⚡

产品经理工具包Skill product-manager-toolkit

这是一个产品经理技能工具包，用于帮助产品经理进行需求优先级排序（如使用RICE框架）、客户访谈分析、PRD文档创建、产品发现和上市策略开发。包含关键词：产品管理、需求分析、用户研究、PRD模板、RICE优先级、客户访谈、产品战略、工具包、技能提升。

需求分析 0 次安装 0 次浏览 更新于 3/21/2026

名称: 产品经理工具包 描述: 产品经理的全面工具包，包括RICE优先级排序、客户访谈分析、PRD模板、发现框架和上市策略。用于特性优先级排序、用户研究合成、需求文档和产品战略开发。

产品经理工具包

现代产品管理的必备工具和框架，从发现到交付。

快速开始

对于特性优先级排序

python scripts/rice_prioritizer.py sample  # 创建示例CSV
python scripts/rice_prioritizer.py sample_features.csv --capacity 15

对于访谈分析

python scripts/customer_interview_analyzer.py interview_transcript.txt

对于PRD创建

  1. 从 references/prd_templates.md 选择模板
  2. 基于发现工作填充部分
  3. 与利益相关者审查
  4. 在你的PM工具中进行版本控制

核心工作流

特性优先级排序过程

  1. 收集特性请求

    • 客户反馈
    • 销售请求
    • 技术债务
    • 战略举措

  2. 使用RICE评分

    # 创建CSV包含：名称,到达,影响,置信度,工作量
python scripts/rice_prioritizer.py features.csv
    • 到达: 每季度受影响的用户数
    • 影响: 巨大/高/中/低/微小
    • 置信度: 高/中/低
    • 工作量: xl/l/m/s/xs（人月）

  3. 分析组合

    • 审查快速胜利与大赌注
    • 检查工作量分布
    • 验证与战略对齐

  4. 生成路线图

    • 季度容量规划
    • 依赖映射
    • 利益相关者对齐

客户发现过程

  1. 进行访谈

    • 使用半结构化格式
    • 关注问题，而非解决方案
    • 获得许可后记录

  2. 分析洞察

    python scripts/customer_interview_analyzer.py transcript.txt

    提取：

    • 痛点及严重性
    • 特性请求及优先级
    • 要完成的工作
    • 情感分析
    • 关键主题和引述

  3. 合成发现

    • 分组相似痛点
    • 跨访谈识别模式
    • 映射到机会领域

  4. 验证解决方案

    • 创建解决方案假设
    • 使用原型测试
    • 测量实际与预期行为

PRD开发过程

  1. 选择模板

    • 标准PRD: 复杂特性（6-8周）
    • 单页PRD: 简单特性（2-4周）
    • 特性简报: 探索阶段（1周）
    • 敏捷史诗: 基于冲刺的交付

  2. 结构化内容

    • 问题 → 解决方案 → 成功指标
    • 始终包含超出范围
    • 清晰的验收标准

  3. 协作

    • 工程用于可行性
    • 设计用于体验
    • 销售用于市场验证
    • 支持用于运营影响

关键脚本

rice_prioritizer.py

高级RICE框架实现，带组合分析。

特性:

  • RICE分数计算
  • 组合平衡分析（快速胜利 vs 大赌注）
  • 季度路线图生成
  • 团队容量规划
  • 多种输出格式（文本/JSON/CSV）

使用示例:

# 基本优先级排序
python scripts/rice_prioritizer.py features.csv

# 自定义团队容量（每季度人月）
python scripts/rice_prioritizer.py features.csv --capacity 20

# 输出为JSON以便集成
python scripts/rice_prioritizer.py features.csv --output json

customer_interview_analyzer.py

基于NLP的访谈分析，用于提取可操作洞察。

能力:

  • 痛点提取及严重性评估
  • 特性请求识别和分类
  • 要完成的工作模式识别
  • 情感分析
  • 主题提取
  • 竞争对手提及
  • 关键引述识别

使用示例:

# 分析单个访谈
python scripts/customer_interview_analyzer.py interview.txt

# 输出为JSON以便聚合
python scripts/customer_interview_analyzer.py interview.txt json

参考文档

prd_templates.md

多种PRD格式，适用于不同上下文：

  1. 标准PRD模板

    • 全面11节格式
    • 最佳用于主要特性
    • 包括技术规范

  2. 单页PRD

    • 简洁格式以便快速对齐
    • 关注问题/解决方案/指标
    • 适用于较小特性

  3. 敏捷史诗模板

    • 基于冲刺的交付
    • 用户故事映射
    • 验收标准焦点

  4. 特性简报

    • 轻量级探索
    • 假设驱动
    • 预PRD阶段

优先级排序框架

RICE框架

分数 = (到达 × 影响 × 置信度) / 工作量

到达: 用户数/季度
影响: 
  - 巨大 = 3x
  - 高 = 2x
  - 中 = 1x
  - 低 = 0.5x
  - 微小 = 0.25x
置信度:
  - 高 = 100%
  - 中 = 80%
  - 低 = 50%
工作量: 人月

价值 vs 工作量矩阵

         低工作量    高工作量
         
高价值   快速胜利    大赌注
         [优先]      [战略]
         
低价值   填充物      时间陷阱
         [可能]      [避免]

MoSCoW方法

  • 必须拥有: 对发布关键
  • 应该拥有: 重要但不关键
  • 可以拥有: 好有但非必需
  • 不会拥有: 超出范围

发现框架

客户访谈指南

1. 上下文问题（5分钟）
   - 角色和职责
   - 当前工作流
   - 使用工具

2. 问题探索（15分钟）
   - 痛点
   - 频率和影响
   - 当前变通方法

3. 解决方案验证（10分钟）
   - 对概念的反应
   - 价值感知
   - 支付意愿

4. 总结（5分钟）
   - 其他想法
   - 推荐
   - 后续许可

假设模板

我们相信[构建此特性]
对于[这些用户]
将[达到此结果]
当我们看到[指标]时，我们会知道是对的

机会解决方案树

结果
├── 机会1
│   ├── 解决方案A
│   └── 解决方案B
└── 机会2
    ├── 解决方案C
    └── 解决方案D

指标与分析

北极星指标框架

  1. 识别核心价值: 对用户#1的价值是什么？
  2. 使其可测量: 可量化和可追踪
  3. 确保可操作: 团队可以影响它
  4. 检查领先指标: 预测业务成功

漏斗分析模板

获取 → 激活 → 保留 → 收入 → 推荐

关键指标:
- 每个步骤的转换率
- 流失点
- 步骤间时间
- 队列变化

特性成功指标

  • 采用: 使用特性的用户百分比
  • 频率: 每个用户每段时间的使用
  • 深度: 使用的特性能力百分比
  • 保留: 随时间继续使用
  • 满意度: 特性的NPS/CSAT

最佳实践

编写优秀PRD

  1. 从问题开始，而非解决方案
  2. 包含明确的成功指标
  3. 明确声明超出范围
  4. 使用视觉（线框图、流程图）
  5. 保持技术细节在附录
  6. 版本控制变化

有效优先级排序

  1. 混合快速胜利与战略赌注
  2. 考虑机会成本
  3. 考虑依赖关系
  4. 为意外工作缓冲（20%）
  5. 季度重新审视
  6. 明确沟通决策

客户发现技巧

  1. 问“为什么”5次
  2. 关注过去行为，而非未来意图
  3. 避免引导性问题
  4. 在他们的环境中访谈
  5. 寻找情感反应
  6. 用数据验证

利益相关者管理

  1. 识别决策的RACI
  2. 定期异步更新
  3. 演示优先于文档
  4. 早期解决关切
  5. 公开庆祝胜利
  6. 从失败中公开学习

常见陷阱避免

  1. 解决方案优先思维: 在理解问题前跳到特性
  2. 分析瘫痪: 过度研究而不交付
  3. 特性工厂: 交付特性而不测量影响
  4. 忽略技术债务: 不为平台健康分配时间
  5. 利益相关者惊喜: 不早且经常沟通
  6. 指标剧场: 优化虚荣指标而非真实价值

集成点

此工具包集成与:

  • 分析: Amplitude, Mixpanel, Google Analytics
  • 路线规划: ProductBoard, Aha!, Roadmunk
  • 设计: Figma, Sketch, Miro
  • 开发: Jira, Linear, GitHub
  • 研究: Dovetail, UserVoice, Pendo
  • 沟通: Slack, Notion, Confluence

快速命令速查表

# 优先级排序
python scripts/rice_prioritizer.py features.csv --capacity 15

# 访谈分析
python scripts/customer_interview_analyzer.py interview.txt

# 创建示例数据
python scripts/rice_prioritizer.py sample

# JSON输出以便集成
python scripts/rice_prioritizer.py features.csv --output json
python scripts/customer_interview_analyzer.py interview.txt json