ux-researcher-designer

UX 研究员与设计师

根据研究数据生成用户画像、创建旅程地图、规划可用性测试，并将研究发现综合为可执行的设计建议。

---

目录

• 触发词
• 工作流
  • 工作流 1：生成用户画像
  • 工作流 2：创建旅程地图
  • 工作流 3：规划可用性测试
  • 工作流 4：综合研究结果
• 工具参考
• 快速参考表
• 知识库

---

触发词

在以下情况下使用此技能：

• “创建用户画像”
• “根据数据生成画像”
• “构建客户旅程地图”
• “绘制用户旅程”
• “规划可用性测试”
• “设计可用性研究”
• “分析用户研究”
• “综合访谈发现”
• “识别用户痛点”
• “定义用户原型”
• “计算研究样本量”
• “创建共情地图”
• “识别用户需求”

---

先澄清

生成研究成果前，确认以下信息。如果有任何信息未知或含糊不清，请先询问，不要自行假设：

• 交付成果类型 — 用户画像、旅程地图、可用性测试计划或研究综合（决定适用的工作流和模板）
• 可用数据及数量 — 分析数据／访谈／调查，以及涉及的用户数量（影响画像的可信度，以及采用原型画像还是数据驱动画像）
• 用户目标与范围 — 用户画像、要绘制的目标，以及起点／终点（影响旅程地图的阶段和研究问题）

停止规则：只询问对结果影响最大的 2-3 项。如果用户说“直接起草”，则继续，并在成果开头列出你的假设。

工作流

工作流 1：生成用户画像

**适用情形：**你有用户数据（分析数据、调查、访谈），需要创建有研究依据的用户画像。

步骤：

1. 准备用户数据

   所需格式（JSON）：

   [
     {
       "user_id": "user_1",
       "age": 32,
       "usage_frequency": "daily",
       "features_used": ["dashboard", "reports", "export"],
       "primary_device": "desktop",
       "usage_context": "work",
       "tech_proficiency": 7,
       "pain_points": ["slow loading", "confusing UI"]
     }
   ]
   

2. 运行画像生成器

   # Human-readable output
   python scripts/persona_generator.py
   
   # JSON output for integration
   python scripts/persona_generator.py json
   

3. 检查生成的组成部分

   组成部分	检查内容
   原型	是否符合数据模式？
   人口统计特征	是否源自实际数据？
   目标	是否具体且可执行？
   挫折点	是否包含频次统计？
   设计启示	设计师能否据此采取行动？

4. 验证用户画像

   • 展示给 3-5 位真实用户：“这听起来像你吗？”
   • 与支持工单交叉核对
   • 根据分析数据进行验证

5. **参考：**有关有效性标准，请参阅 references/persona-methodology.md

原型画像画布（轻量替代方案）

如果缺乏研究数据，但需要基于假设的画像来统一团队认知，可以使用原型画像画布。原型画像是用于提出假设的工具，而非经验证的事实，旨在接受测试并持续完善。

**适用情形：**启动没有研究预算的新项目、快速协调跨职能团队，或针对用户创建可测试的假设。

原型画像画布模板：

### [Alliterative Name] (e.g., "Careful Carlos")

**Bio & Demographics:**
- Age, geography, social status, career stage
- Online presence, leisure activities, partner status

**Quotes** (what they say, feel, think):
- "[Direct quote capturing their perspective]"
- "[Quote revealing frustration or aspiration]"

**Pains:**
- [Pain related to the problem space]
- [Pain related to current workarounds]

**What They're Trying to Accomplish:**
- [Observable behavior 1]
- [Observable behavior 2]

**Goals** (wants, needs, dreams):
- [Short-term goal]
- [Long-term aspiration]

**Attitudes & Influences:**
- Decision Making Authority: [Can they buy/adopt your solution?]
- Decision Influencers: [Who influences their decisions?]
- Beliefs & Attitudes: [What beliefs impact their choices?]

