这篇讲什么 / What this covers:设计流程里「Define & Insight(定义问题 & 洞察)」这一段——你已经有了一堆用研材料和数据,现在要把它们变成能指导设计的洞察,并讲清楚。这一段的体力活(读转录稿、归纳、画图、打分)最适合外包给 AI。本篇是 6 个可复用的 AI 工作流 + 4 套思维框架。
对 PM 的意义:你天天在做的「从一堆反馈里提炼出该做什么」就是这件事。区别在于,过去靠人一条条读、靠经验拍,现在可以让 AI 先跑一遍出结构化草稿,你只做判断和取舍。AI 不替你做决策,它替你把 80% 的整理体力省掉,让你把时间花在「这条洞察到底成不成立」上。
和 Google UX 证书 / UX 研究与共情-定义 的分工:那篇是「手工 craft 手册」——怎么访谈、怎么画共情地图、怎么跑可用性测试、怎么用亲和图把便签变主题。本篇是「把同一批工作交给 AI 的提示词与判定规则」。强洞察的标准、亲和图法、问题陈述这些底层概念那边已讲透,这里只在需要时交叉引用,不重写,重点放在 AI 提示词骨架 + 何时用 + 反例。
〇、先建立地图:定义洞察阶段的 4 类工作 + 2 个心法
整个阶段的流水线(源自 Will 的 Define & Insight 纲领):
构建假设(Hypothesis) → AI 模拟/补充研究数据 → 结构化整理 + 可视化(Visualization) → 提炼输出关键洞察(Insight)
落到 PM 手上,可外包给 AI 的具体工作有 4 类,本篇逐一给提示词:
| 工作 | 输入 | AI 产出 | 本篇章节 |
|---|---|---|---|
| 提炼洞察 | 访谈转录稿 / 单个核心问题 | 结构化洞察 / 洞察卡片 | §一、§二 |
| 用研可视化 | 用研报告 / 一段数据 | 图表选型 + ECharts/HTML 代码 | §三 |
| 图表选型 | 「我有这种数据该用什么图」 | 80 种图表的 PM 速查 | §四 |
| 界面眼动 | 界面截图 | AI 模拟热力图 + 扫描模式判读 | §五 |
| 方案打分 | 多套 UI 截图 | 6 维专家评审 + 扣分表 | §六 |
两个贯穿全篇的心法(先记住,后面每节都在用):
心法 1 — 没有「为什么」的结论都不是洞察。「用户觉得复杂 / 不喜欢这个功能 / 希望更简单」都不是洞察,只是现象的复述。洞察必须回答「用户为什么这么做」,并能直接连到设计动作。详见 §一。
心法 2 — 数据和用研是分工,不是替代。 数据告诉你「哪里」出了问题,用研告诉你「为什么」和「还能怎么办」。两者在 4 类项目(增长/修复/验证/探索)里的配比不同,详见 §七。
Why 先建地图:PM 容易一上来就问「帮我分析这些访谈」,结果 AI 吐一堆没重点的总结。先想清楚「我现在在做哪类工作、要什么产出」,再选对应的提示词,效率差 3 倍。
一、从访谈转录稿批量提炼洞察(Research Synthesis)
适用:你做完了一轮用户访谈,手上有 N 份转录稿(几千到几万字),要在 2 小时内出一份能指导设计的「研究综合报告」。
什么是「强洞察」——先打掉误区
一个真正的洞察必须同时满足 3 个条件(这套标准 Google UX 证书 / UX 研究与共情-定义 也讲过,这里给可直接套的句式):
- 解释「为什么」(因果) — 不是「用户没点」,而是「因为用户不确定结果,所以不敢点」
- 能指导「怎么改」(可行动) — 不是「用户觉得复杂」,而是「复杂的核心不是步骤多,而是每一步都要重新判断」
- 可泛化(不是个例) — 不是「某个用户说了什么」,而是「一类用户在某种情境下会这样决策」
因果句式模板(强烈建议存成片段):
在【某种用户 / 场景】下,用户会【某种行为或决策】,
因为【背后的认知 / 情绪 / 动机】,
这导致了【当前问题或机会】,
因此我们应该【设计方向】。
反例 ❌:「用户不愿意点击购买按钮」 正例 ✅:「在首次接触高价商品时,用户不会立即点击购买,因为他们需要先确认『是否值得』和『是否可靠』,这导致用户在关键转化节点停住,因此我们需要在决策前提供信任和价值证明,而不是强化 CTA。」
提示词骨架 A:批量转录稿 → 研究综合报告
让 AI 扮演严谨的 UX 研究员,按 5 个维度逐条提取,每条都要量化(频次/严重程度)+ 引用原话:
我是高级产品设计师,正在做用户研究综合分析。已上传 [N] 份访谈转录稿。
项目背景:产品 [X] / 功能领域 [Y] / 目标用户 [Z] / 使用场景 [...] / 当前用户怎么处理 [...]
