۲۰ پرامپت آماده و قابل‌ویرایش برای تحقیق کاربر، تحلیل مصاحبه، ساخت فرصت، اولویت‌بندی و طراحی آزمایش در Product Discovery.
یک پرامپت Product Discovery خوب قرار نیست به‌جای مدیر محصول تصمیم بگیرد؛ باید داده خام را به سؤال بهتر، الگوی قابل‌ردیابی و آزمایش کم‌هزینه تبدیل کند. اگر فقط بنویسید «این مصاحبه‌ها را تحلیل کن»، معمولاً یک خلاصه روان اما کم‌ارزش می‌گیرید. وقتی تصمیم مورد نظر، زمینه محصول، شواهد ورودی و شکل خروجی را روشن کنید، هوش مصنوعی به همکار تحلیلی قابل‌کنترل‌تری تبدیل می‌شود.
این مجموعه تا ۶ سپتامبر ۲۰۲۶ بازبینی شده و برای مراحل رایج کشف محصول طراحی شده است: تعریف مسئله، تحقیق کاربر، تحلیل شواهد، ساخت فرصت، ایده‌پردازی و آزمایش. می‌توانید هر قالب را در ChatGPT یا ابزار سازمانی مجاز خود کپی و جای‌خالی‌ها را کامل کنید. اگر ابتدا به تصویر کلی فرایند نیاز دارید، راهنمای هوش مصنوعی در Product Discovery را بخوانید.
راهنمای رسمی Prompting مدل‌های OpenAI بر تعریف روشن نتیجه، معیار موفقیت، محدودیت و شکل خروجی تأکید می‌کند. برای کار Discovery، این پنج ورودی بیشترین تفاوت را می‌سازند:
اطلاعات شخصی، قرارداد، داده مالی یا متن محرمانه مشتری را بدون مجوز وارد ابزار نکنید. نام و شناسه‌ها را حذف و حداقل داده لازم را استفاده کنید؛ چارچوب حریم خصوصی NIST نیز مدیریت ریسک حریم خصوصی را بخشی از ساخت محصولات قابل‌اعتماد می‌داند.
پرامپت: «نقش تو پژوهشگر محصول است. ما درباره [مسئله مبهم] در محصول [نام/نوع محصول] نگرانیم. تصمیمی که باید تا [زمان] بگیریم [تصمیم] است. این مسئله را به یک سؤال اصلی تحقیق، سه سؤال فرعی و نشانه‌های کافی برای تصمیم تبدیل کن. فرضیات را جدا بنویس و هیچ نتیجه‌ای را بدون داده قطعی فرض نکن.»
این قالب جلوی تحقیقی را می‌گیرد که جالب است اما به تصمیم مشخصی ختم نمی‌شود.
پرامپت: «با توجه به هدف [هدف محصول] و ایده [ایده فعلی]، فرضیات را در چهار گروه مطلوبیت، کاربردپذیری، امکان‌پذیری فنی و پایداری کسب‌وکار فهرست کن. برای هر فرض، پیامد اشتباه‌بودن، شواهد فعلی و ارزان‌ترین روش بررسی را بنویس. فرضی را به‌عنوان واقعیت معرفی نکن.»
پرامپت: «برای تحقیقی درباره [رفتار/مسئله]، معیارهای ورود و خروج مشارکت‌کنندگان را طراحی کن. بخش‌های کاربری [فهرست] هستند. یک Screener حداکثر هشت‌سؤالی بساز که رفتار گذشته را بسنجد، هدف تحقیق را لو ندهد و از سؤال‌های جمعیت‌شناختی غیرضروری پرهیز کند. دلیل هر سؤال را هم توضیح بده.»
پرامپت: «برای فهم [تصمیم تحقیق] یک مصاحبه ۴۵دقیقه‌ای طراحی کن. ابتدا تجربه و رفتار واقعی گذشته، سپس آخرین نمونه رخداد و در پایان راه‌حل‌های فعلی را بررسی کن. برای هر بخش زمان، سؤال اصلی و سؤال پیگیری بده. درباره علاقه به قابلیت پیشنهادی یا رفتار آینده سؤال نکن.»
پرامپت: «این راهنمای مصاحبه را به‌عنوان منتقد بی‌طرف بررسی کن: [سؤال‌ها]. سؤال‌های جهت‌دار، دوگانه، فرض‌دار یا پاسخ‌پذیر با بله/خیر را علامت بزن. برای هر مورد نسخه‌ای باز و خنثی پیشنهاد بده و توضیح بده چه سوگیری‌ای کم می‌شود.»
