synthesize-research

综合研究

如果你看到不熟悉的占位符，或需要检查已连接的工具，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与建议。

用法

/synthesize-research $ARGUMENTS

工作流

1. 收集研究输入

可接受以下任意组合的研究材料：

• 粘贴的文本：访谈笔记、转录稿、调查问卷回复、反馈
• 上传的文件：研究文档、电子表格、录音摘要
• ~~知识库（如已连接）：搜索研究文档、访谈笔记、调查结果
• ~~用户反馈（如已连接）：拉取近期的支持工单、功能请求、缺陷报告
• ~~产品分析（如已连接）：拉取使用数据、转化漏斗指标、行为数据
• ~~会议转录（如已连接）：拉取访谈录音、会议摘要和讨论笔记

询问用户手头有哪些资料：

• 是哪种类型的研究？（访谈、调查、可用性测试、分析数据、支持工单、销售通话笔记）
• 有多少个来源 / 参与者？
• 是否有需要探究的具体问题或假设？
• 这项研究将支撑哪些决策？

2. 处理研究内容

对每个来源，提取以下内容：

• 关键观察：用户说了什么、做了什么、经历了什么？
• 引述：能够说明重要观点的逐字引语
• 行为：用户实际做了什么（与其所说的做法相对比）
• 痛点：挫败感、变通办法和未被满足的需求
• 正面信号：什么运作良好，哪些时刻让用户感到惊喜
• 背景：用户细分群体、使用场景、经验水平

3. 识别主题与模式

应用主题分析法——有关主题分析、亲和图和三角互证等技术的详细指导，请参阅下方的研究综合方法论。

将观察结果归类为主题，统计各参与者中的出现频率，并评估影响严重程度。记录矛盾之处和意外发现。

制定优先级矩阵：

• 高频率 + 高影响：最优先的发现
• 低频率 + 高影响：对特定细分群体很重要
• 高频率 + 低影响：体验优化类改进
• 低频率 + 低影响：记录在案，但降低优先级

4. 生成综合报告

输出结构化的研究综合报告：

研究概览

• 研究方法：研究类型，参与者 / 来源数量
• 研究问题：我们希望了解什么
• 时间范围：研究开展的时间

主要发现

对每项重要发现（目标为 5–8 项）：

• 发现陈述：一句清晰描述该洞察的话
• 证据：支持性的引述、数据点或观察（附来源标注）
• 频率：有多少参与者 / 来源支持该发现
• 影响：该发现对用户体验或业务的影响程度
• 置信度：高（证据充分）、中（有一定暗示）、低（早期信号）

按优先级排序发现（频率 x 影响）。

用户细分 / 用户画像

如果研究揭示出不同的用户细分群体：

• 细分群体名称与描述
• 主要特征与行为
• 独特需求与痛点
• 如有数据，给出规模估计

机会领域

基于研究发现，识别机会领域：

• 哪些用户需求未被满足或服务不足
• 现有解决方案在哪些方面存在不足
• 哪些新能力能够释放价值
• 按潜在影响排序

建议

具体、可执行的建议：

• 应构建、改变或进一步调查的内容
• 与具体发现相对应
• 按影响和可行性排序

未解决的问题

研究未能回答的问题：

• 认知上的空白
• 需要进一步调查的领域
• 建议的后续研究方法

5. 回顾与扩展

生成综合分析后：

• 询问是否有发现需要更多细节或不同的框架
• 提议生成具体产出物：用户画像文档、机会地图、研究演示文稿
• 提议为未解决的问题制定后续研究计划
• 提议起草产品启示（研究发现应如何影响路线图）

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，先对整体情况有所把握。
2. 初始编码：系统地浏览数据。为每条观察、引文或数据点标记描述性代码。代码可以多一些，因为之后合并比拆分更容易。
3. 主题提炼：将相关代码归为候选主题。主题应体现数据中与研究问题相关的重要内容。
4. 主题审查：对照数据检验主题。每个主题是否有足够证据支撑？主题之间是否彼此区分？它们能否讲出连贯的故事？
5. 主题精炼：清晰地定义并命名每个主题。为每个主题撰写 1-2 句描述，说明它所反映的内容。
6. 撰写报告：将主题以研究发现的形式写出，并附上支撑证据。

亲和图

一种协作式的观察分组方法：

1. 收集观察：将每条独立的观察、引文或数据点分别写成一张便签
2. 聚类：根据相似性将相关便签归为一组。不要预先定义类别，让类别从数据中自然浮现。
3. 为聚类命名：为每个聚类取一个能概括共同主线的描述性名称
4. 组织聚类：如果出现规律，将聚类进一步归入更高层级的分组
5. 识别主题：聚类及其之间的关系会揭示关键主题

