综合研究

如果您看到不熟悉的占位符或需要检查已连接了哪些工具，请参阅 CONNECTORS.md。

将来自多个来源的用户研究综合为结构化的洞察和建议。

用法

/synthesize-research $ARGUMENTS

工作流程

1. 收集研究输入

接受来自以下任意组合的研究资料：

询问用户他们有什么：

2. 处理研究资料

对每个来源，提取：

3. 识别主题和模式

应用主题分析——有关主题分析、亲和图和三角验证技术的详细指导，请参阅下面的研究综合方法论。

将观察结果分组为主题，统计各参与者间的出现频率，并评估影响的严重程度。注意矛盾和意外发现。

创建优先级矩阵：

4. 生成综合报告

生成结构化的研究综合报告：

研究概述

关键发现

对每个主要发现（目标 5-8 个）：

按优先级（频次 x 影响）排列发现。

用户细分/画像

如果研究揭示了不同的用户细分：

机会领域

基于发现，识别机会领域：

建议

具体、可操作的建议：

待解决问题

研究未回答的问题：

5. 审查和扩展

生成综合报告后：

研究综合方法论

主题分析

综合定性研究的核心方法：

  1. 熟悉数据：通读所有数据。在编码之前先感受整体图景。
  2. 初始编码：系统地检查数据。为每个观察、引述或数据点打上描述性代码。编码时宁多勿少——合并比拆分更容易。
  3. 主题开发：将相关代码分组为候选主题。一个主题捕捉数据中与研究问题相关的重要信息。
  4. 主题审查：对照数据检查主题。每个主题是否有足够的证据？主题之间是否有所区分？它们是否讲述了一个连贯的故事？
  5. 主题优化：清晰定义和命名每个主题。用 1-2 句话描述每个主题捕捉了什么。
  6. 报告：将主题作为附带支持证据的发现写出来。

亲和图

一种协作式的观察结果分组方法：

  1. 捕捉观察结果：将每个不同的观察、引述或数据点作为独立的便签记录下来
  2. 聚类：根据相似性将相关的便签分组。不要预先定义类别——让它们从数据中自然浮现。
  3. 标记聚类：为每个聚类取一个描述性名称，捕捉其共同线索
  4. 组织聚类：如果出现模式，将聚类组织到更高级别的组中
  5. 识别主题：聚类及其关系揭示了关键主题

亲和图提示：

三角验证

通过结合多个数据源来加强发现：

由多个来源和方法支持的发现远比单一来源支持的发现更有力。当来源不一致时，这本身就值得注意——它可能揭示了不同的用户细分或使用情境。

访谈记录分析

从访谈记录中提取洞察

对每次访谈，识别：

观察：参与者描述了做了什么、体验了什么或感觉如何？

直接引述：有力说明某个观点的原话陈述

行为 vs 陈述偏好：人们实际做的往往不同于他们说的他们想要什么

强度信号：这对参与者有多重要？

跨访谈分析

处理完单个访谈后：

调查数据解读

定量调查分析

开放式调查回复分析

常见调查分析错误

结合定性和定量洞察

定性-定量反馈循环

整合策略

当来源不一致时

从研究中开发用户画像

构建基于证据的用户画像

用户画像应从研究数据中浮现，而非凭空想象：

  1. 识别行为模式：寻找参与者中相似行为、目标和情境的聚类
  2. 定义区分变量：什么维度将一个聚类与另一个区分开来？（例如公司规模、技术能力、使用频率、主要使用场景）
  3. 创建画像档案：对每个行为聚类：
  4. 用数据验证：能否使用定量数据估算每个画像细分的大小？

用户画像模板

[画像名称] — [一行描述]

他们是谁：
- 角色、公司类型/规模、经验水平
- 他们如何找到/开始使用产品

他们试图完成什么：
- 主要目标和待办任务
- 他们如何衡量成功

他们如何使用产品：
- 使用的频率和深度
- 使用的主要工作流程和功能
- 与此产品一起使用的其他工具

主要痛点：
- 前 3 个挫折或未满足的需求
- 他们已开发的临时解决方案

他们看重什么：
- 在解决方案中最重要的是什么
- 什么会让他们切换或流失

代表性引述：
- 2-3 条能捕捉此画像视角的原话引用

常见用户画像错误

机会规模评估

估算机会规模

对每个研究发现或机会领域，估算：

机会评分

在简单的矩阵上对机会进行评分：

呈现机会规模评估

输出格式

使用清晰的标题和结构化格式。每个发现应能独立存在——读者应能阅读任何一个发现并理解它，无需阅读其余部分。

提示