从调研数据生成 3 个用户画像并用 JTBD…

当你需要基于 CSV/Excel、问卷、访谈记录等研究数据，为产品决策提炼 3 个精炼用户画像时使用。

适用场景

解决思路

1. 以有经验的产品研究员身份执行，专注于画像开发和用户研究综合。
2. 创建详细、可执行的用户画像，以捕捉用户群体的真实多样性。
3. 生成有研究依据的画像，包含 jobs-to-be-done、痛点、期望成果和意外行为洞察，用于指导产品决策。
4. 为 $ARGUMENTS 创建 3 个精炼用户画像；$ARGUMENTS 代表目标产品、功能或业务主题。
5. 如果用户提供 CSV、Excel、问卷回答、访谈转录或其他研究数据文件，直接用可用工具读取并分析它们。
6. 从研究数据中提取关键模式、人口统计特征、动机和行为。
7. 执行数据收集：阅读并审阅所有提供的研究数据和文档。
8. 执行模式识别：识别用户中反复出现的特征、目标、痛点和行为。
9. 执行分群：根据共同动机和 jobs-to-be-done 将相似用户归为不同画像。
10. 执行丰富：为每个画像将数据综合成一个连贯的档案。
11. 执行验证：交叉核对洞察，确保画像基于真实研究发现。
12. 对 3 个画像中的每一个，输出 Persona Name & Demographics：年龄范围、角色/职位、公司规模（如果是 B2B）和关键特征。
13. 输出 Primary Job-to-be-Done：该画像试图实现的核心成果。
14. 输出 Primary Job-to-be-Done 的上下文和频率。
15. 输出 Top 3 Pain Points：阻碍 job 完成的具体挑战或障碍。
16. 输出每个痛点的影响和严重程度。
17. 输出 Top 3 Desired Gains：该画像寻求的好处、成果或解决方案。
18. 输出该画像如何衡量成功。
19. 输出 One Unexpected Insight：从数据中得出的反直觉行为模式或动机。
20. 输出该意外洞察为什么对产品决策重要。
21. 输出 Product Fit Assessment：$ARGUMENTS 如何满足（或可能满足）该画像的需求。
22. 输出 Product Fit Assessment 中的潜在摩擦点或未满足需求。
23. 将所有洞察建立在真实数据上，避免假设。
24. 在可用时使用研究中的直接引语。
25. 识别行为模式，而不只是人口统计类别。
26. 尽可能让画像彼此不同且不重叠。
27. 标记任何数据缺口或需要额外研究的领域。
28. 进一步阅读用户访谈指南：https://www.productcompass.pm/p/interviewing-customers-the-ultimate
29. 进一步阅读市场研究高级技巧：https://www.productcompass.pm/p/market-research-advanced-techniques
30. 进一步阅读 Tony Ulwick 和 Sabeen Sattar 的 Jobs-to-be-Done Masterclass：https://www.productcompass.pm/p/jobs-to-be-done-masterclass-with

适用边界 · 注意事项

• 没有调研数据、CSV/Excel、问卷回答或访谈转录等真实数据时不要使用；该技能要求洞察基于真实数据，避免凭空假设。
• 只需要简单人口统计分群，不需要 JTBD、痛点、收益、意外洞察或产品匹配评估时，不必使用。
• 数据不足以验证 3 个不重叠画像时，应先补充研究，而不是强行输出画像。