راهنمای Nielsen Norman Group درباره سؤال‌های جهت‌دار پیشنهاد می‌کند به‌جای القای دشواری یا پاسخ مطلوب، سؤال‌های باز درباره تجربه واقعی بپرسیم.
پرامپت: «برای مصاحبه درباره [موضوع]، دوازده سؤال پیگیری خنثی بساز که مصاحبه‌گر فقط در صورت نیاز استفاده کند. سؤال‌ها باید مثال مشخص، ترتیب رخداد، انگیزه، راه‌حل فعلی، هزینه مسئله و استثناها را روشن کنند. از تکرار مداوم “چرا” و از پیشنهاد پاسخ خودداری کن.»
پرامپت: «متن ناشناس‌شده مصاحبه [شناسه] را تحلیل کن. خروجی را در جدول نیاز/مانع/رفتار/راه‌حل فعلی/پیامد بنویس. کنار هر یافته یک نقل‌قول دقیق و شماره بخش منبع بده. مشاهده مستقیم را از تفسیر جدا کن؛ اگر شاهد کافی نیست بنویس “نامشخص” و هیچ نقل‌قولی نساز.»
پرامپت: «این مصاحبه‌ها را با شناسه‌های جداگانه مقایسه کن: [متن‌ها]. الگوهای مشترک و تفاوت‌های مهم بین بخش‌های کاربری را استخراج کن. برای هر الگو تعداد منابع، شناسه‌ها، شاهد مخالف و سطح اطمینان بده. فراوانی را با اهمیت مسئله یکی نگیر.»
اگر حجم داده شما زیاد است، راهنمای ابزارهای هوش مصنوعی برای مدیران محصول به انتخاب ابزار دارای ارجاع به منبع کمک می‌کند.
پرامپت: «فرضیه فعلی تیم این است: [فرضیه]. فقط با استفاده از داده زیر، قوی‌ترین شواهد موافق و مخالف را پیدا کن. توضیح‌های جایگزین، نمونه‌های استثنا و داده‌ای را که برای رد یا تأیید لازم است بنویس. وظیفه تو تأیید تیم نیست؛ کیفیت استدلال را نقد کن.»
پرامپت: «از شواهد [متن/یادداشت] چند Job احتمالی استخراج کن. هر Job را با ساختار “وقتی… می‌خواهم… تا بتوانم…” بنویس و شرایط، انگیزه و نتیجه مطلوب را به نقل‌قول منبع وصل کن. قابلیت محصول را به‌جای Job ننویس و موارد کم‌شاهد را مشخص کن.»
پرامپت: «این بازخوردها و تیکت‌ها را براساس نیاز زیربنایی کاربر خوشه‌بندی کن، نه کلمات مشابه یا قابلیت درخواستی. برای هر خوشه نام خنثی، نمونه‌ها، بخش کاربری، شدت پیامد و شناسه منابع را بده. مواردی که هم‌زمان به دو خوشه می‌خورند جدا علامت بزن.»
پرامپت: «داده قیف [تعریف رخدادها و اعداد] و یافته‌های مصاحبه [خلاصه دارای منبع] را کنار هم بگذار. بگو هر منبع به کدام پرسش پاسخ می‌دهد، کجا همدیگر را تقویت یا نقض می‌کنند و سه توضیح رقیب برای افت [متریک] چیست. همبستگی را علت معرفی نکن.»
برای سنجش دقیق‌تر متریک و Segment می‌توانید از دوره داده‌محوری برای مدیران محصول کمک بگیرید.
پرامپت: «از یافته‌های معتبر زیر، Opportunity Statement بساز: [یافته‌ها]. هر فرصت باید یک نیاز، درد یا خواسته کاربر باشد؛ نه قابلیت یا راه‌حل. آن را با زبان کاربر، بخش متأثر، زمینه وقوع، پیامد و شواهد پشتیبان بنویس. فرصت‌های هم‌پوشان را نشان بده اما خودکار ادغام نکن.»
پرامپت: «برای Outcome قابل‌اندازه‌گیری [Outcome] و شواهد [فهرست]، پیش‌نویس Opportunity Solution Tree بساز. سطح‌ها را به Outcome، فضای فرصت، راه‌حل‌های متنوع و آزمون فرضیات تقسیم کن. هر Opportunity را به منبع وصل و هر مورد بدون شاهد را با برچسب فرضیه مشخص کن.»
