User research report

用户研究报告自动生成

核心原则

1. 洞察重于数据——数据是证据，洞察是结论，每条数据必须回答"这对产品意味着什么"
2. 用户声音优先——直接引用用户原话，比AI总结更有说服力
3. 行动导向——研究不是目的，驱动产品改进才是目的
4. 方法透明——研究结论的可信度取决于方法论的透明度

交互模式

🤖→👤 AI建议人类审批

输入

输入项	类型	必填	来源	说明
用户声音分析	JSON	○	output/pm-discovery/user-research-voice-analysis/voice-analysis.json	情感分布、主题聚类、痛点提取
行为分析	JSON	○	output/pm-discovery/user-research-behavior-analysis/behavior-analysis.json	漏斗健康度、Aha Moment、功能使用深度
用户建模	JSON	○	output/pm-discovery/user-research-user-modeling/persona.json	Persona、Empathy Map、Journey Map
访谈数据	JSON	○	output/pm-discovery/user-research-interview-assist/interview_script.json	访谈脚本、访谈记录、洞察提取
研究目标	string	是	用户提供	本次研究要回答的核心问题
产品/品类信息	string	○	用户提供	产品名称、品类、目标市场

执行步骤

Step 1: 研究背景与目标梳理

基于用户提供的研究目标和产品信息，明确：

• 研究背景：为什么做这次研究
• 核心研究问题：3-5个要回答的关键问题
• 研究范围：目标用户群、产品范围、时间范围
• 研究方法概述：使用了哪些方法（VOC分析/行为分析/访谈/问卷）

Step 2: 用户画像整合

整合 persona.json 数据，生成可读的用户画像章节：

画像要素	数据来源	报告呈现
基本属性	persona → demographics	人口统计学描述
行为特征	output/pm-discovery/user-research-behavior-analysis/usage_patterns	使用习惯描述
目标与动机	persona → goals	引用原话+总结
痛点与挫折	output/pm-discovery/user-research-voice-analysis/pain_points	引用原话+频率标注
情感地图	persona → empathy_map	思维导图描述

画像数量规则：

• 2-4个核心Persona
• 每个Persona标注代表性用户原话（至少2条）

Step 3: 用户旅程整合

整合 Journey Map 和行为数据：

旅程阶段划分：

认知 → 评估 → 首次使用 → 深度使用 → 流失/续费

每个阶段包含：

维度	内容
用户行为	实际做了什么（行为数据支撑）
触点	与产品的交互点
情绪曲线	高峰/低谷/关键时刻
痛点	该阶段的核心障碍
机会	可改进的空间

关键指标嵌入：

• 漏斗转化率（来自 behavior-analysis）
• Aha Moment 触发条件
• 流失预警信号

Step 4: 洞察提炼

从所有上游数据中提炼核心洞察：

洞察提取规则：

• 每条洞察 = 观察 + 证据 + 产品含义
• 证据必须标注来源（VOC/行为/访谈）
• 洞察按影响范围排序：全局性 > 局部性

洞察分类：

类别	说明	示例
需求洞察	用户真正想要什么	"用户不是要更快的马，而是要更短的通勤时间"
痛点洞察	核心障碍的本质	"不是功能不够，而是找不到功能"
行为洞察	用户实际行为 vs 预期	"注册后3天内未完成首次操作的用户流失率87%"
机会洞察	未被满足的需求空间	"40%用户在搜索后放弃，存在意图理解的机会"

Step 5: 行动建议

基于洞察生成可执行的产品改进建议：

建议要素	要求
建议描述	具体到可执行的操作
对应洞察	引用支撑的洞察编号
预期影响	对核心指标的影响评估
优先级	P0（必须做）/ P1（应该做）/ P2（可以做）
验证方式	如何验证改进效果