亲和图使用技巧：

• 每张便签只记录一个观察，不要合并多个洞察。
• 自由地在聚类之间移动便签。第一次分组很少是最好的。
• 如果某个聚类过大，它可能包含多个主题，应将其拆分。
• 离群值很有价值，不要强行把每条观察都塞进某个聚类。
• 分组的过程与产出同样有价值，它有助于建立团队的共同理解。

三角互证

通过结合多个数据来源来增强研究发现的可信度：

• 方法论三角互证：同一问题，采用不同方法（访谈 + 问卷 + 数据分析）
• 来源三角互证：同一方法，面向不同参与者或细分人群
• 时间三角互证：在不同时间点观察同一现象

一项发现若得到多个来源和多种方法的支撑，其可信度要强得多。当各来源结论相互矛盾时，这恰恰值得关注，它可能揭示了不同的用户细分或使用情境。

访谈笔记分析

从访谈笔记中提炼洞察

对每次访谈,需要识别:

观察结果:参与者描述了自己在做什么、经历了什么、感受如何?

• 区分行为(他们做什么)与态度(他们怎么想、怎么感受)
• 记录背景:何时、何地、与谁一起、频率如何
• 标记变通做法:这些往往是隐藏的未满足需求

直接引语:能有力说明某个观点的逐字陈述

• 好的引语具体、生动,而非泛泛而谈
• 引语应归因于参与者类型,而非姓名:例如"企业管理员,200 人团队",而不是"Sarah"
• 引语是证据,而不是发现。发现是你对引语含义的解读。

行为与陈述偏好:人们实际做的事情,往往与他们说自己想要的不同

• 行为观察比陈述偏好是更有力的证据
• 如果参与者说"我想要功能 X",但其工作流显示他们从未使用类似功能,应记录这一矛盾
• 通过实际行为寻找显露的偏好

强度信号:这个问题对参与者有多重要?

• 情绪化语言:挫败、兴奋、无奈
• 频率:他们多久遇到一次这个问题
• 变通做法:他们为绕开这个问题付出了多少努力
• 影响:出问题时后果是什么

跨访谈分析

在逐个处理完访谈之后:

• 寻找规律:哪些观察结果在多位参与者身上反复出现?
• 统计频次:有多少参与者提到了每个主题?
• 划分细分群体:不同类型的用户是否呈现不同的模式?
• 发现矛盾:参与者在哪些地方意见不一致?这往往能揭示有意义的细分群体。
• 发现意外:哪些发现挑战了你原有的假设?

调查数据解读

定量调查分析

• 回复率:样本的代表性如何?回复率低可能引入偏差。
• 分布:关注回答的形态,而不只是平均值。双峰分布(大量 1 分和 5 分)所讲述的故事,与正态分布(大量 3 分)截然不同。
• 细分:按用户群体拆分回答。总体数据可能掩盖重要差异。
• 统计显著性:对于小样本,应谨慎地根据微小差异得出结论。
• 基准对比:得分与行业基准或以往调查相比如何?

开放式调查回答分析

• 将开放式回答视为微型访谈笔记
• 用主题对每条回答进行编码
• 统计各主题在回答中出现的频次
• 为每个主题摘录有代表性的引语
• 关注那些在开放式回答中出现、但结构化问题中没有涉及的主题——这些是你没有想到要问的问题

常见的调查分析错误

• 只报告平均值而不报告分布。3.5 的平均分可能意味着所有人都不温不火,也可能意味着一半人非常喜欢、一半人非常讨厌。
• 忽视无回应偏差。没有回复的人可能在系统性上与回复者存在差异。
• 过度解读微小差异。NPS 变动 0.1 分是噪声,而不是信号。
• 将李克特量表视为等距数据。"非常同意"与"同意"之间的差距,不一定等同于"同意"与"中立"之间的差距。
• 在交叉表分析中将相关性与因果关系混为一谈。

结合定性与定量洞察

定性与定量的反馈循环

• 先定性:访谈和观察揭示正在发生什么以及原因何在,并生成假设。
• 再定量验证:调查和分析数据揭示有多少、有多少人,并在规模上检验假设。
• 再次定性深挖:回到定性方法,理解意外的定量发现。