در تعریف اصلی Opportunity Solution Tree در Product Talk، درخت چهار سطح Outcome، فرصت‌ها، راه‌حل‌ها و آزمون فرضیات را به هم متصل می‌کند.
پرامپت: «این فرصت‌ها را با معیارهای شدت مسئله، فراوانی، اندازه بخش، ارتباط با Outcome و قدرت شواهد مقایسه کن: [فهرست]. ابتدا از من وزن معیارها را بخواه. جدول امتیاز، حساسیت نتیجه به وزن‌ها و دو گزینه نزدیک را نشان بده. کمبود داده را با امتیاز خیالی پر نکن.»
پرامپت: «برای فرصت [Opportunity] ده راه‌حل در دست‌کم چهار خانواده متفاوت بساز: تغییر فرایند، آموزش/اطلاع‌رسانی، تجربه کاربری و قابلیت فنی. محدودیت‌ها [زمان/تیم/قانون] هستند. هر ایده را به فرضیه ارزش آن وصل کن و از ده نسخه ظاهری یک ایده واحد پرهیز کن.»
پرامپت: «برای راه‌حل [راه‌حل] فرضیات مطلوبیت، کاربردپذیری، امکان‌پذیری و پایداری را بنویس. هر فرض را با عدم‌قطعیت و شدت پیامد روی مقیاس یک تا پنج امتیاز بده و دلیل امتیاز را توضیح بده. سه فرضی را که باید پیش از ساخت آزموده شوند انتخاب کن.»
پرامپت: «برای آزمودن فرض [فرضیه] سه آزمایش کم‌هزینه پیشنهاد بده. برای هرکدام روش، مشارکت‌کننده، داده لازم، معیار عبور، شرط توقف، مدت، ریسک اخلاقی و تفسیر نتیجه مثبت یا منفی را مشخص کن. روشی را ترجیح بده که سریع‌ترین یادگیری معتبر را ایجاد کند، نه جذاب‌ترین Demo را.»
پرامپت: «برای پروتوتایپ [توضیح] و کاربر [بخش] یک تست ۳۰دقیقه‌ای بنویس. سناریوی واقعی بده بدون اینکه مسیر یا نام قابلیت را لو بدهی. کارهای اصلی، سؤال‌های قبل و بعد، مشاهده‌های لازم و معیار موفقیت را مشخص کن. رضایت کلامی را جایگزین مشاهده رفتار نکن.»
پرامپت: «بسته شواهد این چرخه Discovery را خلاصه کن: [منابع]. خروجی شامل تصمیم، شواهد کلیدی با منبع، فرضیات ردشده، ابهام‌های باقی‌مانده، گزینه‌های بررسی‌شده، دلیل انتخاب، مالک و تاریخ بازبینی باشد. نتیجه‌ای را قطعی‌تر از شواهد ننویس و سؤال تحقیق بعدی را پیشنهاد بده.»
وقتی قالب آماده دقیقاً با مسئله شما جور نیست، این اسکلت را استفاده کنید: «تو در نقش [نقش] برای محصول [زمینه] کار می‌کنی. تصمیم ما [تصمیم] است. فقط از شواهد [ورودی‌ها] استفاده کن. خروجی را به‌شکل [ساختار] و با معیار [کیفیت] بده. [محدودیت‌ها] را رعایت کن. مشاهده، تفسیر و فرضیه را جدا نگه دار؛ موارد بی‌منبع را نساز و کمبود داده را صریح بگو.»
خروجی اول را نسخه نهایی ندانید. دو یا سه نمونه را با منبع اصلی مقایسه، خطاها را ثبت و پرامپت را براساس همان خطاها اصلاح کنید. برای تشخیص گلوگاه مهارتی تیم هم خودارزیابی مدیریت محصول و چابکی نقطه شروع مناسبی است.
این ۲۰ پرامپت، یک جعبه‌ابزار برای کوتاه‌کردن فاصله میان داده و یادگیری است. از پرامپتی شروع کنید که به تصمیم همین هفته شما نزدیک‌تر است، خروجی را به شواهد برگردانید و فقط زمانی فرایند را گسترش دهید که کیفیت آن قابل‌اندازه‌گیری باشد. اگر می‌خواهید این جریان را برای تیم خود طراحی کنید، منتورینگ و مشاوره مدیریت محصول می‌تواند به انتخاب مسئله، معیار و Pilot مناسب کمک کند.