请以「准备设计需求」的严谨度分析,按以下框架提取可执行洞察:
1. 痛点:每条 = 直接引用原话(标参与者+段落) + 频次(X/总数) +
严重程度(致命/高/中/低,按用户用词判定) + 发生情境 + 当前替代方案 + 主题归类
2. 心智模型:用户拿它和什么类比?「它应该像 X 一样」+ 理想流程 + 交互预期 + 角色差异
3. 边界场景与失败模式:每个「如果……会怎样」+ 频次 + 类型(用户行为/系统/数据/部分失败) + 设计含义
4. 成功标准:用户眼里「运行良好」长什么样?显性指标 + 任务完成标准 + 质量指标 + 对比基准
5. 跨主题洞察:所有人都提的(普遍需求) / 多数人提的(强信号) / 仅一人但关键的(边缘创新) /
矛盾点 / 未明说的假设 / Top 5 必须项
最后输出「设计含义(建议)」:核心交互模型 / 关键安全机制 / 反馈需求 / 错误处理 / v1 范围 / v2-v3 延后项。
铁律:量化一切;用原话引用;标注矛盾;以设计者思维串联痛点→心智模型→成功标准;
保持怀疑——标注「说的」和「做的」不一致之处;严格区分致命 vs 可选。
严重程度判定锚点(让 AI 不靠感觉):致命=「我无法完成工作 / 会阻塞我 / 浪费好几小时」;高=「非常沮丧 / 重大问题 / 一直发生」;中=「很烦 / 希望更好」;低=「小麻烦 / 没什么大不了」。
Why 这个框架值钱:它强制 AI 输出可量化、带证据、能直接接设计决策的东西,而不是一段「用户普遍反映体验有待提升」的废话。其中「保持怀疑,标注说的和做的不一致」是最容易被忽略、也最值钱的一条——用户嘴上说要 A,行为却是 B,这种矛盾往往藏着真正的洞察。
提示词骨架 B:单个核心问题 → 洞察卡片(UX Insight Card)
当你只有一个明确问题、想快速产出一张「可贴进项目内页」的洞察卡片时用这个。产出语气偏研究结论,不是教程:
请基于以下输入,生成一条「用户研究洞察卡片(UX Insight)」。
【核心问题】{{必填}} 【核心结论(如有)】{{选填}}
严格按结构输出:
1. Insight 标题:一句话总结结论,判断明确,语气偏研究结论不偏营销
2. 用户背景与情境:用户是谁 + 真实限制条件(别假设用户理性或有耐心)
3. 行为与事实发现:2-3 条「被观察到的行为/事实」,用具体时间/频率/习惯,不用抽象形容词
4. 用户原话 Quotes:2 条代表性原话,口语化,体现不同侧面情绪,标 Participant A/B
5. 设计/产品启示:2-3 条可执行原则,用「应该/必须/不应」强约束表达
整体:偏判断不偏描述;偏「告诉设计师该怎么做」不偏「发生了什么」。
Why 两个骨架分开:A 是「一堆原料→全景报告」(适合一轮访谈做完的总结),B 是「一个判断→一张卡片」(适合已有结论想规范表达、或想让 AI 帮你把模糊感受逼成结构)。B 里「别假设用户理性或有耐心」这条提示很关键,能避免 AI 生成一堆「理想用户」的虚假洞察。
二、把洞察讲清楚:样本 → 行为 → 共性 → 洞察 的汇报结构
光有洞察不够,要让老板/团队相信它不是你的主观判断。核心结构:用少量关键数据锚定结论。
反例 ❌:「用户觉得页面信息不清晰」(纯主观,无法验证) 正例 ✅:「在 12 位用户中,有 8 位在浏览核心信息后反复切换模块,平均停留 2-3 次以上,主要原因是无法判断信息可信性,最终归纳出核心问题是『决策信任不足』。」
必须避免的 5 种表达:① 纯主观结论(用户觉得……)② 只讲方法不讲结果(我们做了访谈——所以呢?)③ 只讲现象不讲归纳(用户会停住——这只是观察)④ 结论停在表层(觉得麻烦、复杂)⑤ 没有样本感(有些用户……不可信)。
