产品探索
product-discovery
产品探索 (Product Discovery)
通过结构化的探索流程来识别高价值机会并降低产品决策风险。
适用场景
适用于以下场景：
- 引导机会解决方案树 (Opportunity Solution Tree) 的构建
- 假设梳理与测试规划
- 问题验证访谈与证据综合分析
- 通过原型/实验验证解决方案
- 探索冲刺的规划与产出
核心探索工作流
1. 定义预期结果
- 设定一个可衡量的改进目标。
- 建立基准线和目标时间线。
2. 构建机会解决方案树 (OST)
- 结果 $\rightarrow$ 机会 $\rightarrow$ 解决方案构思 $\rightarrow$ 实验
- 确保机会基于用户证据，而非内部主观意见。
3. 梳理假设
- 识别关于需求度 (desirability)、可行性 (viability)、技术可行性 (feasibility) 和易用性 (usability) 的假设。
- 根据风险和确定性对假设进行评分。
使用：
bash
python3 scripts/assumption_mapper.py assumptions.csv4. 验证问题
- 进行访谈和行为分析。
- 确认问题的频率、严重程度以及用户解决该问题的意愿。
- 尽早剔除竞争力弱的机会。
5. 验证解决方案
- 在开发前先制作原型。
- 进行概念测试、易用性测试和价值测试。
- 衡量实际行为，而非仅依赖用户陈述的偏好。
6. 规划探索冲刺
- 为期 1-2 周的周期，包含明确的假设。
- 每日进行证据审查。
- 以决策结束：继续、转型或停止。
机会解决方案树 (Teresa Torres)
结构：
- 结果 (Outcome)：你希望推动变化的指标
- 机会 (Opportunities)：未被满足的客户需求/痛点
- 解决方案 (Solutions)：候选的干预方案
- 实验 (Experiments)：能最快获得学习结果的行动
质量检查：
- 在收敛之前，至少要有 3 个不同的机会。
- 每个核心机会至少对应 2 个实验。
- 每个分支都必须关联到证据来源。
假设梳理
假设类别：
- 需求度 (Desirability)：用户想要这个功能
- 可行性 (Viability)：具有商业价值
- 技术可行性 (Feasibility)：团队能够构建/运营
- 易用性 (Usability)：用户能够成功使用
优先级规则：
- 优先测试“高风险 + 低确定性”的假设。
问题验证技术
- 聚焦于当前行为的问题访谈
- 用户旅程摩擦点梳理
- 客服工单与销售电话综合分析
- 行为分析数据交叉验证
证据阈值示例：
- 多个目标用户重复提到相同的痛点
- 观察到用户在使用替代方案 (workaround)
- 当前痛点产生了可衡量的成本
解决方案验证技术
- 概念测试（价值主张的理解度）
- 原型易用性测试（任务成功率/完成时间）
- 伪门测试 (Fake door) 或管家式测试 (Concierge tests)（需求信号）
- 有限规模的 Beta 测试组（留存/激活信号）
探索冲刺规划
建议的 10 天结构：
- 第 1-2 天：结果定义 + 机会框架构建
- 第 3-4 天：假设梳理 + 测试设计
- 第 5-7 天：问题与解决方案测试
- 第 8-9 天：证据综合 + 决策选项分析
- 第 10 天：利益相关者决策评审
工具
scripts/assumption_mapper.py
命令行工具，功能包括：
- 从 CSV 或行内输入读取假设
- 对风险/确定性优先级进行评分
- 输出带有建议测试类型的优先级测试计划
详见 references/discovery-frameworks.md 以获取框架细节。