优先级推导规则：

• 影响核心漏斗的痛点 → P0
• 影响留存/活跃的障碍 → P1
• 体验优化类建议 → P2

Step 6: 报告组装

将所有章节整合为完整的 Markdown 报告：

报告结构：

# {产品名}用户研究报告

## 执行摘要
- 研究概述（一段话）
- 3条核心发现
- Top1行动建议

## 1. 研究背景与方法
- 研究目标
- 研究问题
- 研究方法与样本
- 数据来源与局限性

## 2. 用户画像
### 2.1 核心用户群A：{名称}
- 基本属性
- 目标与动机
- 核心痛点
- 代表性原话
### 2.2 核心用户群B：{名称}
- ...

## 3. 用户旅程
- 旅程全景图
- 各阶段分析
- 关键时刻（Aha Moment / 流失点）
- 情绪曲线

## 4. 核心洞察
### 4.1 需求洞察
### 4.2 痛点洞察
### 4.3 行为洞察
### 4.4 机会洞察

## 5. 行动建议
| 优先级 | 建议 | 对应洞察 | 预期影响 | 验证方式 |
|--------|------|---------|---------|---------|

## 附录
- 数据来源清单
- 研究方法详细说明
- 样本描述与局限性

输出

存储路径：output/pm-discovery/user-research-report/

输出文件：

文件	格式	说明
user-research-report.md	Markdown	完整用户研究报告
user-research-report.json	JSON	结构化数据（供下游Skill引用）

user-research-report.json 结构：

输出Schema：

{
  "type": "object",
  "required": ["report_metadata", "executive_summary", "personas", "insights", "recommendations"],
  "properties": {
    "report_metadata": {"type": "object", "description": "报告元数据，含产品名、研究目标和置信度"},
    "executive_summary": {"type": "object", "description": "执行摘要，含概述、核心发现和Top建议"},
    "personas": {"type": "array", "description": "用户画像列表"},
    "journey": {"type": "object", "description": "用户旅程，含阶段、情绪曲线和关键时刻"},
    "insights": {"type": "array", "description": "核心洞察列表"},
    "recommendations": {"type": "array", "description": "行动建议列表"}
  }
}

输出校验规则：

字段路径	类型	必填	说明
report_metadata	object	是	报告元数据
report_metadata.product	string	是	产品名称
report_metadata.research_goals	string[]	是	研究目标列表，不可为空
report_metadata.generated_at	string	是	生成时间戳
report_metadata.data_sources	string[]	是	数据来源列表
report_metadata.overall_confidence	number	是	整体置信度，0-1
executive_summary	object	是	执行摘要
executive_summary.overview	string	是	研究概述，一段话
executive_summary.key_findings	string[]	是	核心发现，须≥3条
executive_summary.top_recommendation	string	是	Top1行动建议
personas	array	是	用户画像列表，2-4个
personas[].name	string	是	用户群名称
personas[].quotes	string[]	是	代表性原话，每个Persona≥2条
journey	object	否	用户旅程
journey.stages	array	否	旅程阶段列表
journey.stages[].name	string	是	阶段名称
journey.stages[].behaviors	string[]	是	用户行为
journey.stages[].pain_points	string[]	是	痛点
journey.stages[].opportunities	string[]	是	机会点
journey.aha_moment	string	否	Aha Moment描述
journey.churn_signals	string[]	否	流失信号列表
insights	array	是	核心洞察列表，≤15条
insights[].id	string	是	洞察编号，格式INS-XXX
insights[].category	string	是	洞察类别枚举：需求/痛点/行为/机会
insights[].observation	string	是	观察描述
insights[].evidence	string	是	证据及来源
insights[].implication	string	是	产品含义
insights[].scope	string	是	影响范围枚举：全局/局部
recommendations	array	是	行动建议列表，≥3条
recommendations[].id	string	是	建议编号，格式REC-XXX
recommendations[].description	string	是	建议描述
recommendations[].linked_insights	string[]	是	关联洞察编号列表
recommendations[].expected_impact	string	是	预期影响
recommendations[].priority	string	是	优先级枚举：P0/P1/P2
recommendations[].validation_method	string	是	验证方式

