recommendation-canvas

目的

使用结构化画布评估并提出 AI 产品解决方案，分析业务成果、客户成果、问题定义、解决方案假设、定位、风险和价值论证。借此为利益相关者和决策者制定全面且有据可依的建议，尤其适用于提议不确定性和风险较高的 AI 功能或产品。

这不是功能规格说明，而是一份战略提案，阐明为何值得构建这一 AI 解决方案、哪些假设需要验证，以及如何衡量成功。

输入

最适合提供： 正在评估的 AI 产品或功能构想。 也很有帮助： 目标客户、预期业务成果、已知风险，以及这份建议需要说服的对象。

任何随调用一同提供的内容——技能名称后的文本、粘贴的上下文，或附加的 ARGUMENTS: 行——都视为已给出的答案。请利用这些内容，并跳过其中已涵盖的问题；不要重复询问。

没有准备任何内容？也没关系。 该技能会询问构想和决策者，然后逐项梳理画布中的各个部分。

调用示例： Recommendation canvas: AI-suggested reorder quantities for warehouse managers — VP Ops wants a go/no-go next month.

关键概念

建议画布框架

该画布为 Dean Peters 的 Productside“AI Innovation for Product Managers”课程所创，将多个 PM 框架整合为一个战略视图：

核心组成部分：

1. 业务成果： 这对业务有什么价值？
2. 产品成果： 这对客户有什么价值？
3. 问题陈述： 以角色为中心定义问题
4. 解决方案假设： 通过实验验证“如果……那么……”假设
5. 定位陈述： 价值主张和差异化
6. 假设与未知事项： 哪些因素可能使方案失效？
7. PESTEL 风险： 政治、经济、社会、技术、环境、法律
8. 价值论证： 为什么值得开展这项工作？
9. 成功指标： 用于衡量影响的 SMART 指标
10. 下一步： 战略后续步骤

这种方法的优势

• 以成果为导向： 明确业务和客户价值
• 以假设为核心： 将解决方案视为有待验证的押注，而非既定承诺
• 明确风险： 提前揭示假设和风险
• 便于高管审阅： 内容全面，同时结构清晰，适合 C 级高管审阅
• 适用于 AI： 对不确定性较高的 AI 功能尤其有用

反模式（它不是什么）

• 不是 PRD： 这是战略框架，而非详细需求
• 还不是商业案例： 它为商业案例提供依据，但需要先进行验证
• 不是功能列表： 聚焦成果，而非能力

适用场景

• 提议新的 AI 产品或功能
• 向高管提案，或争取预算／赞助
• 评估是否值得推进 AI 解决方案
• 协调跨职能利益相关者（产品、工程、数据科学、业务）
• 完成初步探索之后（填写画布需要上下文）

不适用场景

• 简单功能（不要对小改动过度设计）
• 尚未进行任何探索工作时（需要先开展用户研究并验证问题）
• 替代实验（画布用于指导实验，而非取代实验）

---

应用

完整的填写结构请使用 template.md。

第 1 步：收集上下文

填写画布前，请确保你掌握以下信息：

• 对问题的理解： 用户研究、痛点（参考 skills/problem-statement/SKILL.md）
• 角色清晰度： 谁会遇到这个问题？（参考 skills/proto-persona/SKILL.md）
• 市场背景： 竞争格局、品类定位
• 业务限制： 预算、时间安排、战略优先事项

如果缺少上下文： 请先开展探索工作。该画布用于整合洞见，而不是创造洞见。

---

第 2 步：定义成果

业务成果

这对业务有什么价值？使用以下格式：

• [方向] [指标] [成果] [背景] [验收标准]

## Business Outcome
- [e.g., "Reduce by 25% the churn of existing customers using our existing product"]

示例：

• “在 12 个月内，将企业客户的月度经常性收入提高 15%”

质量检查：

• 可衡量： 这个指标可以追踪吗？
• 有时限： 期限是多久？
• 有挑战性但现实： 不能是“1 个月内收入增长 10 倍”

---

产品成果

这对客户有什么价值？使用以下格式：

• [方向] [指标] [成果] [来自角色视角的背景] [验收标准]

## Product Outcome
- [e.g., "Increase the speed of finding patients when I know the inclusion and exclusion criteria"]

示例：

• “将小企业主手动处理发票所花的时间减少 60%”

质量检查：

• 以客户为中心： 从用户视角撰写（“我”，而非“我们”）
• 关注成果，而非功能： 写“减少所花的时间”，而非“使用 AI 自动化”

---

第 3 步：界定问题

使用 skills/problem-statement/SKILL.md 中的问题界定叙述：

## The Problem Statement

### Problem Statement Narrative
- [Persona description: 2-3 sentences telling the persona's story from their POV]
- [Example: "Sarah is a freelance designer managing 10 clients. She spends 8 hours/month manually tracking invoices and chasing late payments. By the time she follows up, some clients have already moved to other designers, costing her revenue and damaging relationships."]

