16 KiB
16 KiB
产品需求文档 (PRD) - 核心要素梳理（乙方角度）
项目名称： 多墨PTE B端院校教学管理系统（暂定） 对应客户： 西安某高校/教育集团（含国际高中、职高、大学部） 核心目标： 针对英语基础薄弱（低分段）、自律性差的学生群体，提供PTE考试全流程培训、管理与提分解决方案。
1.0 项目背景与用户画像
- 背景： 院校方引入PTE项目作为学生出国留学的路径，但生源基础极差（部分零基础或10-20分，目标30-36分）。
- 核心痛点：
- 学生端： 英语基础差、自律性差（存在刷课、作业复制粘贴现象）、现有视频课程太长看不懂。
- 教师/管理端： 需要监控学生学习进度、需要分层级管理（集团-校区-班级）、缺乏针对低分段的教学抓手。
- 目标用户：
- 学生： 高中/职高生为主，使用iPad（安卓/小米平板）或机房电脑。
- 老师/助教： 负责督学、批改、答疑。
- 管理者： 集团领导（看数据大屏）、校区负责人。
2.0 核心功能需求 (Functional Requirements)
2.1 学习终端与防作弊机制
- 设备兼容性： 重点适配安卓平板（特别是小米Pad），同时支持PC端。
- 禁止复制粘贴（Switch）：
- 需求： 为防止学生偷懒直接复制答案，需禁用输入框的粘贴功能。
- 逻辑优化： 做成后台可配置的开关。前期练习（如背模板）允许复制，后期模考/严管期由管理员统一关闭。
- PC端考试锁定（Lockdown）：
- 需求： 防止考试/模考期间切屏查资料。
- 方案： 调研SEB (Safe Exam Browser) 或 开发C#客户端壳程序（封装浏览器），实现全屏独占，屏蔽系统热键（如Alt+Tab）。
2.2 视频课程与播放控制
- 内容分层推荐：
- 现状问题： 现有视频（1-1.5小时）太长，低分段学生看不懂且易走神。
- 需求： 切割为微课（20-30分钟/节），建立针对低分段（30分以下）的基础课程体系。
- 播放监控：
- 禁止拖动进度条。
- 必须“完播”才能标记为完成，且状态需同步给老师。
- 智能推荐逻辑： 测（模考/练习） -> 诊（AI分析薄弱点） -> 推（推送对应知识点的微课） -> 练（推送专项练习题）。
2.3 B端教学管理系统 (LMS)
- 多层级组织管理：
- 需求： 客户层级复杂（事业部 -> 区域 -> 校区 -> 班级 -> 组）。
- 方案： 摒弃僵化的树状结构，采用多层级标签系统 (Tagging System)。管理员可灵活给班级/学生打标（如“河南校区”、“高三1班”），通过标签筛选查看数据。
- 练习册与作业（Homework）：
- 老师可创建“练习册”（习题集），一键分发给学生。
- 支持查看学生完成情况，回收作业。
- 错题本： 系统自动收集错题，或老师手动添加，支持针对性重练。
- 品牌定制： 支持B端机构替换Logo（Web端及报告页）。
- 数据大屏/驾驶舱： 供高层领导查看宏观数据（如参与人数、达标率、平均分趋势等）。
2.4 账号与权限
- 角色体系： 学生、老师、助教、管理员（需区分权限，如助教只看进度，老师看成绩分析）。
- VIP/SVIP体系： 系统需支持根据购买课程包（VIP课程 vs SVIP一对一）开放不同权益（如批改额度）。
3.0 AI算法与数据分析需求
3.1 AI打分智能体 (Scoring Agent)
- 可解释性 (Explainability)： 不仅给分，要解释“为什么扣分”。
- 例（SWT题型）： 告知内容覆盖度（遗漏了哪些点）、改写程度（是否照抄原文）、逻辑连贯性。
- 可提升性 (Actionability)： 给出具体提分建议（针对低分段学生需简化建议，不仅是高深的理论）。
- 题型覆盖： 需覆盖PTE的22种题型（重点是SWT, Speaking等），每种题型需独立的打分逻辑。
3.2 用户能力画像 (Profiling)
- 四层维度建模：
- 评分维度： 发音、流利度、语法、拼写等。
- 题型维度： RA、RS、WFD等具体题型的平均表现。
- 聚合能力： 跨题型的综合能力（如总体的“发音能力”）。
- 预测分数： 听说读写四项小分的实时预测。
- 低分段特化： 需加入音标/发音基础的诊断（如连读、吞音、元音辅音纠正），因为低分段学生主要挂在基础发音上。
- API开放： 需预留接口，将画像数据（JSON/API）分享给校方，供校方进行更深度的血缘/性格分析整合。
3.3 推荐算法 (IRT & GSE)
- 基于IRT（项目反应理论）评估题目难度和学生能力。
- 对齐GSE（Global Scale of English）标准，根据分数段设定学习目标。
4.0 硬件与线下环境准备 (Action Items)
- 网络环境： 需对学校机房进行压力测试，确认带宽是否支持并发考试，必要时加路由器。