专业汇报句式模板(把「场景类型→数据定位→用研补因果→行为证据→洞察收口」串成一段):
在这个项目中,我们先基于数据判断当前属于一个【场景类型】问题。
当时数据表现是【数据现象】,通过分析发现问题集中在【问题范围】。
但数据只能告诉我们这个环节有问题,无法解释用户为什么这么决策,所以引入了用户研究。
我们招募了【样本量】位目标用户,覆盖【用户结构】,用【研究方式】让他们完成【关键任务】。
过程中发现,约【比例,如 70-80%】的用户在【关键行为节点】会出现【重复行为:反复查看/停顿/返回】,
平均【次数或时长】,他们普遍面临的核心问题是【共性问题1】;
同时有【次要比例】的用户在【补充场景】下出现【共性问题2】。
归纳这些行为和访谈后,我们发现一个更本质的问题是:【核心洞察(行为→结论)】。
Why 这套结构是「作品集 / 汇报神器」:它把「我凭感觉觉得」改造成「样本+行为+归纳可复现」。对 PM 的迁移价值极大——你向老板讲任何一个数据结论时,套「数据定位问题 → 用研解释原因 → 行为证据 → 一句洞察收口」,可信度立刻上一个台阶。
三、用研可视化:让 AI 帮你选图表 + 出代码
适用:你有一份用研报告或一段数据,要做成汇报/作品集级别的图表,但不想自己纠结用什么图、也不想手写代码。
核心判定逻辑:图表数量取决于「结论数量」,不是数据多少
这是整套可视化提示词的灵魂。让 AI 在画图前先跑一遍判断:
- 问题结构:单一关系(A/B 对比、趋势、漏斗)/ 多因素 / 因果拆解(漏斗流失、路径)
- 信息密度测试:全塞一张图,用户读懂要不要超过 3 秒?是 → 拆多张
- 结论数量:1 个结论 = 1 张图;多个结论 = 多张图。禁止一张图表达多个结论
提示词骨架:用研数据 → 图表方案 + ECharts 代码
你是数据可视化专家 + UX 研究分析师。我会提供:用研方法 / 研究过程(样本/分组/路径) /
数据结果(数值/趋势/对比/分布/转化)。
请完成三件事:① 提炼最关键的业务问题 ② 判断用一张图还是多张图 ③ 生成最能表达核心结论的图(含代码)。
强约束:数据全部来自输入不许编造;每张图只表达一个核心结论;删除无关数据;
图表类型必须匹配数据结构;输出可直接用于作品集/汇报。
执行步骤:
1. 图表策略判断(单图/多图,给 Reason)
2. 每张图的 Core Insight:一句话,必须有业务指向(转化/留存/收入/行为变化)
3. Chart Type:从 比较/趋势/分布/构成/转化 里选一个,格式「Chart Type: xxx — because xxx」
4. Chart Data:结构化 JSON(title / x_axis / y_axis / series / highlight),highlight 必须指向关键差异/峰值/下降点
5. Design Spec:视觉重点(第一眼看什么) + 信息层级 + 是否用强调色/弱化非重点 + 关键标注
6. 完整可运行 HTML(基于 ECharts),含 highlight 逻辑和 annotation
禁止:一图多结论 / 展示全部数据而非关键数据 / 图表类型错误(如饼图表趋势) / 没有视觉重点 / 没高亮关键数据。
核心原则:控制读图认知成本 < 3 秒。
三步迭代法(来自实战流程,可串起来用):① 用研数据 + prompt → 出代码;② 粘贴代码 + 「根据原数据输出可视化图表」→ 得到可编辑图;③ 上传一张参考图(可从 §四 Chart 80 里复制某种图)+ 「改成参考图的图表类型」→ 换风格。也可跳过代码直接生成图片(如「单独提取漏斗数据,用 Bar Chart 生成英文图表」),或用 lovart.ai 这类工具直接出图。