**Assumptions to Validate:**
- [Top assumption that must be true for this persona to be viable]
- [Second assumption]
- [Third assumption]

原型画像完成后的下一步：

1. 生成访谈问题以验证假设（推荐）
2. 生成反面画像以界定范围边界
3. 转换为一页式利益相关者简报

---

工作流 2：创建用户旅程地图

情境： 你需要将用户为实现特定目标而经历的端到端体验可视化。

步骤：

1. 定义范围

   要素	描述
   用户画像	用户类型
   目标	用户想要实现什么
   起点	开启旅程的触发因素
   终点	成功标准
   时间范围	小时/天/周

2. 收集旅程数据

   来源：

   • 用户访谈（询问“请带我走一遍……”）
   • 会话录屏
   • 分析数据（漏斗、流失点）
   • 支持工单

3. 绘制各个阶段

   典型的 B2B SaaS 阶段：

   Awareness → Evaluation → Onboarding → Adoption → Advocacy
   

4. 填写各阶段的层级

   Stage: [Name]
   ├── Actions: What does user do?
   ├── Touchpoints: Where do they interact?
   ├── Emotions: How do they feel? (1-5)
   ├── Pain Points: What frustrates them?
   └── Opportunities: Where can we improve?
   

5. 绘制三种体验路径（不只是顺利路径）

   阶段	顺利路径	失败路径	困难路径
   认知	通过搜索发现产品	始终没有发现产品	先发现竞争对手
   考虑	价值主张清晰	被定价弄糊涂	需要经理审批
   决策	注册流程简单	表单报错后放弃	法律审核造成延误
   交付与使用	顺利完成引导	无法导入数据	需要采用变通方案
   忠诚	成为产品倡导者	悄无声息地流失	继续使用但不断抱怨

   • 顺利路径： 一切都按设计正常运行。
   • 失败路径： 用户无法完成目标并中途退出。
   • 困难路径： 用户完成了目标，但过程存在阻碍、需要变通或令人沮丧。

6. 为各阶段添加 KPI 和负责人

   阶段	领先 KPI	滞后 KPI	团队负责人
   认知	网站访问量、广告展示次数	品牌回忆度	市场营销
   考虑	演示申请数、定价页面浏览量	MQL 转化率	市场营销/销售
   决策	试用开始数、合同发送数	成交率	销售
   使用	功能采用率、DAU	留存率	产品
   忠诚	NPS、推荐次数	LTV、扩展收入	客户成功

7. 找出主要阻碍点和干预措施

   对每个阻碍点，记录：

   阻碍点	重要原因	干预措施	预期影响	工作量	置信度
   [描述]	[用户/业务影响]	[拟议的修复方案]	高/中/低	S/M/L	高/中/低

   优先级评分 = 频率 × 严重程度 × 可解决性

8. 参考： 模板见 references/journey-mapping-guide.md

---

工作流 3：规划可用性测试

情境： 你需要通过真实用户验证设计。

步骤：

1. 定义研究问题

   将模糊的目标转化为可测试的问题：

   模糊目标	可测试的问题
   “是否容易使用？”	“用户能否在 <3 min 内完成结账？”
   “用户喜欢它吗？”	“用户会选择设计 A 还是 B？”
   “这是否容易理解？”	“用户能否在没有提示的情况下找到设置？”

2. 选择方法

   方法	参与者	时长	最适合
   远程主持式	5-8	45-60 min	深入洞察
   远程无主持式	10-20	15-20 min	快速验证
   街头测试	3-5	5-10 min	快速反馈

3. 设计任务

   优质任务格式：

   SCENARIO: "Imagine you're planning a trip to Paris..."
   GOAL: "Book a hotel for 3 nights in your budget."
   SUCCESS: "You see the confirmation page."
   

   任务顺序：热身 → 核心任务 → 次要任务 → 边缘情况 → 自由探索

4. 定义成功指标

   指标	目标
   完成率	>80%
   任务耗时	<预期时间的 2 倍
   错误率	<15%
   满意度	>4/5

5. 准备主持人指南

   • 出声思考说明
   • 非引导式提示
   • 任务后的问题

6. 参考： 完整指南见 references/usability-testing-frameworks.md

---

工作流 4：综合研究

情境： 你有原始研究数据（访谈、调查、观察），需要从中提炼可执行的洞察。

步骤：

1. 对数据进行编码

   为每个数据点添加标签：

   • [GOAL] - 他们想要实现的目标
   • [PAIN] - 令他们感到沮丧的地方
   • [BEHAVIOR] - 他们实际采取的行动
   • [CONTEXT] - 他们使用产品的时间和地点
   • [QUOTE] - 用户的原话

2. 归纳相似模式

   User A: Uses daily, advanced features, shortcuts
   User B: Uses daily, complex workflows, automation
   User C: Uses weekly, basic needs, occasional
   