- 外设采购：
- 键盘： 需采购 FX50 型号键盘（模拟真实考场手感）。
- 耳机： 需采购降噪耳机（预算约600元/个），模拟考场抗干扰环境。
5.0 待办事项 (To-Do List)
| 优先级 | 任务项 | 负责人 | 备注 |
|---|---|---|---|
| P0 | 微课视频整理 | 课程组 | 梳理现有视频，筛选/录制适合30分以下水平的短视频(20-30min)。 |
| P0 | 功能开发：禁止复制粘贴 | 研发组 | 需做成后台可配置开关。 |
| P0 | 功能开发：防作弊浏览器壳 | 研发组 | 调研SEB或自研C#客户端，禁止切屏。 |
| P1 | 多层级标签管理系统 | 产品/研发 | 替代传统树状结构，满足事业部管理需求。 |
| P1 | AI画像API接口文档 | 研发组 | 整理画像数据结构，准备开放给校方实验室。 |
| P1 | 模考报告解读培训 | 教研组 | 安排时间给校方老师培训如何看模考报告。 |
| P2 | 压力测试 | 运维/实施 | 赴学校机房进行网络压力测试。 |
| P2 | 硬件采购协助 | 商务/实施 | 协助校方确认FX50键盘和耳机采购渠道。 |
💡 核心洞察与建议 (AI产品经理视角)
- 产品定位调整： 原始产品基因偏 To C（通用、高分段），但当前 B 端客户需求是 To B + 极低分段。建议在短期内不要试图重构整个内容库，而是通过“标签化”快速筛选出一套“基础包”内容（词汇、音标、模板），专门服务这批学生。
- 管理功能的灵活性： 客户提到的“事业部”需求其实是对数据可见性的焦虑。标签系统是正确的方向，但前端展示上建议给领导层做一个极简的“红绿灯”大屏（例如：绿色代表达标，红色代表需关注），直接展示结果，而非过程细节。
- 技术边界： 关于校方提出的“性格分析”等深度画像，建议明确边界。我们提供各维度的学习行为数据和能力数据接口，具体的“性格建模”交由校方实验室自己完成，避免开发重心偏移。
如果您需要针对某个具体模块（如“AI打分逻辑”或“标签管理系统”）的详细PRD，请随时告知。
战略洞察——关键问题诊断与机遇识别（甲方角度）
核心诊断与机遇概览
- 核心诊断: 乙方当前产品基因仍深植于 “C端高分段自学” 逻辑，与我方 “B端低分段强管” 的现实场景存在根本性的产品-市场错配 (Product-Market Mismatch)，单纯的功能修补（如加按钮）无法解决核心教学交付难题。
- 核心机遇: 双方合作有潜力超越单纯的“软硬件采购”，升级为 “AI+外语”产教融合（Industry-Education Integration） 的战略级项目，利用我方丰富的多层次生源场景（职高/大学/国际部）打造行业标杆。
关键问题诊断
1. 教学交付模型错配：C端精英逻辑 vs B端基础现实
- 表层症状 (Symptoms):
- 在录音中 [发言人1-乙方, 15:03] 承认，“我们的视频其实是针对中高分段的学生...不知道咱们的学生适不适合看。”
- [发言人4-甲方教学负责人, 22:19] 反馈，“两百多个视频...连我都没有耐心看，看一会就睡着了。”，“学生基础极差（部分零基础或10-20分）”。
- [发言人1-乙方, 22:38] 提到现有视频时长1-1.5小时，而[发言人4]指出学生自律性几乎为零。
- 深层诊断 (Diagnosis):
- [专业假设] 这不仅是内容难度的问题，而是教学交互逻辑的根本性错位。乙方的产品假设用户具备“内驱力+基础学习能力”，通过技术手段（AI打分）辅助练习；而我方学生处于“无内驱力+无基础”状态，需要的是“保姆式”的拆解教学和强制性填鸭流程。乙方试图用“推荐算法”解决“听不懂”的问题，可能在战术上是无效的。
- 潜在影响 (Potential Impact):
- 若不进行针对性的内容重构（而非简单的视频剪辑），第一批试点班级（尤其是职高/低分段）极大概率出现 “弃用”或“无效学习” ，导致教学交付失败，进而动摇集团内部推行PTE项目的信心。
- 数据缺失提醒:
- 建议收集数据：目前试点班级学生对乙方现有“微课”的完播率、理解度测试（Quiz）通过率，以及观看视频后做题的正确率提升幅度。
2. 集团管控视图缺失：标签化管理 vs 决策驾驶舱需求
- 表层症状 (Symptoms):
- 在录音中 [发言人1-乙方, 44:47] 提出用“多层级标签系统”来替代层级管理。
- [发言人3-甲方高层/代表, 42:43] 明确指出，“孙悦、周悦（高层）想打开看一下的时候...直接看结果...现在这20个班达到50分以上的有多少人？”
- [发言人4-甲方, 46:40] 担忧地表示，“标签是局部的...最后每个人都有标签，基本上就是没有（管理）。”
- 深层诊断 (Diagnosis):
