ux-researcher-designer

name: "ux-researcher-designer" description: 适用于高级 UX 设计师/研究员的 UX 研究与设计工具包，包含数据驱动的用户角色生成、旅程地图绘制、可用性测试框架以及研究综合。用于用户研究、角色创建、旅程映射和设计验证。

UX 研究员与设计师

根据研究数据生成用户角色，创建旅程地图，规划可用性测试，并将研究发现综合为可操作的设计建议。

目录

• 触发词
• 工作流
  • 工作流 1：生成用户角色
  • 工作流 2：创建旅程地图
  • 工作流 3：规划可用性测试
  • 工作流 4：综合研究
• 工具参考
• 快速参考表
• 知识库

触发词

在需要执行以下操作时使用此技能：

• "create user persona"（创建用户角色）
• "generate persona from data"（从数据生成角色）
• "build customer journey map"（构建客户旅程地图）
• "map user journey"（映射用户旅程）
• "plan usability test"（规划可用性测试）
• "design usability study"（设计可用性研究）
• "analyze user research"（分析用户研究）
• "synthesize interview findings"（综合访谈结果）
• "identify user pain points"（识别用户痛点）
• "define user archetypes"（定义用户原型）
• "calculate research sample size"（计算研究样本量）
• "create empathy map"（创建共情地图）
• "identify user needs"（识别用户需求）

工作流

工作流 1：生成用户角色

场景： 你拥有用户数据（分析、调查、访谈），需要创建一个基于研究的用户角色。

步骤：

1. 准备用户数据

   所需格式 (JSON):

   [
     {
       "user_id": "user_1",
       "age": 32,
       "usage_frequency": "daily",
       "features_used": ["dashboard", "reports", "export"],
       "primary_device": "desktop",
       "usage_context": "work",
       "tech_proficiency": 7,
       "pain_points": ["slow loading", "confusing UI"]
     }
   ]
   

2. 运行角色生成器

   # 人类可读的输出
   python scripts/persona_generator.py
   
   # 用于集成的 JSON 输出
   python scripts/persona_generator.py json
   

3. 检查生成的组件

   组件	检查重点
   Archetype（原型）	是否符合数据模式？
   Demographics（人口统计信息）	是否源自实际数据？
   Goals（目标）	是否具体且可操作？
   Frustrations（挫败感）	是否包含了频率统计？
   Design implications（设计启示）	设计师能否据此采取行动？

4. 验证用户角色

   • 展示给 3-5 名真实用户：“这听起来像你吗？”
   • 与支持工单进行交叉比对
   • 针对分析数据进行验证

5. 参考： 有关有效性标准，请参阅 references/persona-methodology.md

工作流 2：创建旅程地图

场景： 你需要为一个特定目标可视化端到端的用户体验。

步骤：

1. 定义范围

   元素	描述
   Persona（用户角色）	针对哪类用户
   Goal（目标）	他们试图实现什么
   Start（开始）	开启旅程的触发点
   End（结束）	成功标准
   Timeframe（时间范围）	小时/天/周

2. 收集旅程数据

   来源：

   • 用户访谈（询问“带我了解一下……”）
   • 会话录制
   • 数据分析（漏斗、流失点）
   • 支持工单

3. 绘制阶段

   典型的 B2B SaaS 阶段：

   Awareness（意识） → Evaluation（评估） → Onboarding（新手引导） → Adoption（采用） → Advocacy（拥护）
   

4. 填充每个阶段的层级

   阶段：[名称]
   ├── 行为：用户做了什么？
   ├── 接触点：他们在哪里进行交互？
   ├── 情绪：他们的感受如何？(1-5)
   ├── 痛点：什么让他们感到沮丧？
   └── 机遇：我们可以在哪里改进？
   

5. 识别机遇

   优先级评分 = 频率 × 严重程度 × 可解决性

6. 参考： 有关模板，请参阅 references/journey-mapping-guide.md

工作流 3：规划可用性测试

场景： 你需要向真实用户验证一项设计。

步骤：

1. 定义研究问题

   将模糊的目标转化为可测试的问题：

   模糊	可测试
   “它容易使用吗？”	“用户能否在 3 分钟内完成结账？”
   “用户喜欢它吗？”	“用户会选择设计 A 还是 B？”
   “它有意义吗？”	“用户能否在没有提示的情况下找到设置？”