Why 「一图一结论 + 3 秒法则」对 PM 是底层素养:作品集和老板汇报里最常见的死法是「一张图塞十个指标,看的人不知道该看哪」。这套提示词把「先想清楚这张图要让人记住哪一句话,再删掉一切不服务这句话的东西」固化成了流程。即使你不用 AI 画图,这个判定逻辑本身就该内化进每次做 PPT。
四、80 种图表类型的 PM/UX 选型速查(Chart 80)
适用:你有一类数据,想知道「该用什么图」。Will 整理了 80 种图表,每种都标了「怎么看 + 适合什么数据 + UX/PM 场景」。这里按 6 大族归纳 + 给 PM 最常用的那些划重点(本篇不嵌图,用文字描述)。
| 族 / Family | 解决什么 | PM 高频图(划重点) | 一句话选型 |
|---|---|---|---|
| 比较 Comparison | 不同类别比大小 | Bar(条形)·Column(柱状)·Grouped Bar(分组)·Bullet(子弹)·Radar(雷达)·Quadrant(象限) | 离散类别+一个数值用条形;版本/AB 多指标对比用分组;KPI 目标 vs 实际用子弹图;多维度评分用雷达 |
| 相关 Correlation | 两变量有没有关系 | Scatter(散点)·Bubble(气泡)·Heatmap(热力) | 看两指标相关用散点;加第三维(大小)用气泡;矩阵式强弱用热力 |
| 构成 / 层级 Part-to-Whole | 占比 & 嵌套结构 | Pie/Donut(饼/环)·Stacked Bar(堆叠)·Funnel(漏斗)·Treemap(矩形树)·Sunburst(旭日) | 占比少类别用饼;转化各环节用漏斗;信息架构层级用树图/旭日 |
| 时间 Temporal | 随时间变化 | Line(折线)·Area(面积)·Gantt(甘特)·Bump(名次变化) | 长时间趋势用折线(别用柱状);排期用甘特;名次起伏用 Bump |
| 分布 Distribution | 数据如何散布 | Histogram(直方)·Box Plot(箱线)·Beeswarm(蜂群)·Violin(小提琴) | 看分布形状用直方;看中位数/异常值用箱线 |
| 地理与其他 Geospatial & Other | 地理 / 关系 / 流向 | Choropleth(分级地图)·Sankey(桑基)·Chord(弦)·Network(网络)·Flow(流程) | 用户路径流量用桑基;关系网用网络图;地域分布用分级地图 |
PM 最该记住的 5 个反例(用错图比不画还糟):
- ❌ 用饼图表达趋势 → ✅ 趋势永远用折线/面积
- ❌ 时间跨度长还用柱状图 → ✅ 时间点多用折线更清晰
- ❌ 类别多到爆还用饼图(超过 5-6 类就乱) → ✅ 改条形或树图
- ❌ 用户路径用一堆箭头乱画 → ✅ 用桑基图看流量方向和大小
- ❌ 看「目标完成度」用普通柱状 → ✅ 用子弹图,一眼看出 目标 vs 实际 vs 区间
Why PM 要懂图表选型:你不一定亲手画,但你要能判断「设计师/分析师给的这张图对不对、有没有误导」。最高频踩坑是「分类太多的饼图」和「拿饼图讲趋势」。记住一句话:图表类型必须匹配数据结构——分类比大小→条形,看趋势→折线,看占比→饼/堆叠,看流向→桑基,看分布→直方/箱线。
五、AI 眼动测试:上传截图看注意力流向(Eyetracking)
适用:界面还没上线、没条件做真实眼动设备,但想知道「用户第一眼会看哪、关键信息会不会被忽略」。AI 工具(如 attentioninsight.com)可基于截图模拟生成热力图。
