name: user-research-synthesis description: 将定性用户研究数据合成为可操作的产品洞察的专业技能。通过主题分析，分析访谈记录、提取模式和主题、识别痛点、创建亲和图，并从研究数据中生成用户画像属性。 allowed-tools: Read, Grep, Write, Bash, Edit, Glob
用户研究综合技能
将定性用户研究数据合成为具有主题分析和基于证据的建议的可操作产品洞察。
概述
此技能提供了将原始用户研究数据转化为结构化洞察的全面能力。它支持访谈记录分析、调查响应综合、支持工单挖掘以及跨来源研究聚合。
能力
记录分析
- 分析访谈记录中的模式和主题
- 提取关键引语和支持证据
- 识别用户痛点、需求和目标
- 标记和分类研究发现
- 根据证据计算洞察置信度
主题分析
- 根据研究数据创建亲和图
- 构建显示关系的主题地图
- 识别跨参与者的新兴模式
- 将相关发现聚类为主题
- 根据频率和影响对主题进行优先级排序
用户画像开发
- 从研究数据生成用户画像属性
- 识别用户细分和原型
- 映射行为、动机和挫折
- 为每个用户画像创建“待完成工作”陈述
- 根据定量数据验证用户画像
研究聚合
- 综合多个来源的研究
- 结合调查、访谈和支持工单
- 跟踪随时间变化的情绪趋势
- 计算研究结果的统计置信度
- 生成研究存储库文档
先决条件
所需工具
- 文本处理和自然语言处理能力
- 电子表格或结构化数据处理
- 报告文档生成
输入数据格式
支持的格式：
- 访谈记录 (.txt, .md, .docx)
- 调查导出 (.csv, .xlsx)
- 支持工单导出 (.csv, .json)
- 用户反馈日志 (.json, .csv)
使用模式
访谈记录分析
## 分析框架
### 步骤 1：初始编码
对于每个记录：
1. 完整阅读以了解上下文
2. 突出显示重要陈述
3. 应用初始代码（开放编码）
4. 记录参与者元数据
### 步骤 2：模式识别
跨记录：
1. 分组相似代码
2. 识别重复出现的主题
3. 记录提及频率
4. 跟踪矛盾证据
### 步骤 3：洞察生成
对于每个主题：
1. 清晰定义洞察
2. 列出支持证据（3+条引语）
3. 评估置信度
4. 记录可操作的影响
结构化编码模板
{
"transcript_id": "INT-001",
"participant": {
"id": "P001",
"segment": "power_user",
"tenure": "2_years"
},
"findings": [
{
"code": "onboarding_friction",
"theme": "首次使用体验",
"quote": "我不知道从哪里开始...",
"timestamp": "00:12:34",
"sentiment": "negative",
"intensity": "high"
}
],
"summary": {
"key_pain_points": [],
"unmet_needs": [],
"positive_experiences": [],
"feature_requests": []
}
}
亲和图生成
## 亲和图流程
### 1. 捕获观察结果
- 每个观察一条笔记
- 包含来源归属
- 保持原始语言
### 2. 自下而上分组
- 聚类相似观察结果
- 为每个聚类命名
- 创建聚类层次结构
### 3. 输出格式
# 主题：[主题名称]
## 子主题：[子主题名称]
- 观察结果 1 (P001, INT-001)
- 观察结果 2 (P003, INT-003)
- 观察结果 3 (P007, INT-007)
### 证据强度
- 强：5+条支持观察
- 中等：3-4条支持观察
- 新兴：2条支持观察
洞察文档
## 洞察模板
### 洞察 ID：INS-001
**陈述**：[清晰、可操作的洞察陈述]
**主题**：[父主题]
**置信度**：[高/中/低]
**证据数量**：[支持数据点数量]
### 支持证据
| 来源 | 引语 | 参与者 |
|--------|-------|-------------|
| INT-001 | "..." | P001 |
| INT-003 | "..." | P003 |
| SUR-045 | "..." | R045 |
### 影响
- 产品：[产品影响]
- 设计：[设计影响]
- 工程：[技术考虑因素]
### 建议
1. [具体建议]
2. [具体建议]
### 矛盾证据
- [记录任何矛盾发现]
与 Babysitter SDK 集成
任务定义示例
const researchSynthesisTask = defineTask({
name: 'research-synthesis',
description: '将用户研究合成为可操作的洞察',
inputs: {
transcriptPaths: { type: 'array', required: true },
researchQuestion: { type: 'string', required: true },
outputFormat: { type: 'string', default: 'markdown' },
minEvidenceThreshold: { type: 'number', default: 3 }
},
outputs: {
themes: { type: 'array' },
insights: { type: 'array' },
personas: { type: 'array' },
recommendations: { type: 'array' }
},
async run(inputs, taskCtx) {
return {
kind: 'skill',
title: '综合用户研究发现',
skill: {
name: 'user-research-synthesis',
context: {
operation: 'full_synthesis',
transcriptPaths: inputs.transcriptPaths,
researchQuestion: inputs.researchQuestion,
outputFormat: inputs.outputFormat,
minEvidenceThreshold: inputs.minEvidenceThreshold
}
},
io: {
inputJsonPath: `tasks/${taskCtx.effectId}/input.json`,
outputJsonPath: `tasks/${taskCtx.effectId}/result.json`
}
};
}
});
分析框架
待完成工作（JTBD）提取
## JTBD 陈述格式
当[情境/上下文]时，
我想要[动机/目标]，
以便我能够[预期结果]。
### 提取流程
1. 在记录中识别触发情境
2. 提取陈述和未陈述的动机
3. 映射到期望结果
4. 分类：功能性、情感性、社交性工作
痛点严重性矩阵
| 严重性 | 频率 | 影响 | 优先级 |
|---|---|---|---|
| 严重 | 80%+ 用户 | 阻碍核心任务 | P0 |
| 高 | 50-80% 用户 | 显著阻碍 | P1 |
| 中 | 25-50% 用户 | 明显问题 | P2 |
| 低 | <25% 用户 | 轻微困扰 | P3 |
输出格式
研究总结报告
# 研究综合报告
## 执行摘要
[2-3句概述]
## 研究方法论
- **方法**：[访谈/调查等]
- **参与者**：[N名参与者]
- **持续时间**：[日期范围]
- **研究问题**：[关键问题]
## 关键主题
### 主题 1：[名称]
[描述和证据]
### 主题 2：[名称]
[描述和证据]
## 顶级洞察
1. **洞察**：[陈述]
- 证据：[数量]
- 置信度：[级别]
- 建议：[行动]
## 用户画像影响
[发现如何影响用户画像]
## 推荐行动
1. [行动项]
2. [行动项]
## 附录
- 完整编码方案
- 参与者人口统计
- 原始数据参考
最佳实践
- 保持参与者匿名性：使用一致的ID，而非姓名
- 保留原始语言：尽可能逐字引用用户
- 三角验证来源：在多个来源中寻求确认
- 记录异常值：记录矛盾证据，不要忽视
- 尽可能量化：统计主题频率
- 区分观察与解释：清晰区分事实与分析