⚡

AI产品推荐画布Skill recommendation-canvas

AI产品推荐画布是一个结构化框架，用于评估和提出AI产品解决方案。它帮助产品经理通过评估业务成果、客户成果、问题框架、解决方案假设、定位、风险和价值验证来制定战略建议，特别适用于高风险和高不确定性的AI项目。关键词包括AI产品、推荐画布、结构化评估、业务成果、客户成果、风险管理、价值验证。

产品战略 0 次安装 0 次浏览 更新于 3/18/2026

名称: 推荐画布 描述: 使用结构化画布评估和提出AI产品解决方案，该画布评估业务成果、客户成果、问题框架、解决方案假设、定位、风险和价值验证。使用此工具为利益相关者和决策者（尤其是在提出高风险和高不确定性的AI功能或产品时）构建全面、可辩护的建议。

这不是一个功能规格说明书——而是一个战略提案，阐明为什么这个AI解决方案值得构建，需要验证哪些假设，以及如何衡量成功。

关键概念

推荐画布框架

为Dean Peters的Productside“AI创新产品经理”课程创建，该画布将多个PM框架综合为一个战略视图：

核心组件：

  1. 业务成果： 企业能获得什么？
  2. 产品成果： 客户能获得什么？
  3. 问题陈述： 以用户角色为中心的问题框架
  4. 解决方案假设： 如果/那么假设与实验
  5. 定位陈述： 价值主张和差异化
  6. 假设与未知： 什么可能使此无效？
  7. PESTEL风险： 政治、经济、社会、技术、环境、法律
  8. 价值验证： 为什么值得做
  9. 成功指标： SMART指标衡量影响
  10. 下一步： 战略后续步骤

为什么有效

  • 成果驱动： 强制明确业务和客户价值
  • 假设中心： 将解决方案视为待验证的赌注，而非承诺
  • 风险显性： 提前暴露假设和风险
  • 高管友好： 全面但结构化，适合C级审查
  • AI适用： 特别适用于高不确定性的AI功能

反模式（什么不是）

  • 不是产品需求文档（PRD）： 这是战略框架，而非详细需求
  • 不是商业案例（尚不是）： 它为商业案例提供信息，但需要先验证
  • 不是功能列表： 关注成果，而非能力

何时使用

  • 提出新的AI产品或功能
  • 向高管推销或确保预算/赞助
  • 评估AI解决方案是否值得追求
  • 协调跨职能利益相关者（产品、工程、数据科学、业务）
  • 完成初始发现后（需要有上下文填写）

何时不使用

  • 用于琐碎功能（不要过度设计小调整）
  • 在任何发现工作之前（需要先有用户研究和问题验证）
  • 替代实验（画布指导实验，反之不行）

应用

使用template.md获取完整填写结构。

步骤1: 收集上下文

填写画布前，确保拥有：

  • 问题理解： 用户研究、痛点（参考skills/problem-statement/SKILL.md）
  • 用户角色清晰度： 谁体验问题？（参考skills/proto-persona/SKILL.md）
  • 市场上下文： 竞争格局、类别定位
  • 业务约束： 预算、时间线、战略优先级

如果缺少上下文： 先进行发现工作。此画布综合见解——不创造见解。

步骤2: 定义成果

业务成果

企业能获得什么？使用此格式：

  • [方向] [指标] [成果] [上下文] [接受标准]
## 业务成果
- [例如，“将现有产品现有客户的流失率降低25%”]

示例：

  • “在12个月内将企业客户的月经常性收入增加15%”

质量检查：

  • 可衡量： 能否追踪此指标？
  • 时间限制： 在什么时间范围内？
  • 有野心但现实： 不是“1个月内收入增长10倍”

产品成果

客户能获得什么？使用此格式：

  • [方向] [指标] [成果] [从用户角色视角的上下文] [接受标准]
## 产品成果
- [例如，“当我知悉纳入和排除标准时，提高寻找患者的速度”]

示例：

  • “将小企业主手动处理发票的时间减少60%”