用法极简:输入界面截图 → 输出 AI 模拟的注意力热力图(红=高关注,蓝=被忽略)。
关键是会判读 4 种扫描模式(决定你的内容结构对不对):
| 扫描模式 | 长什么样 | 说明什么 | 怎么用 |
|---|---|---|---|
| F-pattern | 注意力集中在左侧+前几行,呈 F 形 | 用户在快速扫、不逐字读;大量信息被忽略 | 警告信号——说明文本墙太厚,要加副标题/列表 |
| Spotted(点状) | 注意力散落在关键词、数字、项目符号上 | 列表和关键词对扫描极其有效 | 把重点做成列表 + 加粗关键字,引导注意力 |
| Layer-cake(千层糕) | 沿着粗体副标题逐层跳读 | 副标题层级清晰,用户在「找需要的步骤」 | 好信号——说明你的标题结构在起作用 |
| Commitment(投入) | 几乎完整通读全文 | 用户高度兴趣或有强动机(如要做测验) | 罕见,说明内容本身吸引力强 |
重要风控:注视 ≠ 理解。热力图只能说明「看了」不能说明「看懂了」。「注视次数多」不等于「理解深」(可能是看不懂在反复找)。AI 模拟更是「预测」不是真实生理数据,只能当早期参考,不能替代真实测试。
最佳实践(扫描友好的页面):加明确副标题层级 / 用列表和高亮关键字 / 段落控制在 1-3 行 / 重要信息放段落开头 / 留足白让眼睛有「停靠点」 / 避免「墙式文本」。
Why 对 PM 有用:你评审一个详情页/落地页时,常争论「这个卖点放这够不够显眼」。AI 眼动给你一个低成本的客观参照——把设计稿丢进去跑一张热力图,如果核心 CTA 是蓝的(没人看),就有据可依地要求调整,而不是「我觉得不够突出」的口水仗。
六、多套 UI 方案对比打分:6 维专家评审(Options Scoring)
适用:你有 2-3 套 UI 方案,要在做用户测试之前先用 AI 跑一轮严苛的专家批评,快速淘汰明显有问题的方案。
6 个评分维度(总分 90)
| 维度 | 满分 | 核心问题 |
|---|---|---|
| 主要用户 Primary | 10 | 高频熟练用户能高效完成任务吗?(速度/点击效率/认知负担) |
| 次要用户 Secondary | 10 | 新人/低频用户看得懂吗?(易学性/可发现性/引导) |
| 边缘用户 Edge | 10 | 极端场景还能用吗?(移动端/网络差/单手/分心) |
| 商业适配 Business Fit | 10 | 符合业务场景吗?(信任感/行业成熟度/企业级适用) |
| 无障碍 Accessibility | 40 | 特殊用户能用吗?(按 WCAG 2.1 AA:对比度/焦点可见/键盘可用/点击区) |
| 可扩展性 Scalability | 10 | 以后复杂了会不会崩?(工程可行/响应式/大数据量/空状态) |
注意无障碍占 40 分(接近一半),刻意把「能不能让所有人用」抬到第一权重——这是专业 UX 和「好看就行」的分水岭。
提示词骨架:多套 UI 截图 → 对比矩阵 + 扣分表
灵魂是每个分数都可被数学解释:每维从满分起,每项扣分必须带「精确问题标签 + 通俗解释 + 扣分值」,最终「起始分 − 总扣分 = 最终分」。
我是高级产品设计师,要在用户测试前对设计概念做严苛的专家级批评。已上传 [X] 套设计概念截图。
项目背景:产品 / 功能流程 / 行业 / 阶段(原型前-概念评审) / 概念数量。
请扮演跨学科高级评审小组(高级 UX + 产品设计 + 无障碍专家 + 软件架构师 + 性能工程师 + 行业专家)。
毫不留情,像真实生产团队一样思考,不要假客气。