{
  "report_metadata": {
    "product": "产品名",
    "research_goals": [],
    "generated_at": "时间戳",
    "data_sources": [],
    "overall_confidence": 0.0
  },
  "executive_summary": {
    "overview": "一段话",
    "key_findings": [],
    "top_recommendation": ""
  },
  "personas": [
    {
      "name": "用户群名称",
      "demographics": {},
      "goals": [],
      "pain_points": [],
      "quotes": []
    }
  ],
  "journey": {
    "stages": [
      {
        "name": "阶段名",
        "behaviors": [],
        "touchpoints": [],
        "emotion_peak": "",
        "emotion_valley": "",
        "pain_points": [],
        "opportunities": [],
        "metrics": {}
      }
    ],
    "aha_moment": "",
    "churn_signals": []
  },
  "insights": [
    {
      "id": "INS-001",
      "category": "需求/痛点/行为/机会",
      "observation": "观察描述",
      "evidence": "证据及来源",
      "implication": "产品含义",
      "scope": "全局/局部"
    }
  ],
  "recommendations": [
    {
      "id": "REC-001",
      "description": "建议描述",
      "linked_insights": ["INS-001"],
      "expected_impact": "预期影响",
      "priority": "P0/P1/P2",
      "validation_method": "验证方式"
    }
  ]
}

决策规则

条件	决策
上游数据全部缺失	基于研究目标和AI知识库生成报告，标注"缺乏实证数据，建议补充研究"
仅有VOC数据	聚焦情感和痛点洞察，行为洞察标注"缺乏行为数据"
仅有行为数据	聚焦漏斗和使用深度，需求洞察标注"缺乏用户声音数据"
Persona数量>6	按用户量排序取Top4
洞察数量>15	按影响范围和优先级排序取Top10

质量检查

• 执行摘要包含3条核心发现+Top1建议
• 每个Persona有代表性用户原话
• 用户旅程包含情绪曲线和关键时刻
• 每条洞察有观察+证据+含义三要素
• 行动建议至少3条，每条有优先级和验证方式
• 数据来源和局限性已说明

降级策略

缺失的上游输入	降级方案	输出影响
voice-analysis缺失	用户画像和痛点基于行为数据和AI推断	痛点洞察缺乏用户原话支撑
behavior-analysis缺失	旅程和行为洞察基于VOC和访谈数据	行为洞察缺乏量化数据
persona缺失	基于VOC和行为数据推导用户画像	画像可能不够精细
interview数据缺失	洞察基于VOC和行为数据	缺乏深度定性洞察
所有上游数据均缺失	基于研究目标和AI知识库生成，整体置信度降低	报告需人类大量补充验证
若用户未提供研究目标	提示用户提供研究目标，否则无法确定报告聚焦方向	无法生成定向报告
若用户未提供产品/品类信息	跳过该输入相关步骤，报告中产品相关描述基于推断	产品背景描述可能不够准确

---

上游变更响应

上游变更影响

上游Skill	变更类型	影响范围	响应动作
user-research-voice-analysis	voice-analysis.json结构变更	情感分布、痛点、主题数据格式变化	检查输入字段映射，适配新结构，不兼容时标记"上游数据格式异常"
user-research-voice-analysis	voice-analysis.json内容更新	痛点等级、情感分布、分群结果变化	重新整合用户画像和痛点洞察，标注"基于更新数据重建"
user-research-behavior-analysis	behavior-analysis.json结构变更	漏斗、Aha Moment、功能使用数据格式变化	检查输入字段映射，适配新结构，不兼容时标记"上游数据格式异常"
user-research-behavior-analysis	behavior-analysis.json内容更新	漏斗健康度、行为路径、异常检测结果变化	重新整合用户旅程和行为洞察，标注"基于更新数据重建"
user-research-user-modeling	persona.json结构变更	Persona字段映射变化	检查输入字段映射，适配新结构，不兼容时标记"上游数据格式异常"
user-research-user-modeling	persona.json内容更新	Persona特征、痛点、JTBD变化	重新整合用户画像章节，标注"基于更新Persona重建"
user-research-interview-assist	interview-insights.json结构变更	访谈洞察、跨访谈模式数据格式变化	检查输入字段映射，适配新结构，不兼容时标记"上游数据格式异常"
user-research-interview-assist	interview-insights.json内容更新	验证/推翻假设、新发现、Persona更新变化	重新整合洞察和行动建议，标注"基于更新访谈数据重建"

下游通知机制

本Skill为终端Skill，无下游依赖，不涉及下游通知。