质量检查：

  • 客户中心： 从用户视角撰写（“我”，而非“我们”）
  • 成果，非功能： “减少时间花费”，而非“使用AI自动化”

步骤3: 框架问题

使用skills/problem-statement/SKILL.md的问题框架叙事：

## 问题陈述

### 问题陈述叙事
- [用户角色描述：2-3句话从用户视角讲述故事]
- [示例：“莎拉是管理10个客户的自由设计师。她每月花费8小时手动追踪发票和追讨逾期付款。当她跟进时，一些客户已转向其他设计师，导致收入损失和关系损害。”]

质量检查：

  • 同理心： 这听起来像用户的声音吗？
  • 具体： 不是“用户想要更好的工具”，而是“莎拉每月花费8小时…”
  • 已验证： 基于真实用户研究，非假设

步骤4: 定义解决方案假设

假设陈述

使用skills/epic-hypothesis/SKILL.md的史诗假设格式：

## 解决方案假设

### 假设陈述
**如果我们** [针对目标用户角色的行动或解决方案]
**对于** [目标用户角色]
**那么我们将** [达到或实现理想成果]

示例：

  • “如果我们为自由设计师提供AI驱动的发票提醒，在最佳时间自动发送，那么我们将把支付跟进时间减少70%”

微小发现行动

定义轻量级实验验证假设：

### 微小发现行动
**我们将通过以下方式测试假设：**
- [实验1：原型AI提醒系统并与5名自由职业者测试]
- [实验2：对20名用户A/B测试手动与AI定时提醒]
- [实验3：2周后调查用户感知价值]

质量检查：

  • 快速： 天数/周，非月
  • 廉价： 原型、 concierge测试，非完整构建
  • 可证伪： 可能证明你错

生命证明

定义验证措施：

### 生命证明
**我们知道假设有效，如果在** [时间范围内]
**我们观察到：**
- [定量成果：例如，“80%的用户通过AI系统发送提醒”]
- [定性成果：例如，“8/10的用户报告每月节省5+小时”]

步骤5: 定义定位

使用skills/positioning-statement/SKILL.md的定位陈述格式：

## 定位陈述

### 价值主张
**对于** [目标客户/用户角色]
**需要** [未被满足的需求陈述]
[产品名称]
**是一种** [产品类别]
**能够** [利益陈述，关注成果]

### 差异化陈述
**不同于** [主要竞争对手或竞争领域]
[产品名称]
**提供** [独特差异化，关注成果]

步骤6: 记录假设与未知

## 假设与未知
- **[假设1]** - [描述，例如，“我们假设用户会信任AI生成的提醒”]
- **[假设2]** - [描述，例如，“我们假设支付时间优化能提高响应率”]
- **[未知1]** - [描述，例如，“我们不知道用户偏好邮件还是短信提醒”]

质量检查：

  • 显性： 暴露隐藏假设
  • 可测试： 每个假设可通过实验验证

步骤7: 识别PESTEL风险

需调查风险（高优先级）

## 需调查问题/风险
- **政治：** [例如，“AI生成通信的法规变化”]
- **经济：** [例如，“经济衰退降低对高级功能支付意愿”]
- **社会：** [例如，“用户可能认为AI提醒不人性化或强推”]
- **技术：** [例如，“AI模型准确性可能随时间退化，需重新训练”]
- **环境：** [例如，“AI处理能源成本”]
- **法律：** [例如，“存储客户邮件模式的GDPR合规性”]

需监控风险（低优先级）

## 需监控问题/风险
- **政治：** [例如，“欧盟市场潜在AI法规”]
- **经济：** [例如，“汇率波动影响国际客户”]
- **社会：** [例如，“自动通信规范变化”]
- **技术：** [例如，“新兴AI竞争对手有更好模型”]
- **环境：** [例如，“利益相关者对碳足迹担忧”]
- **法律：** [例如，“未来数据隐私法”]

