mcpField
M
market-research

market-research

github.com/extruct-ai营销与增长11156 次安装4 周前更新
代码仓库

关于 market-research

面向营销与 GTM 团队的研究 Skill，通过所选深度研究服务调查目标行业的痛点。它将聚焦查询整理为编号且有数据支持的假设集，也可汇总行业领袖观点。

主要功能

  1. 01研究服务与 API 配置指引
  2. 02按目标行业界定研究范围
  3. 03围绕假设设计聚焦查询
  4. 04整理含支持数据的编号假设
  5. 05可选汇总行业领袖观点
  6. 06保存研究与假设文件

适用场景

  1. 01验证已有的行业痛点假设
  2. 02研究工作流与规模化问题
  3. 03查找工具或市场数据缺口
  4. 04为细分和数据补充准备依据

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/extruct-ai/gtm-skills --skill market-research

安装后在 Claude Code 中输入/market-research确认已加载。

详细介绍

市场问题深度研究

使用深度研究 API 调研目标垂直领域的痛点。将研究结果提炼为一组带编号的假设。输出内容仅用于行业教育，不生成邮件，也不匹配公司。

环境

工作流第 0 步会处理提供方选择和凭据。

工作流

第 0 步：确认提供方并了解 API
  1. 询问用户希望使用哪家深度研究提供方。如果他们不确定，Perplexity 是常见选择——查询设计模式见下方工作流。
  2. 获取或阅读提供方的 API 文档，并确认：
    • 聊天/补全或搜索端点
    • 可用模型（选择支持网页搜索/引用的模型）
    • 身份验证方法和凭据
    • 速率限制
  3. 询问用户提供 API 凭据，并在继续之前确认访问权限
第 1 步：确定研究范围

如果公司背景文件存在，请阅读该文件（claude-code-gtm/context/{company}_context.md），了解 ICP 和现有假设。

向用户询问：

输入必填示例
目标垂直领域是“中型物流公司”
具体细分垂直领域是“3PL、货运代理、冷链”
我们为他们解决的问题是“在分散的市场中寻找潜在合作伙伴和客户”
要验证的现有假设否来自背景文件或用户输入
第 2 步：开展假设驱动的研究

不要开展泛泛的研究。提出 3-4 个有针对性的查询，每个查询聚焦同一问题的不同角度。查询应足够具体，以便获得可执行的数据点，而非概述。

查询设计原则：

  • 每个查询都应针对痛点的一个具体方面
  • 要求提供具体数据点、数字、时间线和工具名称
  • 要求描述工作流，而非抽象概念
  • 询问失败模式和变通方法
  • 查询结构应适用于任何垂直领域——具体领域来自第 1 步

通过选定提供方的 API（来自第 0 步）运行每个查询。

标准的 3 个查询框架：

查询 1 — 工作流痛点：“[公司类型] 的 [角色] 在执行[我们要解决的任务]时，具体的日常工作流是什么？他们使用哪些工具？这些工具在哪些环节会失效？每个步骤需要多长时间？请给出具体示例和数据点。”

查询 2 — 工具/数据库缺口：“[现有工具] 对[目标细分市场]的覆盖程度如何？它们遗漏了市场的百分之多少？为什么[目标公司]会被遗漏？哪些数据有误或过时？请给出具体数字。”

查询 3 — 规模化问题：“当[公司类型]试图将[流程]扩展到最初的[容易阶段]之后，会发生什么？哪些环节会出问题？有哪些真实的失败案例？他们如何变通？成本是多少？”

可选查询 4 — 行业领袖和公开言论：“[垂直领域]有哪些公认的思想领袖？过去 12 个月里，他们公开谈过哪些关于[痛点领域]的内容？请包含引述、会议演讲、博客文章和 LinkedIn 帖子。重点关注一线从业者，而非分析师。”

第 3 步：提炼为带编号的假设集合

阅读所有研究回复，并提取彼此不同、不重叠的痛点。每个假设都应：

  • 具体：与某个具体工作流步骤、工具故障或规模化问题相关
  • 量化：至少包含一个数据点（小时数、百分比或金额）
  • 可验证：接收者可以根据自身经验予以确认
  • 不显而易见：让他们了解到可能尚未衡量的内容

格式：

## Hypothesis Set: [Vertical]

### #1 [Short name]
[2-3 sentence description with data points]
Best fit: [what type of company this applies to most]

### #2 [Short name]
...

每个垂直领域的目标数量：5-7 个假设。

第 4 步（可选）：行业领袖

如果运行了查询 4，请整理一个行业领袖章节：

## Industry Leaders: [Vertical]

### [Leader Name] — [Title, Company]
- **Public stance on [pain area]:** [summary of their position]
- **Key quote:** "[direct quote]" — [source, date]
- **Relevance:** [why this matters for outreach or positioning]

本章节有助于：

  • 个性化邮件（引用行业领袖的观点）
  • 定位（与行业声音保持一致或形成对比）
  • 内容创作（基于对行业问题的了解提出见解）
第 5 步：保存输出

保存到垂直领域上下文目录：

claude-code-gtm/context/{vertical-slug}/sourcing_research.md   — full research output
claude-code-gtm/context/{vertical-slug}/hypothesis_set.md      — distilled hypotheses
claude-code-gtm/context/{vertical-slug}/industry_leaders.md    — leaders section (if Query 4 ran)

如果目录不存在，请创建该目录。

输出使用方

以下技能会使用假设集：

  • enrichment-design — 设计用于为假设评分或确认假设的丰富列
  • list-segmentation — 将公司与假设匹配并分配层级
  • email-generation — 根据假设个性化 P1 开场白
  • email-response-simulation — 评估邮件文案是否与研究相符

与 hypothesis-building 的关系

hypothesis-building 根据你自己的知识（上下文文件 + 用户输入）生成假设——速度快，无需 API。此技能则通过外部研究验证并丰富这些假设。如果 claude-code-gtm/context/{vertical-slug}/hypothesis_set.md 中已存在假设集，请用它来聚焦研究查询，而不是从头开始。

典型流程：先使用 hypothesis-building（明确你的判断）→ 再使用 market-research（通过数据验证）。如果你熟悉该垂直领域，也可以完全跳过此技能。

不应使用此技能的情况

  • 如果该垂直领域已有假设集，请更新它，而不是重新创建
  • 如果你只需要根据已有知识快速生成假设，请使用 hypothesis-building
  • 如果用户只是想撰写邮件，请使用 email-generation 技能
  • 如果用户想查找公司，请使用 list-building 技能
  • 如果用户想丰富表格，请使用 list-enrichment 技能
  • 如果用户想将公司与假设匹配，请使用 list-segmentation 技能

评论

支持 Markdown