Skip to content

LuckyOneTwoThree/pm-skill / pm-01-discovery/skills/opportunity-problem-statement

opportunity-problem-statement

Verified

当需要基于用户研究数据和需求洞察生成结构化问题陈述时使用。Problem Statement自动生成,包含目标用户、场景、痛点、现有方案不足和预期收益。关键词:Problem Statement、问题陈述、痛点定义、用户问题、机会定义。

Opportunity Problem Statement — Problem Statement 生成

核心原则

  1. 问题是定义出来的不是找到的——Problem Statement是结构化提炼的产物,不是原始数据的简单复述
  2. 质量检查即自校正循环——5项检查不通过则自动修复重试,最多3次,仍不通过升级人类
  3. 数据支撑每个要素——模板中每个要素必须关联可追溯的数据证据,不可凭空编造
  4. 避免解决方案预设——问题描述必须保持问题空间开放,禁止嵌入任何具体方案

交互模式

🤖→👤 AI 建议人类审批

输入

输入项类型必填来源说明
用户研究数据JSON是output/pm-discovery/user-research-voice-analysis/voice-analysis.json / output/pm-discovery/user-research-behavior-analysis/behavior-analysis.json用户痛点、行为数据、期望数据
需求洞察数据JSON是output/pm-discovery/user-research-user-modeling/persona.json / output/pm-discovery/insight-jtbd/jtbd.json / output/pm-discovery/insight-kano/kano.json用户画像、待办任务、需求分类
机会评分数据JSON○output/pm-discovery/opportunity-scoring/opportunity-scoring.json已评分的机会信息

执行步骤

生成模板

结构化模板:

[目标用户群体] 在 [场景] 下,需要 [完成什么任务],但当前面临 [核心痛点],因为 [现有方案的不足],如果这个问题被解决,他们将 [预期收益]。

数据支撑要求:每个关键要素必须附带数据证据。

模板要素拆解

要素说明数据要求
目标用户群体具体的用户群体描述,不能是"用户"泛称需关联 persona 数据
场景用户所处的具体使用场景需有行为数据或访谈数据支撑
完成什么任务用户需要达成的目标需关联 JTBD 数据
核心痛点用户面临的主要困难需有痛点提及率数据
现有方案的不足当前解决方案的缺陷需有竞品分析或用户反馈数据
预期收益问题解决后的预期效果需可量化或可验证

输出

输出文件:output/pm-discovery/opportunity-problem-statement/problem-statement.json

输出Schema:

{
  "type": "object",
  "required": ["problem_statement", "data_support", "template_elements", "quality_check"],
  "properties": {
    "problem_statement": {"type": "string", "description": "完整的Problem Statement文本"},
    "data_support": {"type": "object", "description": "数据支撑,含痛点频率、行为证据和置信度"},
    "template_elements": {"type": "object", "description": "模板各要素拆解"},
    "quality_check": {"type": "object", "description": "5项质量检查结果"},
    "metadata": {"type": "object", "description": "元数据,含来源文件引用"}
  }
}

输出校验规则

字段路径类型必填说明
problem_statementstring是完整的Problem Statement文本,不可为空且不可包含具体解决方案
data_support.pain_point_frequencystring是痛点提及率,不可为空,需为可量化数值或区间
data_support.behavioral_evidencestring是行为数据印证,不可为空,需描述具体行为模式
data_support.confidencenumber是置信度0-1,低于0.5时需升级人类审核
template_elements.target_userstring是目标用户群体,不可使用泛称如"用户""客户"
template_elements.scenariostring是具体场景,不可为模糊描述如"日常使用"
template_elements.taskstring是用户需完成的任务,不可为空
template_elements.core_painstring是核心痛点,不可为空
template_elements.current_gapstring是现有方案不足,需指出1个或多个具体不足
template_elements.expected_benefitstring是预期收益,需可量化或可验证
quality_check.specific_user_group.passedboolean是用户群体具体性检查结果
quality_check.specific_scenario.passedboolean是场景具体性检查结果
quality_check.current_solution_gap.passedboolean是现有方案不足检查结果
quality_check.verifiable.passedboolean是可验证性检查结果
quality_check.no_solution_preset.passedboolean是避免解决方案预设检查结果
quality_check.all_passedboolean是是否全部通过,任一检查不通过时为false
quality_check.retry_countnumber是重试次数,最大值为3
{
  "problem_statement": "月活超过1000的SaaS产品运营人员,在月底结算高峰期,需要快速核对多渠道数据一致性,但当前面临手动比对耗时且易错的核心痛点,因为现有工具仅支持单渠道数据导出且缺乏自动校验能力,如果这个问题被解决,他们将把数据核对时间从平均4小时缩短至30分钟以内。",
  "data_support": {
    "pain_point_frequency": "12.3%",
    "behavioral_evidence": "78%的用户在月底会反复导出数据并手动比对",
    "confidence": 0.88
  },
  "template_elements": {
    "target_user": "月活超过1000的SaaS产品运营人员",
    "scenario": "月底结算高峰期",
    "task": "快速核对多渠道数据一致性",
    "core_pain": "手动比对耗时且易错",
    "current_gap": "现有工具仅支持单渠道数据导出且缺乏自动校验能力",
    "expected_benefit": "数据核对时间从平均4小时缩短至30分钟以内"
  },
  "quality_check": {
    "specific_user_group": {
      "passed": true,
      "detail": "指定了'月活超过1000的SaaS产品运营人员'"
    },
    "specific_scenario": {
      "passed": true,
      "detail": "指定了'月底结算高峰期'"
    },
    "current_solution_gap": {
      "passed": true,
      "detail": "描述了'仅支持单渠道数据导出且缺乏自动校验能力'"
    },
    "verifiable": {
      "passed": true,
      "detail": "预期收益可量化:4小时→30分钟"
    },
    "no_solution_preset": {
      "passed": true,
      "detail": "问题描述未包含具体解决方案"
    },
    "all_passed": true,
    "retry_count": 0
  },
  "metadata": {
    "source_persona": "output/pm-discovery/user-research-user-modeling/persona.json",
    "source_jtbd": "output/pm-discovery/insight-jtbd/jtbd.json",
    "source_scoring": "output/pm-discovery/opportunity-scoring/opportunity-scoring.json"
  }
}