整合策略

• 用定量数据为定性发现排序优先级。如果使用数据显示某个主题影响大量用户，那么来自访谈的该主题就更加重要。
• 用定性数据解释定量异常。留存率下降只是一个数字；访谈可以揭示其原因是一次令人困惑的新手引导改动。
• 呈现综合证据："47% 的受访用户表示在 X 上存在困难（问卷调查），而访谈显示这是由于 Y（定性发现）。"

当来源相互矛盾时

• 定量和定性来源可能讲述不同的故事。这是信号，而非错误。
• 检查分歧是否源于测量的人群不同
• 检查陈述偏好（问卷）是否与实际行为（分析数据）不一致
• 检查定量问题是否真正捕捉到了你以为它所捕捉的内容
• 如实报告分歧并进一步调查，而不是选择其中一个来源

基于研究的用户画像开发

构建基于证据的用户画像

用户画像应源于研究数据，而非想象：

1. 识别行为模式：寻找参与者中在行为、目标和场景上相似的群组
2. 定义区分变量：哪些维度可以区分不同的群组？（例如，公司规模、技术技能、使用频率、主要使用场景）
3. 创建用户画像档案：针对每个行为群组：
   • 名称及简要描述
   • 关键行为与目标
   • 痛点与需求
   • 背景（角色、公司、使用的工具）
   • 代表性引语
4. 用数据验证：你能否用定量数据估算每个画像细分群体的规模？

用户画像模板

[Persona Name] — [One-line description]

Who they are:
- Role, company type/size, experience level
- How they found/started using the product

What they are trying to accomplish:
- Primary goals and jobs to be done
- How they measure success

How they use the product:
- Frequency and depth of usage
- Key workflows and features used
- Tools they use alongside this product

Key pain points:
- Top 3 frustrations or unmet needs
- Workarounds they have developed

What they value:
- What matters most in a solution
- What would make them switch or churn

Representative quotes:
- 2-3 verbatim quotes that capture this persona's perspective

常见的用户画像错误

• 人口统计学画像：按年龄/性别/地点而非行为来定义。行为比人口统计特征更能预测产品需求。
• 画像过多：3-5 个最为合适。超过此数量，它们就难以落地执行。
• 虚构画像：基于假设而非研究数据凭空编造。
• 静态画像：从未随产品和市场的演进而更新。
• 没有实际意义的画像：如果一个画像无法影响任何产品决策，它就没有用处。

机会规模评估

估算机会规模

对于每个研究发现或机会领域，估算以下内容：

• 可触达用户数：有多少用户可以从解决此问题中受益？使用产品分析、问卷数据或市场数据进行估算。
• 频率：受影响的用户多久遇到一次该问题？（每天、每周、每月、一次性）
• 严重程度：问题出现时对用户的影响有多大？（阻断性、明显阻碍、轻微烦扰）
• 付费意愿：解决此问题能否带来升级付费、留存或新客户获取？

机会评分

在一个简单的矩阵上为机会打分：

• 影响力：（受影响用户数）x（频率）x（严重程度）= 影响力分数
• 证据强度：我们对该发现有多大把握？（多个来源 > 单一来源，行为数据 > 陈述偏好）
• 战略契合度：该机会是否与公司战略和产品愿景一致？
• 可行性：我们能否切实解决此问题？（技术可行性、资源可用性、见效时间）

呈现机会规模评估

• 对假设和置信水平保持透明
• 展示计算过程："根据支持工单数量，每月约有 2,000 名用户遇到此问题。访谈数据显示其中 60% 的用户认为这是一个重大阻碍。"
• 使用区间而非虚假的精确数字："此问题每月影响 1,500-2,500 名用户"，而非"此问题每月影响 2,137 名用户"
• 将各机会相互比较，形成相对排序，而不仅仅是绝对分数

输出格式

使用清晰的标题和结构化格式。每个发现都应独立成章——读者无需阅读其他内容，就应能读懂其中任何一个发现。

提示

• 让数据说话，不要把发现硬套进预设的叙事中。
• 区分用户所说的与用户所做的。行为数据比陈述的偏好更有说服力。
• 引语是有力的证据。应大量引用，并注明参与者类型（而非姓名）。
• 明确说明置信度。来自 2 次访谈的发现只是假设，而非结论。
• 数据中的矛盾之处很有价值，而非麻烦。它们往往揭示出不同的用户群体。
• 建议应足够具体，便于执行。"改进新手引导"不可执行，"在设置流程中添加进度指示器"才可执行。
• 避免归纳过多主题。5 至 8 个有力的发现胜过 20 个薄弱的发现。