步骤8: 验证价值

## 价值验证

### 这有价值吗？
- [绝对有 / 有但需注意 / 没有但建议替代 / 绝对没有！]

### 解决方案验证
<!-- 写这些说服C级高管 -->
我们认为这是个有价值的想法。原因如下：
1. **[验证1]** - [描述，例如，“解决目标细分市场最大痛点”]
2. **[验证2]** - [描述，例如，“从仅提供手动提醒的竞争对手中差异化”]
3. **[验证3]** - [描述，例如，“低技术风险——利用现有AI基础设施”]

步骤9: 定义成功指标

使用SMART指标（具体、可衡量、可实现、相关、时间限制）：

## 成功指标
1. **[指标1]** - [例如，“3个月内80%的活跃用户采用AI提醒”]
2. **[指标2]** - [例如，“6个月内平均支付跟进时间减少50%”]
3. **[指标3]** - [例如，“6个月内发票功能的净推荐值从6增加到8”]

步骤10: 定义后续步骤

## 后续步骤
1. **[步骤1]** - [例如，“与10名测试用户进行2周原型测试”]
2. **[步骤2]** - [例如，“构建轻量级AI模型优化提醒时间”]
3. **[步骤3]** - [例如，“进行GDPR影响的法律审查”]
4. **[步骤4]** - [例如，“向高管团队展示发现，做是否推进决定”]
5. **[步骤5]** - [例如，“如果验证，加入Q2路线图”]

示例

见examples/sample.md获取完整推荐画布示例。

迷你示例摘录：

### 业务成果
- 12个月内将自由职业用户的月经常性收入增加20%

### 解决方案假设
**如果我们** 提供AI驱动的发票提醒
**对于** 自由设计师
**那么我们将** 把跟进时间减少70%

常见陷阱

陷阱1: 模糊成果

症状： “业务成果：增加收入。产品成果：改进用户体验。”

后果： 无可衡量性或问责性。

修复： 使用成果公式：[方向] [指标] [成果] [上下文] [接受标准]。具体化。

陷阱2: 解决方案优先思维

症状： 问题陈述是“我们需要AI驱动的X”

后果： 跳过问题验证直接到解决方案。

修复： 从用户视角框架问题。让解决方案假设从已验证痛点中产生。

陷阱3: 跳过微小发现行动

症状： 假设 → 直接到路线图，无实验

后果： 构建错误事物的高风险。

修复： 定义2-3个轻量级实验。在承诺工程资源前测试。

陷阱4: 通用PESTEL风险

症状： “政治：法规可能变化”

后果： 风险分析是作秀，不可操作。

修复： 具体化： “存储客户邮件时间数据的GDPR合规性需要法律审查。”

陷阱5: 弱价值验证

症状： “这有价值，因为客户会喜欢”

后果： 对高管无说服力。

修复： 使用数据： “根据用户研究解决最大痛点。20%流失减少 = 500k年经常性收入。低技术风险。”

参考

相关技能

  • skills/problem-statement/SKILL.md — 指导问题叙事
  • skills/epic-hypothesis/SKILL.md — 指导解决方案假设结构
  • skills/positioning-statement/SKILL.md — 指导定位部分
  • skills/proto-persona/SKILL.md — 定义目标用户角色
  • skills/jobs-to-be-done/SKILL.md — 指导客户成果

外部框架

  • Osterwalder的价值主张画布 — 影响问题/解决方案框架
  • PESTEL分析 — 风险评估框架
  • SMART目标 — 成功指标结构

Dean的作品

  • AI推荐画布模板（为Productside“AI创新产品经理”课程创建）

来源

  • 改编自https://github.com/deanpeters/product-manager-prompts仓库中的prompts/recommendation-canvas-template.md。

技能类型： 组件 建议文件名： recommendation-canvas.md 建议放置位置： /skills/components/ 依赖项： 引用skills/problem-statement/SKILL.md, skills/epic-hypothesis/SKILL.md, skills/positioning-statement/SKILL.md, skills/proto-persona/SKILL.md, skills/jobs-to-be-done/SKILL.md