名称: 机会解决方案树 描述: 通过提取利益相关者请求中的目标结果，生成机会选项（待解决的问题），映射潜在解决方案，并基于可行性、影响和市场适配选择最佳概念验证（POC），引导产品经理创建机会解决方案树（OST）。这用于从模糊的产品请求转向结构化发现，确保团队在跳转到解决方案之前解决正确的问题——避免“功能工厂”综合症和过早收敛于想法。
这不是路线图生成器——它是一个结构化发现过程，输出带有可测试解决方案假设的已验证机会。
目的
通过提取利益相关者请求中的目标结果，生成机会选项（待解决的问题），映射潜在解决方案，并基于可行性、影响和市场适配选择最佳概念验证（POC），引导产品经理创建机会解决方案树（OST）。使用此工具，从模糊产品请求转向结构化发现，确保团队在跳转到解决方案之前解决正确的问题——避免“功能工厂”综合症和过早收敛于想法。
这不是路线图生成器——它是一个结构化发现过程，输出带有可测试解决方案假设的已验证机会。
关键概念
什么是机会解决方案树（OST）？
OST是一个视觉框架（Teresa Torres，《持续发现习惯》），连接：
- 期望结果（业务目标或产品指标）
- 机会（可能推动结果的客户问题、需求、痛点或愿望）
- 解决方案（解决每个机会的方式）
- 实验（验证解决方案的测试）
结构：
期望结果 (1)
|
+-----------+-----------+
| | |
机会1 机会2 机会3 (3个机会)
| | |
+-+-+ +-+-+ +-+-+
| | | | | | | | |
解决方案1 解决方案2 解决方案3 (每个机会3个解决方案，共9个)
为什么这个框架有效
- 结果驱动： 从业务目标开始，而不是功能请求
- 发散前收敛： 在选择解决方案前探索多个机会
- 问题聚焦： 机会是问题，而不是伪装成问题的解决方案
- 可测试： 每个解决方案映射到实验，不仅仅是“构建并发布”
- POC选择： 在承诺资源前评估可行性、影响、市场适配
反模式（这不是什么）
- 不是功能列表： 机会是客户面临的问题，而不是“我们需要黑暗模式”
- 不是解决方案优先： 不要从“我们应该构建X”开始——从“客户在Y上挣扎”开始
- 不是瀑布式规划： OST是发现工具，不是项目计划
- 不是一次性练习： OST随着实验学习而演变
何时使用此工具
- 利益相关者请求功能或产品倡议时
- 开始新产品领域发现时
- 澄清模糊OKR或战略目标时
- 优先解决哪些问题时
- 对齐团队以推动结果时
何时不使用此工具
- 当问题已经验证时（转向解决方案测试）
- 用于战术bug修复或技术债务（不需要发现）
- 当利益相关者要求特定解决方案时（先解决对齐问题）
促进源真理
使用 workshop-facilitation 作为此技能的默认交互协议。
它定义了：
- 会议提醒 + 进入模式（引导、上下文转储、最佳猜测）
- 单问题轮次与普通语言提示
- 进度标签（例如，上下文 Qx/8 和评分 Qx/5）
- 中断处理和暂停/恢复行为
- 决策点的编号建议
- 常规问题的快速选择编号响应选项（当有用时包括
其他（指定））
此文件定义领域特定评估内容。如有冲突，请遵循此文件的领域逻辑。
应用
使用 template.md 获取完整填充结构。
此交互技能遵循 两阶段过程：
阶段1： 生成OST（提取结果、识别机会、映射解决方案） 阶段2： 选择POC（评估解决方案、推荐最佳起点）
步骤0：收集上下文（在问题之前）
代理建议：
在创建机会解决方案树之前，让我们收集上下文：
利益相关者请求或产品倡议：
- 利益相关者要求什么？（功能请求、产品想法、战略目标）
- 任何现有材料：PRD草案、OKR文档、战略备忘录、会议笔记
- 问题陈述、客户投诉或研究结果
产品上下文（如果可用）：
- 网站文案、定位声明、产品描述
- 竞争对手材料、客户评论（G2、Capterra）、社区讨论
- 使用数据、支持工单、流失原因
您可以直接粘贴此内容，或简要描述请求。
阶段1：生成机会解决方案树
问题1：提取期望结果
代理询问： “此倡议的期望结果是什么？（您试图推动的业务或产品指标是什么？）”
提供4个枚举选项：
- 收入增长 — “增加ARR，从现有客户扩展收入，新收入流”（适用于扩展产品）
- 客户保留 — “减少流失，增加激活，提高参与度/粘性”（适用于有保留问题的成熟产品）
- 客户获取 — “增加注册、试用转化、新用户增长”（适用于早期或增长产品）
- 产品效率 — “减少支持成本，降低价值实现时间，改善运营指标”（适用于优化操作的成熟产品）
或描述您的具体期望结果（可测量：例如，“将试用转付费转化率从15%提高到25%”）。
用户响应： [选择或自定义]
代理提取并确认：
- 期望结果： [具体、可测量的结果]
- 为什么重要： [来自利益相关者请求或上下文的理由]
