简诗 AI 用户研究与体验方案

用户研究的真实痛点

用户研究常面临数据分散、结论难验证的问题。分析时容易陷入海量访谈记录，难以提炼共性；设计建议缺乏依据，难以说服团队；用户画像依赖主观判断，难以验证有效性。本技能通过结构化流程将原始数据转化为可执行的设计决策。

核心能力与工作方式

• 生成数据驱动的用户画像

从行为数据、访谈、问卷中提取典型用户类型，生成包含人口统计、心理特征、行为模式的画像。例如，通过 persona_generator.py 工具分析用户行为频率和功能偏好，输出含设计建议的完整画像。

• 构建用户旅程地图

按用户目标定义旅程范围，结合行为数据、访谈记录、分析工具等多源数据，可视化用户在各个阶段的行为、触点、情绪和痛点，并通过优先级评分识别优化机会。

• 规划可用性测试

将模糊的用户体验目标转化为可测试的问题，例如“用户能否在3分钟内完成注册”，并设计测试场景、任务清单和评估指标，支持5-8人的小规模验证。

• 综合研究结果

对访谈数据进行编码分类（如 [GOAL]、[PAIN]），通过聚类分析识别共性问题，计算各问题的影响范围和严重程度，生成含证据支持的设计建议。

适用边界与注意事项

• 数据质量要求

画像需基于至少20个用户样本和两种以上数据源（定量+定性），避免依赖单一数据导致偏差。

• 验证环节不可省略

生成的画像需通过3-5名真实用户验证，交叉检查支持工单和分析数据，确保与实际情况一致。

• 避免假设性结论

旅程地图和可用性测试设计必须基于实际用户行为数据，而非主观推测。例如，“用户可能感到困惑”需替换为“8/15用户在该步骤停留超过30秒”。

• 明确优先级逻辑

优化机会的优先级评分需公开计算逻辑（频率×严重性×可解决性），确保团队理解决策依据。