Skip to content

LuckyOneTwoThree/pm-skill / pm-01-discovery/skills/insight-jtbd

insight-jtbd

Verified

当需要从用户反馈和行为数据中提取功能性、情感性、社会性三层Job时使用。JTBD结构化分析,通过模式匹配与语义推断识别用户真正想完成的任务。关键词:JTBD、Jobs-to-be-Done、用户任务、功能诉求、情感诉求、社会诉求。

JTBD结构化分析

核心原则

  1. 任务而非方案——用户表达的"想要XX功能"是方案而非任务,JTBD要挖掘的是"用户用这个功能想完成什么",而非停留在表面需求
  2. 三层递进推断——Functional Job有数据直接支撑,Emotional Job需从负向反馈推断,Social Job需从社会关系表述推断,推断深度逐层递进,置信度逐层递减
  3. 痛点即未满足的Job——每个痛点背后都存在一个未被满足的Job,pain_with_current字段必须明确描述当前方案的不足
  4. 交叉验证降低误判——Emotional/Social Job必须有多条独立证据交叉验证,单一来源的推断置信度上限为0.5

交互模式

🤖→👤 AI建议人类审批

输入

输入项类型必填来源说明
voice-analysis.jsonJSON是output/pm-discovery/user-research-voice-analysis/voice-analysis.json用户声音分析数据,含用户原话、情感、频率
behavior-analysis.jsonJSON是output/pm-discovery/user-research-behavior-analysis/behavior-analysis.json行为分析数据,含行为模式、流失率、上下文

Input JSON 示例结构

{
  "voice_data": [
    {
      "quote": "太麻烦了,每次都要重复填写",
      "sentiment": "negative",
      "frequency": 12,
      "source": "用户访谈#23"
    }
  ],
  "behavior_data": [
    {
      "action": "放弃填写表单",
      "drop_off_rate": 0.35,
      "context": "注册流程第3步"
    }
  ]
}

执行步骤

Step 1: Functional Job 提取

从用户反馈和行为数据中提取功能性任务,识别"我想完成XX"模式。

  • 扫描voice-analysis.json中的用户原话,匹配任务意图模式
  • 从behavior-analysis.json中提取高频行为目标,推断用户试图完成的任务
  • 意图模式库:
模式类别匹配模式推断方向
直接表达"我想..."、"能不能..."、"需要..."、"帮我..."、"希望..."直接提取为Functional Job
痛点反推"太慢了"、"太麻烦了"、"不方便"、"不好用"反推用户想高效/便捷地完成某事
行为目标高频操作路径、重复行为模式推断用户试图达成的行为目标
竞品对比"XX产品可以..."、"为什么你们不能..."提取用户期望的功能能力
场景描述"每次做XX的时候..."、"在XX场景下..."提取场景化的功能需求
  • 对每个Functional Job标注:
    • 频率:该任务在数据中出现的次数/占比
    • 情感强度:1-5分,基于用户表达的情绪强烈程度
  • 输出格式:{ type: "functional", job: "...", frequency: N, sentiment_intensity: 1-5 }

Step 2: Emotional Job 推断

从负向反馈中推断情感诉求,识别用户未被满足的情感需求。

  • 情感映射规则库:
负向表达模式情感诉求方向置信度基准
"太麻烦了"/"太复杂了"/"操作太多"渴望轻松/省力0.8
"不放心"/"担心"/"怕出错"渴望安全感/确定性0.75
"很焦虑"/"着急"/"来不及"渴望掌控感/效率0.75
"被忽略了"/"没人理我"/"反馈没回应"渴望被重视/被关注0.7
"太慢了"/"等太久"/"响应慢"渴望即时反馈/流畅感0.8
"看不懂"/"不知道怎么用"/"太专业了"渴望清晰/简单/易懂0.75
"很失望"/"不如预期"/"被骗了"渴望信任/透明度0.7
"很尴尬"/"丢面子"/"不好意思"渴望自信/尊严0.65
"很无聊"/"没意思"/"千篇一律"渴望新鲜感/趣味性0.6
"很沮丧"/"放弃了"/"不想用了"渴望成就感/正向激励0.7
"太贵了"/"不值"/"性价比低"渴望公平感/价值感0.7
"被限制"/"不能自定义"/"太死板"渴望自主性/灵活性0.65
"很困惑"/"不知道发生了什么"渴望清晰度/可理解性0.7
"很无助"/"不知道找谁"渴望支持/引导0.65
"很烦"/"被打扰"/"太多通知"渴望宁静/专注0.7
  • 从负向反馈(sentiment=negative)中提取情感关键词,映射到情感诉求
  • 对每个Emotional Job标注:
    • 推断依据:引用原始用户反馈
    • 置信度:0-1.0,基于模式匹配的明确程度和证据条数
  • 置信度调整规则:
    • 单条证据:置信度 = 基准值 × 0.7
    • 2-3条证据:置信度 = 基准值 × 0.85
    • 4条以上证据:置信度 = 基准值 × 1.0(不超过1.0)
  • 输出格式:{ type: "emotional", job: "...", frequency: N, evidence: "...", confidence: 0-1.0 }