   Cluster 1: A, B (Power Users)
   Cluster 2: C (Casual User)
   

3. 计算细分群体规模

   群组	用户数	%	可行性
   重度用户	18	36%	主要用户画像
   商务用户	15	30%	主要用户画像
   轻度用户	12	24%	次要用户画像

4. 提炼关键发现

   对于每个主题：

   • 发现陈述
   • 支持证据（引述、数据）
   • 频率（X/Y 位参与者）
   • 业务影响
   • 建议

5. 为机会排定优先级

   因素	评分 1-5
   频率	这种情况发生得有多频繁？
   严重程度	造成的影响有多大？
   覆盖范围	影响多少用户？
   可解决性	我们能解决这个问题吗？

6. 参考： 查看 references/persona-methodology.md 了解分析框架

---

工具参考

persona_generator.py

根据用户研究数据生成数据驱动的用户画像。

参数	值	默认值	说明
format	（无）、json	（无）	输出格式

示例输出：

============================================================
PERSONA: Alex the Power User
============================================================

📝 A daily user who primarily uses the product for work purposes

Archetype: Power User
Quote: "I need tools that can keep up with my workflow"

👤 Demographics:
  • Age Range: 25-34
  • Location Type: Urban
  • Tech Proficiency: Advanced

🎯 Goals & Needs:
  • Complete tasks efficiently
  • Automate workflows
  • Access advanced features

😤 Frustrations:
  • Slow loading times (14/20 users)
  • No keyboard shortcuts
  • Limited API access

💡 Design Implications:
  → Optimize for speed and efficiency
  → Provide keyboard shortcuts and power features
  → Expose API and automation capabilities

📈 Data: Based on 45 users
    Confidence: High

生成的原型：

原型	特征	设计重点
power_user	每日使用，10+ 项功能	效率、自定义
casual_user	每周使用，3-5 项功能	简洁、引导
business_user	工作场景、团队使用	协作、报告
mobile_first	主要使用移动设备	触控、离线、速度

输出组件：

组件	说明
demographics	年龄范围、所在地、职业、技术水平
psychographics	动机、价值观、态度、生活方式
behaviors	使用模式、功能偏好
needs_and_goals	主要、次要、功能性、情感性需求
frustrations	有证据支持的痛点
scenarios	情境化使用故事
design_implications	可执行的建议
data_points	样本量、置信度

---

快速参考表

研究方法选择

问题类型	最佳方法	样本量
“用户会做什么？”	分析、观察	100+ 个事件
“他们为什么这样做？”	访谈	8-15 位用户
“他们能多好地完成任务？”	可用性测试	5-8 位用户
“他们更喜欢什么？”	调查、A/B 测试	50+ 位用户
“他们有什么感受？”	日记研究、访谈	10-15 位用户

用户画像置信度等级

样本量	置信度	用途
5-10 位用户	低	探索性研究
11-30 位用户	中	指导方向
31+ 位用户	高	正式应用

可用性问题严重程度

严重程度	定义	行动
4 - 严重	阻碍任务完成	立即修复
3 - 重大	造成显著困难	发布前修复
2 - 轻微	造成犹豫	条件允许时修复
1 - 外观问题	会被注意到，但不构成问题	低优先级

访谈问题类型

类型	示例	用途
情境	“带我了解一下你通常的一天”	了解环境
行为	“向我展示你如何完成 X”	观察实际行动
目标	“你想实现什么？”	揭示动机
痛点	“最困难的部分是什么？”	发现令人沮丧的问题
反思	“你会做出什么改变？”	激发创意

---

知识库

references/ 中的详细参考指南：

文件	内容
persona-methodology.md	有效性标准、数据收集、分析框架
journey-mapping-guide.md	绘制流程、模板、机会识别
example-personas.md	3 个包含数据的完整 Persona 示例
usability-testing-frameworks.md	测试规划、任务设计、分析

---

验证清单

Persona 质量

• 至少基于 20 位用户
• 至少有 2 个数据来源（定量 + 定性）
• 目标具体且可执行
• 挫折点包含出现频率
• 设计影响具体明确
• 注明置信度

用户旅程图质量

• 明确定义范围（Persona、目标、时间范围）
• 基于真实用户数据，而非假设
• 填写所有层级（行为、触点、情绪）
• 识别各阶段的痛点
• 对机会进行优先级排序