- [专业假设] 乙方试图用互联网产品的轻量化思维（Tagging）来解决传统教育集团的科层制管理需求。这种错位会导致集团决策层“失明”。董事长和高管需要的是一个结果导向的 “红绿灯驾驶舱” （Dashboard），用于快速评估各校区/事业部的教学绩效，而不是一个需要搜索和筛选的运营工具。
- 潜在影响 (Potential Impact):
- 集团层面无法有效监控各分校/事业部的PTE项目推进情况，难以进行跨校区的横向考核与资源调配，最终导致项目沦为各校区的“孤岛”行为。
3. 商业模式冲突：人头费模式 vs 集团年费/IP共建模式
- 表层症状 (Symptoms):
- 在录音中 [发言人7-乙方商务, 01:30:36] 提到价格完全参考C端市场（3500元/人），并询问“你们觉得三千多的价格合适吗？”
- [发言人1-乙方, 01:32:51] 提到APP定制费用未来可以“谈到年费里”，但课程单独算。
- [发言人7-乙方, 01:23:37] 的报价逻辑依然是基于“课时+人头”的培训机构逻辑。
- 深层诊断 (Diagnosis):
- [专业假设] 乙方目前的报价体系缺乏B端大客户（KA）的定价策略。对于集团而言，按人头付费不仅成本高昂，且管理繁琐。更重要的是，甲方在录音中多次表达了“自研”、“数据接口”、“血缘/性格分析”的意图，说明甲方意在构建自有IP和系统，而非单纯采购服务。
- 潜在影响 (Potential Impact):
- 如果按照C端逻辑计费，随着集团推广规模扩大（如大学部360人+），成本将呈线性增长，不符合集团规模经济的诉求。且双方在知识产权（数据归属、系统IP）上可能出现纠纷。
潜在机遇识别
1. 打造“AI+外语”产教融合示范基地
- 会议信号 (Signal):
- [发言人3-甲方高层, 55:22] 提到，“有没有可能咱们共同合作...搞什么产业学院...改成一个AI+外语这块...这事儿包装完之后，围绕这个做一个形象。”
- [发言人5-甲方, 56:21] 补充说，“还有一些更高层面的东西...在同类高校中，学校在PTE这块是一个很明显的存在。”
- 潜在机遇 (Potential Opportunity):
- 这是一个极具战略高度的G端/B端机遇。利用乙方的技术（AI打分、自适应推荐）和甲方的场景（大学、职高），共同申报 “产教融合实训基地” 或 “AI教育改革示范项目” 。这不仅能获得政府资金或政策支持，还能提升集团的品牌溢价。
- 探索建议 (Exploratory Suggestion):
- 建议集团战略部牵头，草拟一份《AI赋能外语教学改革-产教融合共建方案》，邀请乙方高层（创始人级别）进行一次专门的战略合作洽谈，跳出具体产品功能，探讨联合挂牌、课题申报的可能性。
2. 开拓“低分段/零基础PTE特训”蓝海市场
- 会议信号 (Signal):
- [发言人1-乙方, 01:51] 提到，“我们发现还有一个很大的下沉市场...零基础甚至负基础...抖音上有很多这种低分段想要出国打工的人群。”
- [发言人4-甲方, 49:38] 强调，“所有孩子的口语都比较弱...针对30分以下的，我们可能还得再有一些课程。”
- 潜在机遇 (Potential Opportunity):
- 目前PTE市场主要卷在“高分段/名校申请”，而“低分段/劳务输出/职高升学”市场不仅是甲方的痛点，也是行业的蓝海。如果甲方能倒逼乙方联合研发出一套专攻“初中英语水平考PTE 30分”的标准化课程与系统，这套产品将具备极强的对外输出能力（卖给其他职高、劳务中介）。
- 探索建议 (Exploratory Suggestion):
- 建议指定现在的“职高试点班”为 “原型产品孵化项目” 。要求乙方必须派教研人员入驻（Sited），与甲方老师共同打磨这套低分段课程。成功后，该课程体系的所有权归属需在合同中提前约定（建议争取共有IP或独家使用权）。
3. 构建自有“学生全维能力画像”数据资产
- 会议信号 (Signal):
- [发言人7-甲方技术, 01:33:16] 明确提出，“你能把你上面这一部分代码的东西能给我分API分享出来吗？...我的画像是为了给老师来辅助...包括学生的性格。”
- [发言人1-乙方] 表示画像和推荐系统已经集成，可以提供接口。
- 潜在机遇 (Potential Opportunity):
- 通过集成乙方的“学习行为数据”与甲方自有的“性格/血缘/生活数据”，集团有机会构建一个真正的“AI学生数字孪生”系统。这不仅服务于PTE教学，更可延伸至升学指导、心理干预等领域，成为集团的核心数字资产。
- 探索建议 (Exploratory Suggestion):
- 指示技术团队（王老师/实验室）优先测试乙方API的数据颗粒度。如果乙方数据足够细（如停顿次数、发音特征），则无需自研底层打分引擎，集中精力开发上层的“综合素质评价模型”。