质量检查：

• 有同理心： 听起来像用户本人在说话吗？
• 具体： 不能只说“用户想要更好的工具”，而要说“Sarah 每月花 8 小时……”
• 经过验证： 基于真实的用户研究，而非假设

---

第 4 步：定义解决方案假设

假设陈述

使用 skills/epic-hypothesis/SKILL.md 中的史诗假设格式：

## Solution Hypothesis

### Hypothesis Statement
**If we** [action or solution on behalf of target persona]
**for** [target persona]
**Then we will** [attain or achieve desirable outcome]

示例：

• “如果我们为自由设计师提供 AI 驱动的发票提醒，并在最佳时间自动发送，那么我们就能将跟进付款所花的时间减少 70%”

---

微型探索实验

定义用于验证假设的轻量实验：

### Tiny Acts of Discovery
**We will test our assumption by:**
- [Experiment 1: Prototype AI reminder system and test with 5 freelancers]
- [Experiment 2: A/B test manual vs. AI-timed reminders for 20 users]
- [Experiment 3: Survey users on perceived value after 2 weeks]

质量检查：

• 快速： 按天或按周，而不是按月
• 低成本： 使用原型、礼宾式测试，而非完整构建
• 可证伪： 结果可能证明你是错的

---

初步验证

定义验证指标：

### Proof-of-Life
**We know our hypothesis is valid if within** [timeframe]
**we observe:**
- [Quantitative outcome: e.g., "80% of users send reminders via the AI system"]
- [Qualitative outcome: e.g., "8 out of 10 users report saving 5+ hours/month"]

---

第 5 步：定义定位

使用 skills/positioning-statement/SKILL.md 中的定位陈述格式：

## Positioning Statement

### Value Proposition
**For** [target customer/user persona]
**that need** [statement of underserved need]
[product name]
**is a** [product category]
**that** [statement of benefit, focusing on outcomes]

### Differentiation Statement
**Unlike** [primary competitor or competitive arena]
[product name]
**provides** [unique differentiation, focusing on outcomes]

---

第 6 步：记录假设与未知事项

## Assumptions & Unknowns
- **[Assumption 1]** - [Description, e.g., "We assume users will trust AI-generated reminders"]
- **[Assumption 2]** - [Description, e.g., "We assume payment timing optimization increases response rates"]
- **[Unknown 1]** - [Description, e.g., "We don't know if users prefer email or SMS reminders"]

质量检查：

• 明确： 将隐藏的假设明示出来
• 可测试： 每个假设都能通过实验验证

---

第 7 步：识别 PESTEL 风险

需要调查的风险（高优先级）

## Issues/Risks to Investigate
- **Political:** [e.g., "Regulatory changes to AI-generated communications"]
- **Economic:** [e.g., "Economic downturn reduces willingness to pay for premium features"]
- **Social:** [e.g., "Users may perceive AI reminders as impersonal or pushy"]
- **Technological:** [e.g., "AI model accuracy may degrade over time without retraining"]
- **Environmental:** [e.g., "Energy costs of AI processing"]
- **Legal:** [e.g., "GDPR compliance for storing customer email patterns"]

---

需要监控的风险（较低优先级）

## Issues/Risks to Monitor
- **Political:** [e.g., "Potential AI regulation in EU markets"]
- **Economic:** [e.g., "Exchange rate fluctuations affecting international customers"]
- **Social:** [e.g., "Changing norms around automated communication"]
- **Technological:** [e.g., "Emerging AI competitors with better models"]
- **Environmental:** [e.g., "Carbon footprint concerns from stakeholders"]
- **Legal:** [e.g., "Future data privacy laws"]