可用性测试质量

• 研究问题可测试
• 任务是贴近实际的场景，而非指令
• 每个设计至少有 5 位参与者
• 定义成功指标
• 研究发现包含严重程度评级

研究综合质量

• 以一致的方式对数据进行编码
• 模式基于至少 3 个数据点
• 研究发现包含证据
• 建议具有可执行性
• 优先级有充分依据

---

工具参考

persona_generator.py

根据用户研究数据生成数据驱动的 Persona，将用户划分为不同原型，并提供人口统计信息、心理特征、行为、目标、挫折点和设计影响。

参数	类型	默认值	描述
format	位置参数	（无）	添加 json 以输出 JSON；省略则输出人类可读内容

支持的原型： power_user、casual_user、business_user、mobile_first

输出组成部分： name、archetype、tagline、quote、demographics、psychographics、behaviors、needs_and_goals、frustrations、scenarios、data_points、design_implications

python scripts/persona_generator.py           # Human-readable formatted output
python scripts/persona_generator.py json      # JSON for programmatic use

数据输入格式（可在脚本中自定义）：

[{
  "user_id": "user_1",
  "age": 32,
  "usage_frequency": "daily",
  "features_used": ["dashboard", "reports", "export"],
  "primary_device": "desktop",
  "usage_context": "work",
  "tech_proficiency": 7,
  "pain_points": ["slow loading", "confusing UI"]
}]

---

故障排除

问题	原因	解决方案
Persona 置信度为“低”	样本数据中的用户少于 20 位	收集更多数据点；将定量分析与定性访谈相结合
所有用户都被划分为同一原型	输入数据中的差异不足	确保数据涵盖不同的使用频率、设备和情境
挫折点过于笼统（使用后备默认值）	用户数据中的 pain_points 不足	根据访谈和支持工单中的 pain_points 丰富用户数据
设计影响过于模糊	模式之间的差异不明显	添加更多行为信号（features_used、session duration、task completion）
用户旅程图的情绪曲线趋于平缓	所有阶段的评分相近	根据实际用户数据重新评估；针对各阶段开展情境访谈
可用性测试样本过小	参与者少于 5 位	5 位参与者可发现约 85% 的可用性问题；招募至少 5 位参与者
研究综合中没有明确模式	数据编码方式不一致	使用一致的标签方案（GOAL、PAIN、BEHAVIOR、CONTEXT、QUOTE）

---

成功标准

标准	目标	衡量方式
用户画像有效性	经 3 位以上真实用户验证（“这说的就是我”）	创建后的验证访谈
用户画像覆盖率	涵盖所有关键细分群体	用户画像数量与已识别用户细分群体数量的对比
数据置信度	“高”（31 位以上用户）	persona_generator data_points.confidence_level
研究频率	每个细分群体每季度进行 5-8 次访谈	已完成研究会话的数量
洞察转化为行动的比率	>70% 的发现带来设计变更	跟踪发现，直至落实
可用性问题解决率	发布前修复所有严重/主要问题	问题严重程度跟踪
用户旅程图时效性	至少每季度更新一次	每张用户旅程图上的上次更新日期

---

范围与限制

范围内：

• 根据用户研究生成数据驱动的用户画像
• 原型分类（高频、休闲、商务、移动优先）
• 用户旅程映射框架
• 可用性测试规划与评分
• 研究综合与编码方法
• 访谈问题框架
• 共情图与机会识别

范围外：

• 自动录制/转录用户访谈
• 实时分析集成（使用分析平台）
• 定量调查设计与分发（使用 Typeform/SurveyMonkey）
• 眼动追踪或生物特征数据分析
• AI 驱动的情感分析（工具使用启发式分类）
• 用户画像插画或视觉素材生成
• 无障碍审计（请参阅 product-designer 或 design-system-lead 技能）

---

集成点

工具 / 平台	集成方式	用例
Dovetail / Condens	导出研究数据，导入用户画像 JSON	集中管理研究洞察
Figma / Miro	将用户画像输出粘贴为设计素材	设计期间参考用户画像
Notion / Confluence	以便于阅读的格式输出	记录用户画像并与团队分享
product-manager-toolkit	用户画像中的痛点为 RICE 评分提供依据	将用户需求与功能优先级关联起来
agile-product-owner	用户画像数据为用户故事中的用户角色提供依据	撰写以研究为基础的用户故事
product-designer	用户画像用于用户旅程映射和可用性测试招募	端到端设计研究工作流