑选标准都一样：

标准含义反例
高频经常发生，做好了收益大「大促期间的一次性促销问题」——一年才一次
痛现在做得很差/很累，改善空间大「已经挺好的，顺手做做」——没有改善空间
可评估有明确的对错标准，能验证效果「让客户更满意」——无法量化
有对标能找到「别人已经做出的真实结果」来对比完全新场景没有参照——可以先用 AI 生成对标

六、常见误区​

误区表现为什么错
行业太宽停在「电商」「教育」这种大词拆不出具体岗位和技能
场景不真实自己编一个理想化场景拆出来的需求是假的，做出来没人用
岗位拆太多一个日均 50 单的小店拆 8 个岗位拆成 Company 层 会过度协作
技能列大而全一个岗位列 15 个技能候选第一个只做 1 个，做好再扩展
挑最炫的而非最痛的选「智能推荐搭配」而不是「查物流」最炫的往往最难评估，最痛的往往最值钱
只自上而下不回头验证拆完直接做，不回去看「这个公司真的存在吗」做了 3 天后发现没有对标公司

七、与其他工具的关系​

八、下一步​

拆完一个了吗？对照四个完整行业样例检查你的拆解质量 → 06 · 四个行业场景拆解样例