Step 3: Social Job 推断

提取涉及他人评价、社会关系、群体归属的表述,推断社会性任务。

  • 社会映射规则库:
社会表达模式社会诉求方向置信度基准
"同事都在用"/"别人也在用"社会认同/归属感0.7
"领导要求"/"公司规定"/"合规要求"合规/服从权威0.8
"别人觉得"/"怕别人笑话"/"面子"社会形象/面子0.65
"行业标配"/"竞品都有"行业认同/竞争力0.7
"客户投诉"/"用户反馈"客户满意度/关系维护0.75
"推荐给朋友"/"分享给同事"社交货币/分享欲0.7
"团队协作"/"一起用"/"共享"协作效率/团队归属0.7
"显得专业"/"给客户看"专业形象/权威感0.65
"家人也在用"/"给孩子用"家庭关怀/责任感0.65
"大家都在讨论"/"热门话题"从众/潮流跟随0.6
"老板会看"/"向上汇报"向上管理/表现欲0.65
"朋友圈看到"/"小红书推荐"社交影响/口碑传播0.6
"合作伙伴要求"/"供应商需要"商业关系维护0.7
"学生都在问"/"学员期待"教育责任/使命感0.65
"行业趋势"/"数字化转型"行业转型/战略跟随0.6
  • 从用户反馈中提取涉及他人、群体、社会关系的表述
  • 对每个Social Job标注:
    • 推断依据:引用原始用户反馈
    • 置信度:0-1.0,基于表述的明确程度
  • 置信度调整规则同Emotional Job
  • 输出格式:{ type: "social", job: "...", frequency: N, evidence: "...", confidence: 0-1.0 }

输出

输出文件:output/pm-discovery/insight-jtbd/jtbd.json

输出Schema:

{
  "type": "object",
  "required": ["analysis_metadata", "jobs"],
  "properties": {
    "analysis_metadata": {"type": "object", "description": "分析元数据,包含来源文件、条目数和时间戳"},
    "jobs": {"type": "array", "description": "JTBD列表,包含功能性、情感性、社会性三层Job"},
    "needs_human_validation": {"type": "array", "description": "需人工验证的Job列表"}
  }
}

输出校验规则:

字段路径类型必填说明
analysis_metadataobject是分析元信息
analysis_metadata.source_filesarray是数据来源文件列表
analysis_metadata.total_voice_entriesnumber是语音反馈条目数
analysis_metadata.total_behavior_entriesnumber是行为数据条目数
analysis_metadata.analysis_timestampstring是分析时间戳(ISO8601)
jobsarray是任务列表
jobs[].typeenum(functional,emotional,social)是任务类型
jobs[].jobstring是任务描述
jobs[].frequencynumber是出现频次
jobs[].evidencestring是推断依据
jobs[].confidencenumber是置信度(0-1.0)
jobs[].current_solutionstring否当前解决方案
jobs[].pain_with_currentstring否当前方案的痛点
jobs[].pain_levelenum(high,medium,low)否痛点程度
jobs[].sentiment_intensitynumber否情感强度(1-5)
summaryobject是分析摘要
summary.total_jobsnumber是任务总数
summary.by_typeobject是按类型统计

Output JSON 格式

{
  "analysis_metadata": {
    "source_files": ["voice-analysis.json", "behavior-analysis.json"],
    "total_voice_entries": 0,
    "total_behavior_entries": 0,
    "analysis_timestamp": "ISO8601"
  },
  "jobs": [
    {
      "type": "functional",
      "job": "快速完成表单填写",
      "frequency": 12,
      "current_solution": "手动逐项填写",
      "pain_with_current": "重复劳动,耗时且易出错",
      "confidence": 1.0,
      "evidence": ["用户访谈#23", "行为数据-表单放弃率35%"],
      "sentiment_intensity": 4
    },
    {
      "type": "emotional",
      "job": "获得轻松省力的体验",
      "frequency": 8,
      "current_solution": "无",
      "pain_with_current": "每次操作都感到烦躁",
      "confidence": 0.7,
      "evidence": ["3位用户提到'太麻烦了'"],
      "sentiment_intensity": 3
    },
    {
      "type": "social",
      "job": "获得同事的认可",
      "frequency": 3,
      "current_solution": "使用竞品A",
      "pain_with_current": "觉得自己工具落后于同事",
      "confidence": 0.6,
      "evidence": ["用户访谈#17提到'同事都在用XX'"],
      "sentiment_intensity": 2
    }
  ],
  "needs_human_validation": [
    {
      "job_index": 2,
      "reason": "Social Job置信度<0.7,推断依据仅1条反馈",
      "suggested_action": "补充更多用户访谈验证社会认同需求"
    }
  ]
}