2. 选择方法

   方法	参与者	持续时间	适用场景
   远程主持 (Moderated)	5-8	45-60 分钟	深度洞察
   远程非主持 (Unmoderated)	10-20	15-20 分钟	快速验证
   走廊测试 (Guerrilla)	3-5	5-10 分钟	快速反馈

3. 设计任务

   好的任务格式：

   场景：“假设你正在计划一次去巴黎的旅行……”
   目标：“在你的预算范围内预订 3 晚的酒店。”
   成功：“你看到了确认页面。”
   

   任务进阶：热身 → 核心 → 次要 → 极端情况 → 自由探索

4. 定义成功指标

   指标	目标
   完成率	>80%
   任务耗时	<2倍预期时间
   错误率	<15%
   满意度	>4/5

5. 准备主持人指南

   • 放声思考 (Think-aloud) 指令
   • 非引导式提问
   • 任务后问题

6. 参考： 参见 references/usability-testing-frameworks.md 获取完整指南

工作流 4：综合研究

场景： 你拥有原始研究数据（访谈、问卷、观察），需要提取可落地的洞察。

步骤：

1. 对数据进行编码

   为每个数据点添加标签：

   • [GOAL] - 他们想要实现的目标
   • [PAIN] - 令他们感到沮丧的地方
   • [BEHAVIOR] - 他们的实际行为
   • [CONTEXT] - 何时/何地使用产品
   • [QUOTE] - 用户原话

2. 聚类相似模式

   用户 A：每天使用，使用高级功能，使用快捷键
   用户 B：每天使用，工作流复杂，使用自动化
   用户 C：每周使用，基础需求，偶尔使用
   
   聚类 1：A, B（资深用户）
   聚类 2：C（普通用户）
   

3. 计算细分市场规模

   聚类	用户数	%	可行性
   资深用户	18	36%	核心画像
   业务用户	15	30%	核心画像
   普通用户	12	24%	次要画像

4. 提取关键发现

   针对每个主题：

   • 发现陈述
   • 支撑证据（原话、数据）
   • 频率（X/Y 参与者）
   • 业务影响
   • 建议

5. 优先处理机会

   因素	评分 1-5	描述
   频率	这种情况发生的频率如何？
   严重程度	造成的伤害有多大？
   广度	影响了多少用户？
   可解决性	我们能解决这个问题吗？

6. 参考： 参见 references/persona-methodology.md 获取分析框架

工具参考

persona_generator.py

根据用户研究数据生成数据驱动的用户画像。

示例输出：

============================================================
用户画像：资深用户 Alex
============================================================

📝 一个主要出于工作目的每天使用该产品的用户

原型：资深用户
引言："我需要能跟上我工作流的工具"

👤 人口统计：
  • 年龄范围：25-34
  • 地区类型：城市
  • 技术熟练度：高级

🎯 目标与需求：
  • 高效完成任务
  • 自动化工作流
  • 使用高级功能

😤 挫折：
  • 加载时间慢 (14/20 用户)
  • 没有键盘快捷键
  • API 访问受限

💡 设计启示：
  → 针对速度和效率进行优化
  → 提供键盘快捷键和高级功能
  → 开放 API 和自动化能力

📈 数据：基于 45 名用户
    置信度：高

生成的原型：

输出组件：

快速参考表

研究方法选择

画像置信度等级

可用性问题严重程度

访谈问题类型

知识库

references/ 中的详细参考指南：

验证清单

用户画像质量

• 基于 20+ 用户（最少）
• 至少 2 个数据源（定量 + 定性）
• 具体且可操作的目标
• 挫折点包含频率计数
• 设计影响具体明确
• 注明置信度

旅程图质量

• 范围定义明确（画像、目标、时间范围）
• 基于真实用户数据，而非假设
• 所有层级已填写（行为、接触点、情绪）
• 识别出各阶段的痛点
• 机会点已排列优先级

可用性测试质量

• 研究问题是可测试的
• 任务是真实的场景，而非操作指令
• 每个设计方案 5+ 名参与者
• 定义了成功指标
• 发现结果包含严重程度评级

研究综合质量

• 数据编码一致
• 模式基于 3+ 个数据点
• 发现结果包含证据
• 建议具有可操作性
• 优先级设定有据可依

相关技能

• UI Design System (product-team/ui-design-system/) — 研究发现为设计系统决策提供依据
• Product Manager Toolkit (product-team/product-manager-toolkit/) — 客户访谈分析补充用户画像研究