问题2：识别机会（待解决的问题）
代理基于期望结果和提供的上下文生成3个机会。
代理说： “基于您的期望结果（[来自Q1]）和您提供的上下文，以下是 3个机会（客户问题或需求），可能推动此结果：”
示例（如果结果 = 增加试用转付费转化）：
-
机会1：用户在试用期间未体验价值 — “新用户注册但未完成入职，从未达到‘顿悟时刻’，在看到核心价值前放弃”
- 证据：[来自上下文：入职分析、支持工单、退出调查]
-
机会2：定价不清晰或不对齐 — “用户不确定付费计划是否值得；不理解价格获得什么；定价页面混淆”
- 证据：[来自上下文：定价页面转化漏斗下降、销售异议]
-
机会3：免费计划‘足够好’ — “用户无限期停留在免费层，因为它满足需求；没有升级的 compelling 理由”
- 证据：[来自上下文：免费用户保留数据、支持工单询问变通方法]
代理询问： “哪个机会感觉最需要首先探索，或者您想修改/添加机会？”
用户响应： [选择或自定义]
问题3：为选定机会生成解决方案
代理为选定机会生成3个解决方案想法。
代理说： “对于 机会 [X]: [名称]，以下是 3个潜在解决方案 进行测试：”
示例（如果选择机会1：用户在试用期间未体验价值）：
-
解决方案1：引导入职清单 — “交互式清单，逐步引导用户完成核心工作流（例如，‘创建您的第一个项目’、‘邀请队友’、‘完成任务’）”
- 假设：结构化指导提高完成率
- 实验：A/B测试清单与无清单，测量激活率
-
解决方案2：价值实现时间触发器 — “当用户卡住时自动提示（例如，‘您尚未创建项目——这里是一个启动模板’）”
- 假设：主动提示防止放弃
- 实验：跟踪提示参与度，测量试用转付费提升
-
解决方案3：人工辅助入职 — “为高价值试用用户（企业、团队计划）提供15分钟入职电话与CSM”
- 假设：个人接触增加高意向用户转化
- 实验：向50个试用用户提供，测量转化与控制组对比
代理询问： “您想探索另一个机会的解决方案，还是转向POC选择？”
用户响应： [选择或自定义]
阶段2：选择概念验证（POC）
生成解决方案后，代理帮助选择首先测试哪个解决方案。
问题4：评估解决方案（可行性、影响、市场适配）
代理说： “让我们评估您的解决方案，以选择最佳起点。我将对每个解决方案在 可行性（构建难度）、影响（可能推动结果的程度）和 市场适配（与客户需求的匹配程度）上评分。”
代理生成评估表：
| 解决方案 | 可行性 (1-5) | 影响 (1-5) | 市场适配 (1-5) | 总分 | 理由 |
|---|---|---|---|---|---|
| 解决方案1：引导入职清单 | 4 | 4 | 5 | 13 | 高可行性（UI模式）、已验证影响（行业标准）、强市场适配（用户期望入职指导） |
| 解决方案2：价值实现时间触发器 | 3 | 3 | 4 | 10 | 中等可行性（需要分析集成）、适度影响（取决于触发器质量）、良好市场适配 |
| 解决方案3：人工辅助入职 | 5 | 5 | 3 | 13 | 高可行性（无开发工作）、高影响（个人接触）、较低市场适配（不扩展，仅高接触） |
评分标准：
- 可行性： 1 = 数月工作，5 = 天/周
- 影响： 1 = 最小结果变动，5 = 主要结果转变
- 市场适配： 1 = 客户不在乎，5 = 客户主动请求此功能
代理推荐：
推荐POC：解决方案1（引导入职清单）
为什么选择此POC：
- 平衡可行性（可在2-4周内构建）与影响（已验证模式）
- 强市场适配（用户期望入职指导）
- 可测试假设：“如果我们通过核心工作流引导用户，激活率将从X%提高到Y%”
替代POC： 解决方案3（人工辅助入职）
- 如果您想无开发工作快速学习，从此开始
- 手动测试20-50个试用用户，收集定性反馈
- 使用学习结果指导自动化解决方案（解决方案1）
不推荐POC： 解决方案2（价值实现时间触发器）
- 需要更多前期投资
- 影响取决于触发器质量（需要实验才能正确）
- 验证核心入职流后作为后续更好
问题5：定义实验
代理询问： “您将如何测试此解决方案？实验是什么？”
提供3个枚举选项：
- A/B测试 — “构建MVP，向50%试用用户展示，与对照组比较转化”（最佳用于：定量验证，需要流量）
- 原型 + 可用性测试 — “创建可点击原型，观察10个用户尝试入职，收集定性反馈”（最佳用于：早期验证，低流量）
- 手动礼宾测试 — “手动运行解决方案与20个用户（例如，亲自引导他们入职），测量结果”（最佳用于：快速学习，无开发工作）
或描述您的实验方法。
用户响应： [选择或自定义]
输出：机会解决方案树 + POC计划
完成流程后，代理输出：