字段说明

字段类型说明
problem_statementstring完整的 Problem Statement 文本
data_support.pain_point_frequencystring痛点提及率
data_support.behavioral_evidencestring行为数据印证
data_support.confidencenumber置信度(0-1)
template_elementsobject模板各要素拆解
quality_checkobject5项质量检查结果
quality_check.all_passedboolean是否全部通过
quality_check.retry_countnumber重试次数

决策规则

  1. 质量检查不通过则自动修改重试:根据未通过的检查项修复 Problem Statement,最多重试3次
  2. 3次仍不通过升级人类:将所有尝试版本及检查结果提交人类处理
  3. 重试策略:每次重试针对未通过项进行定向修复,保留已通过项不变

通过条件

检查项通过条件
5项质量检查全部通过quality_check.all_passed === true
数据支撑完整pain_point_frequency、behavioral_evidence、confidence 均非空
重试次数记录retry_count 准确反映重试次数

质量检查

生成后自动执行以下5项质量检查:

检查1:是否指定了具体用户群体?

  • 通过:用户群体描述具体(如"月活>1000的SaaS产品运营人员")
  • 不通过:使用泛称(如"用户"、"客户"、"人们")
  • 修复策略:从 persona 数据中提取具体用户群体描述替换

检查2:是否指定了具体场景?

  • 通过:场景描述具体且可观察(如"在月底结算高峰期")
  • 不通过:场景模糊或缺失(如"在日常使用中")
  • 修复策略:从行为数据中提取高频场景替换

检查3:是否描述了现有方案不足?

  • 通过:明确指出当前方案的1个或多个具体不足
  • 不通过:未提及现有方案或仅笼统说"不够好"
  • 修复策略:从竞品分析和用户反馈中提取具体不足

检查4:是否可验证?

  • 通过:预期收益可量化或可通过实验验证
  • 不通过:预期收益模糊(如"体验更好"、"更满意")
  • 修复策略:将模糊收益替换为可量化指标

检查5:是否避免了解决方案预设?

  • 通过:问题描述不包含任何具体解决方案
  • 不通过:问题描述中隐含或明示了具体方案
  • 修复策略:移除方案描述,聚焦问题本身

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
用户研究数据(voice-analysis / behavior-analysis)用户口述问题和用户群体 → 直接生成Problem Statement,标注"缺乏用户研究数据支撑"data_support.pain_point_frequency 为用户估算值,data_support.confidence<0.5,behavioral_evidence 标注"缺乏行为数据"
需求洞察数据(persona / jtbd / kano)基于用户描述直接生成,标注"缺乏需求洞察数据"template_elements.target_user 可能使用泛称,template_elements.task 缺乏JTBD关联,quality_check.specific_user_group 可能不通过
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的问题和用户群体直接生成data_support 多字段为用户估算,confidence 极低,quality_check 多项可能不通过,retry_count 可能达到上限

数据获取说明:

  • 本Skill需要用户研究和需求洞察数据,请通过以下方式之一提供:
    1. 直接描述目标用户群体、核心痛点和场景
    2. 上传persona.json / jtbd.json / voice-analysis.json等文件
    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

上游变更影响表

上游数据源变更类型影响维度影响描述响应策略
voice-analysis.json痛点提及率更新data_support / core_pain痛点频率变化影响核心痛点描述和数据支撑更新pain_point_frequency和core_pain,重新执行质量检查
behavior-analysis.json行为模式数据更新data_support / scenario / current_gap行为数据变化影响场景描述和现有方案不足更新behavioral_evidence和scenario,重新执行质量检查
persona.json用户画像调整template_elements.target_user用户群体定义变化影响目标用户描述更新target_user,重新执行specific_user_group检查
jtbd.json待办任务变更template_elements.task用户任务定义变化影响任务描述更新task要素,重新执行质量检查
kano.json需求分类调整data_support / expected_benefit需求类型变化影响预期收益的优先级描述更新expected_benefit,重新执行verifiable检查
opportunity-scoring.json评分结果更新整体优先级评分变化可能影响Problem Statement的聚焦方向评估是否需要调整Problem Statement的重点要素

下游通知机制表

下游消费者通知字段通知时机通知内容
opportunity-hmwproblem_statementProblem Statement文本变更后通知核心问题定义变更,HMW需重新评估关联性
opportunity-briefproblem_statement / template_elementsProblem Statement要素变更后通知问题陈述及各要素变更详情
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: 197kUpdated 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