---

第 8 步：论证价值

## Value Justification

### Is this Valuable?
- [Absolutely yes / Yes with caveats / No with suggested alternatives / Absolutely NO!]

### Solution Justification

We think this is a valuable idea. Here's why:
1. **[Justification 1]** - [Description, e.g., "Addresses the #1 pain point for our target segment"]
2. **[Justification 2]** - [Description, e.g., "Differentiates us from competitors who only offer manual reminders"]
3. **[Justification 3]** - [Description, e.g., "Low technical risk—leverages existing AI infrastructure"]

---

第 9 步：定义成功指标

使用 SMART 指标（具体、可衡量、可实现、相关、有时限）：

## Success Metrics
1. **[Metric 1]** - [e.g., "80% of active users adopt AI reminders within 3 months"]
2. **[Metric 2]** - [e.g., "Average time spent on payment follow-ups decreases by 50% within 6 months"]
3. **[Metric 3]** - [e.g., "Net Promoter Score for invoicing feature increases from 6 to 8 within 6 months"]

---

第 10 步：定义后续步骤

## What's Next
1. **[Next step 1]** - [e.g., "Run 2-week prototype test with 10 beta users"]
2. **[Next step 2]** - [e.g., "Build lightweight AI model for reminder timing optimization"]
3. **[Next step 3]** - [e.g., "Conduct legal review of GDPR implications"]
4. **[Next step 4]** - [e.g., "Present findings to exec team for go/no-go decision"]
5. **[Next step 5]** - [e.g., "If validated, add to Q2 roadmap"]

---

示例

完整的建议画布示例请参见 examples/sample.md。

迷你示例摘录：

### Business Outcome
- Increase by 20% MRR from freelance users within 12 months

### Solution Hypothesis
**If we** provide AI-powered invoice reminders
**for** freelance designers
**Then we will** reduce time spent on follow-ups by 70%

常见误区

误区 1：成果模糊

表现： “业务成果：增加收入。产品成果：改善用户体验。”

后果： 无法衡量，也无法追责。

解决方法： 使用成果公式：[方向] [指标] [成果] [背景] [验收标准]。表述要具体。

---

误区 2：先入为主地考虑解决方案

表现： 问题陈述是“我们需要 AI 驱动的 X”

后果： 你尚未验证问题，就已经跳到了解决方案。

解决方法： 从用户视角界定问题。根据经过验证的痛点，逐步提出解决方案假设。

---

误区 3：跳过微型探索实验

表现： 假设 → 直接进入路线图，没有实验

后果： 做出错误产品的风险很高。

解决方法： 定义 2-3 个轻量实验。在投入工程资源之前先进行测试。

---

误区 4：PESTEL 风险过于笼统

表现： “政治：法规可能会变”

后果： 风险分析流于形式，无法指导行动。

解决方法： 具体说明：“存储客户电子邮件发送时间数据是否符合 GDPR，需要进行法律审查。”

---

陷阱 5：价值论证薄弱

症状：“这很有价值，因为客户会喜欢它”

**后果：**无法说服高管。

**改进方法：**使用数据：“根据用户研究，这解决了排名第 1 的痛点。流失率降低 20% = ARR 增加 50 万美元。技术风险低。”

---

参考资料

相关技能

• skills/problem-statement/SKILL.md — 为问题叙述提供依据
• skills/epic-hypothesis/SKILL.md — 为解决方案假设结构提供依据
• skills/positioning-statement/SKILL.md — 为定位部分提供依据
• skills/proto-persona/SKILL.md — 定义目标用户画像
• skills/jobs-to-be-done/SKILL.md — 为客户成果提供依据

外部框架

• Osterwalder 的价值主张画布 — 影响问题与解决方案的框架设计
• PESTEL 分析 — 风险评估框架
• SMART 目标 — 成功指标结构

Dean 的作品

• AI Recommendation Canvas Template（为 Productside 的“AI Innovation for Product Managers”课程创建）

来源

• 改编自 https://github.com/deanpeters/product-manager-prompts 仓库中的 prompts/recommendation-canvas-template.md。

---

**技能类型：**组件 建议文件名：recommendation-canvas.md 建议放置位置：/skills/components/ **依赖项：**引用 skills/problem-statement/SKILL.md、skills/epic-hypothesis/SKILL.md、skills/positioning-statement/SKILL.md、skills/proto-persona/SKILL.md、skills/jobs-to-be-done/SKILL.md