# 机会解决方案树 + POC计划
## 期望结果
**结果：** [来自Q1]
**目标指标：** [具体、可测量的目标]
**为什么重要：** [理由]
---
## 机会映射
### 机会1： [名称]
**问题：** [描述]
**证据：** [来自上下文]
**解决方案：**
1. [解决方案A]
2. [解决方案B]
3. [解决方案C]
---
### 机会2： [名称]
**问题：** [描述]
**证据：** [来自上下文]
**解决方案：**
1. [解决方案A]
2. [解决方案B]
3. [解决方案C]
---
### 机会3： [名称]
**问题：** [描述]
**证据：** [来自上下文]
**解决方案：**
1. [解决方案A]
2. [解决方案B]
3. [解决方案C]
---
## 选定POC
**机会：** [选定机会]
**解决方案：** [选定解决方案]
**假设：**
- “如果我们[实施解决方案]，那么[结果指标]将从[X]到[Y][增加/减少]，因为[理由]。”
**实验：**
- **类型：** [A/B测试 / 原型测试 / 礼宾测试]
- **参与者：** [用户数量、细分]
- **时长：** [时间线]
- **成功标准：** [什么验证假设]
**可行性评分：** [1-5]
**影响评分：** [1-5]
**市场适配评分：** [1-5]
**总分：** [总和]
**为什么选择此POC：**
- [理由1]
- [理由2]
- [理由3]
---
## 下一步步骤
1. **构建实验：** [具体行动，例如，“创建入职清单线框”]
2. **运行实验：** [具体行动，例如，“部署到50%试用用户2周”]
3. **测量结果：** [具体指标，例如，“比较激活率：清单与对照组”]
4. **决定：** [如果成功 → 扩展；如果失败 → 尝试下一个解决方案]
---
**准备构建实验了吗？如果您想精炼假设或探索替代解决方案，请告诉我。**
示例
查看 examples/sample.md 获取完整OST示例。
迷你示例摘录：
**期望结果：** 将试用转付费转化率从15%提高到25%
**机会：** 用户在试用期间未达到“顿悟时刻”
**解决方案：** 引导入职清单
常见陷阱
陷阱1：伪装成解决方案的机会
症状： “机会：我们需要一个移动应用”
后果： 您已经收敛于解决方案，而没有探索问题。
修复： 重新框架机会作为客户问题：“移动优先用户无法在移动中访问产品。”
陷阱2：跳过发散（跳转到一个解决方案）
症状： “我们知道解决方案是[X]，只需要构建它”
后果： 错过更好替代品，没有学习。
修复： 每个机会生成至少3个解决方案。强制发散前收敛。
陷阱3：结果太模糊
症状： “期望结果：改善用户体验”
后果： 无法测量成功，无法优先机会。
修复： 使结果可测量：“将NPS从30提高到50”或“将入职放弃率从60%降低到40%。”
陷阱4：无实验（直接构建）
症状： 选择一个解决方案并直接转向路线图
后果： 无验证，构建错误事物的风险高。
修复： 每个解决方案必须映射到一个实验。无实验 = 无OST。
陷阱5：分析瘫痪（永远探索）
症状： 生成20个机会，50个解决方案，从未选择一个
后果： 团队卡在发现中，无进展。
修复： 限制到3个机会，每个3个解决方案（共9个）。选择POC，运行实验，学习，迭代。
参考文献
相关技能
skills/problem-statement/SKILL.md— 框架机会作为客户问题skills/jobs-to-be-done/SKILL.md— 帮助从JTBD研究识别机会skills/epic-hypothesis/SKILL.md— 将已验证解决方案转为可测试史诗skills/user-story/SKILL.md— 将实验分解为可交付故事skills/discovery-interview-prep/SKILL.md— 通过客户访谈验证机会
外部框架
- Teresa Torres，《持续发现习惯》（2021）— 机会解决方案树的起源
- Jeff Patton，《用户故事映射》（2014）— 结果驱动的产品规划
- Ash Maurya，《运行精益》（2012）— 假设驱动的实验
相关资源
- Productside Blueprint — 战略产品发现过程
- [如果有相关OST资源，链接此处]
技能类型： 交互式
建议文件名： opportunity-solution-tree.md
建议放置位置： /skills/interactive/
依赖： 使用 skills/problem-statement/SKILL.md, skills/jobs-to-be-done/SKILL.md, skills/epic-hypothesis/SKILL.md, skills/user-story/SKILL.md