决策规则

规则条件动作
Emotional/Social Job低置信度升级Emotional或Social Job置信度 < 0.5标记需人类验证,列入needs_human_validation
Functional Job缺失未提取到任何Functional Job终止分析,返回错误提示补充数据
数据不足voice_data条目 < 5标记分析结果为低可信度,建议补充数据
单一证据推断Emotional/Social Job仅1条证据置信度上限设为0.5,标注"单一来源推断"
多证据交叉验证同一Job有3条以上独立证据置信度可提升至0.8+

质量检查

  • 三层Job(Functional/Emotional/Social)均已提取
  • 每个Job均有数据支撑(evidence字段非空)
  • 每个Job均有置信度标注
  • 低置信度Job已标记需人类验证
  • frequency和sentiment_intensity字段完整
  • pain_with_current字段非空(描述当前方案痛点)

降级策略

当上游文件不存在时,本Skill仍可独立执行:

缺失的上游输入降级方案输出影响
voice-analysis.json基于用户直接粘贴的反馈文本提取JTBD,标注"缺乏声音数据系统化支撑"Emotional/Social Job推断依据减少,置信度降低
behavior-analysis.json基于用户反馈文本推断行为意图,标注"缺乏行为数据交叉验证"Functional Job缺乏行为数据佐证,频率统计不精确
voice-analysis.json + behavior-analysis.json用户提供用户反馈文本 → 直接提取JTBD整体置信度降低,frequency为估算值
所有上游文件均缺失提示用户先执行前序阶段,或基于用户口头描述执行轻量版JTBD提取输出为轻量版,仅含Functional Job,Emotional/Social Job标注"待补充"

数据获取说明:

  • 本Skill需要用户声音分析和行为分析数据,请通过以下方式之一提供:
    1. 直接粘贴用户反馈文本
    2. 上传voice-analysis.json / behavior-analysis.json文件
    3. 提供数据文件路径
  • AI不负责外部数据采集,仅负责分析

上游变更响应

当上游输入发生变更时,本Skill的响应策略:

上游变更影响范围响应策略
voice-analysis.json新增反馈条目Functional/Emotional/Social Job频率和证据变化标注受影响的Job,建议人类确认是否需要重新提取
voice-analysis.json情感分类修正Emotional Job推断依据变化标注受影响的Emotional Job,建议重新评估置信度
behavior-analysis.json行为模式更新Functional Job频率和行为目标变化标注受影响的Functional Job,建议更新frequency

当本Skill自身变更时,对下游的通知机制:

变更类型影响范围通知方式
Job增删insight-5whys / insight-priority-scoring标注新增/删除的Job,5whys需确认因果链起点,priority-scoring需更新痛点数据
Job置信度调整insight-priority-scoring标注置信度变化的Job,priority-scoring需重新评估评分可信度
Functional Job优先级变化insight-5whys标注优先级变化的Job,5whys需确认分析顺序
slack-gif-creatoranthropics/skillsKnowledge and utilities for creating animated GIFs optimized for Slack. Provides constraints, validation tools, and animation concepts. Use when users request animated GIFs for Slack like "make me a GIF of X doing Y for Slack."Stars: 198kUpdated Claude CodeCodexVerifiedInstall
ponytailDietrichGebert/ponytailLazy senior dev mode for any coding task: the smallest change that fully solves it, and a reply a busy human understands in one read.Stars: 194kUpdated Claude CodeCodexVerifiedInstall
ponytail-debtDietrichGebert/ponytailHarvest every shortcut: comment into one debt ledger, so deferrals get tracked instead of forgotten. One-shot report.Stars: 194kUpdated Claude CodeCodexVerifiedInstall
ponytail-debtDietrichGebert/ponytailList every `shortcut:` comment (and older `ponytail:` ones) as a debt ledger. One-shot report, changes nothing. Use for "ponytail debt", "what did ponytail defer", "list the shortcuts", /ponytail-debt.Stars: 194kUpdated Claude CodeCodexVerifiedInstall