评分规则:每维从固定满分起,每项扣分 = 问题标签 + 通俗解释 + 扣分值;最终「起始分 − 总扣分 = 最终分」;禁止无依据打分。
维度与满分:主要用户10 / 次要用户10 / 边缘用户10 / 商业适配10 / 无障碍40(按WCAG 2.1 AA) / 可扩展性10 = 总分90
输出:先出「对比矩阵」(每维 × 每个概念的分数 + 总分),再按顺序出每维的详细扣分表。
强制:引用明确 UI 证据 / 数学化打分 / 严厉直接 / 聚焦实际 UX 与工程现实。
禁止输出:高管摘要 / 优势分析 / 正面反馈 / 推荐方案 / 泛泛评论 / 填充废话。只要对比矩阵 + 扣分表。
Why 「每分可被数学解释」是反糊弄设计:AI(和人)打分最大的毛病是「我觉得这个 7 分那个 8 分」却说不出差在哪。强制「满分起步、逐条扣分、扣分必带理由」,把模糊的好恶变成可争论、可追溯的清单。即使你不用 AI,这套「锚定满分 + 逐项扣分 + 每扣必有据」的打分法,也能直接用在你团队任何需要对比打分的决策(供应商选型、方案 PK)上。「禁止输出正面反馈/推荐方案」是故意的——这个 prompt 只负责挑刺,最终拍板留给你,避免 AI 替你做决定。
七、底层认知:4 类项目里,数据与用研如何分工
为什么「有数据了还要做用研」?因为数据和用研各有天花板。把数字产品项目分 4 类,一眼看清:
| 项目类型 | 数据能做什么 | 数据的天花板 | 用研补什么 | 用研推荐方法 |
|---|---|---|---|---|
| 增长 Optimization(数据稳定要提升) | 定位瓶颈:哪一步转化低 | 只能优化已有路径,发现不了新路径 | 发现更优路径 + 识别真实动机 | 可用性测试 / 任务访谈 / 路径观察 |
| 修复 Anomaly(数据下滑) | 定位问题位置:哪里掉了 | 解释不了「为什么突然变了」 | 还原失败原因(理解错/信任降/成本升) | 流失用户访谈 / 行为回放 / 评论分析 |
| 验证 Validation(上新功能) | 判断结果变没变(涨/跌/平) | 判断不了「变化是否有价值」 | 解释变化如何被感知 + 价值是否成立 | A/B + 访谈 / 首次使用测试 |
| 探索 Discovery(新方向) | 描述现状:用户在做什么 | 只覆盖已发生行为,发现不了新需求 | 定义真实任务 + 发现未满足需求 | 深度访谈 / 情境观察 / 日记研究 / 替代分析 |
一句话记忆:增长——数据找瓶颈,用研找机会;修复——数据定位,用研解释;验证——数据看结果,用研看价值是否被理解;探索——数据看现状,用研定义问题。
增长卡住的 4 种用户心理 + 对应打法(探索增长机会时极实用):
- 不懂 → 一句话讲清价值 + 给可复制示例,让用户立刻上手
- 不信 → 可信背书 + 可验证证据(数据/评价/第三方认证)
- 不急 → 场景化时效收益 / 限时机制,让「现在做更划算」
- 不敢 → 低风险试用 + 保障(可撤回/退款/隐私承诺),降决策成本
Why 这是整篇的纲:前面 6 个 AI 工作流都服务于这张表。你先判断「我这个项目属于哪类」,就知道该让数据还是用研当主角、该用哪种研究方法、该让 AI 帮你提炼哪种洞察。修复型最容易踩的坑是「数据掉了就以为是需求变了」——其实归因要按 技术问题→版本变化→市场外部→用户认知 一层层排,前三层是数据/工程的事,排干净了才轮到用研解释「为什么用户不做了」。
八、研究方法 ↔ 可视化产物 速查(用研类型与可视化结果)
每种用研方法都有它「天然该出的图」。把方法和可视化绑定,你拿到一种研究就知道该产出什么:
| 用研方法 | 它在回答什么 | 典型可视化产物 |
|---|---|---|
| Kano 模型 | 哪些功能必须有/锦上添花/无关紧要 | Kano 四象限(基本/期望/兴奋/无差异) |
| RCA 根因分析 | 问题的根因在哪 | 鱼骨图 / 5-Why 树 |
| 服务蓝图 Service Blueprint | 前台后台系统如何协同支撑一次服务 | 泳道图(顾客旅程 + 前台/后台/系统层) |
| 旅程地图 Journey Map | 用户全流程的情绪起伏与体验点 | 旅程曲线(阶段 × 情绪) |
| 树状测试 Tree Testing | 信息架构里用户能不能找到东西 | 任务成功率表(路径 + 成功率%) |
| 用户访谈 / 情绪词 | 不同人群对同一事物的感受差异 | Venn 图(共同/差异词汇) + 词频柱状图 |
| 卡片分类 Card Sorting | 用户脑子里的分类逻辑 | 相似度矩阵 / 标准化网格 / 树状图(Dendrogram) |
| 用户路径分析 | 从哪进→去哪→哪退出 | 桑基图 Sankey(节点流量方向) |
| 流失分析 Drop-off | 哪个环节掉人最多 | 漏斗图(每步 进入/完成/转化率) |
| 热力图 Heatmap | 页面哪被忽略/被误点 | 滚动热力图 / 点击热力图 |
| 眼动 Eyetracking | 注意力是否流向预期处 | 热力图 / 注视点图 / 扫描路径图(见 §五) |
| A/B 测试 | 哪个版本结果更好 | 对比表(各版本转化 + 超越基线概率) + 柱状图 |
还有一套「UX 优化闭环」六阶段框架,把整段流程串起来:准备 → UX 分析 → 形成假设 → 确定优化优先级(P1/P2/P3) → 实施 → 绩效评估,然后回到分析,循环迭代。
Why 这张表是「翻译器」:它把抽象的「我做了卡片分类」翻译成具体的「所以我该出相似度矩阵 + 树状图」。PM 拿到任何一种研究方法,照这张表就知道下一步该让 AI(用 §三 的提示词)生成什么图,不用从零想。
九、把这套用到你的 AI 产品上
作为做 AI 产品的 PM,这一阶段对你的具体迁移价值:
- 每次用户反馈批量进来时(应用商店评论、客服记录、访谈),先用 §一骨架 A 跑一份结构化综合,别再人肉一条条读。你只做「这条洞察成不成立」的判断。
- 向老板/投资人讲数据结论时,套 §二的「数据定位→用研解释→行为证据→一句洞察」结构,可信度立刻不一样。
- 做竞品/方案对比时,用 §六的「满分起步逐项扣分」打分法,把口水仗变成可追溯的清单。
- 判断你产品当前该重数据还是重用研,先用 §七的 4 类项目表对号入座。AI 聊天产品的「留存为什么掉」往往是修复型——先排技术/版本,再用研解释「用户为什么不聊了」。
- 所有 AI 产出都是草稿。这一整套的本质是:让 AI 把整理、归纳、画图、打分的体力活做掉 80%,把你的时间留给最不可替代的 20%——判断哪条洞察是真的、该往哪走。
和 Google UX 证书 / UX 研究与共情-定义 / AI 辅助 UX·发现与研究阶段(用 AI 做业务/体验目标·MVP指标·问题定位·用研报告·背景信息图 的提示词与流程) 的关系:Discover & Research(发现与研究)在更前面——定义研究目标、招募、跑访谈;本篇 Define & Insight 接在它后面——把研究产物变成洞察和决策。google-ux-research 提供这两段共用的手工底层 craft(访谈 SOP、亲和图、可用性研究、强洞察标准)。三篇一起读 = 「研究目标怎么定 → 怎么做研究 → 怎么把结果变成设计决策」的完整链路。