跳转至

Deep Research: [73] Continuous Discovery Habits（Teresa Torres）：把需求挖掘变成可持续的习惯

  • Source: https://www.producttalk.org/continuous-discovery-habits/
  • Note: ../notes/ref-073-continuous-discovery-habits.md
  • Snapshot: ../sources/md/www-producttalk-org-continuous-discovery-habits-0bd7e1e218e1.md
  • Category: Discovery & Product Strategy (product_discovery)
  • Chapters: 01-method, 02-discovery, 05-validation

TL;DR

持续探索（Continuous Discovery）并非指永无止境的研究，而是由产品、设计、工程组成的铁三角建立起每周接触用户的节奏性习惯，通过机会解决方案树（OST）将业务目标拆解为可验证的假设，从而基于证据而非直觉做出产品决策。

核心观点

  1. 探索是习惯，不是阶段：不要把需求调研当作项目开始前的一次性任务，而应将其视为像代码提交一样的日常活动。
  2. 产品铁三角（Product Trio）共责：产品经理、设计师和工程师必须共同参与探索，共享对用户痛点的理解，而非单纯由PM传递需求文档。
  3. 关注结果（Outcome）而非产出（Output）：团队的成功指标应是客户价值或商业价值的提升（如留存率），而非功能交付的数量。
  4. 机会解决方案树（OST）：利用树状图将期望结果拆解为用户机会（痛点/需求），再对应到解决方案和验证实验，确保思考的逻辑连贯性。
  5. 假设测试优于完整开发：在编写生产代码前，先通过原型、冒烟测试或用户访谈验证关键假设（Desirability, Viability, Feasibility）。
  6. 自动化用户招募：建立一键预约或自动触发的招募流程，消除找用户难的摩擦力，确保每周至少能聊到一个真实用户。

可落地做法

1. 建立探索节奏（面向产品/团队 Lead）

  • 步骤一：设置自动招募管道（例如：在用户完成某操作后弹窗邀请访谈，自动对接日历）。
  • 步骤二：每周预留固定时间（如周四下午）进行客户访谈，无论是否有新功能上线。
  • 步骤三：访谈后立即进行快照总结（Interview Snapshot），记录单一用户的机会点，不急于归纳普遍规律。

2. 绘制与维护 OST（面向产品/设计）

  • 步骤一：在白板（或 Miro/FigJam）顶部写下当前周期的核心 Outcome（如：提升新用户首周激活率）。
  • 步骤二：根据访谈，列出阻碍该 Outcome 的所有 Opportunities（机会/痛点）。
  • 步骤三：针对选定的机会点，头脑风暴 Solutions，并为每个方案设计 Assumption Tests。

3. 工程化验证（面向工程）

  • 步骤一：构建伪功能或门面测试（Fake Door），在不开发后端逻辑的情况下测试用户点击意愿。
  • 步骤二：为关键假设埋点，确保实验数据能直接回答用户是否真的遇到了这个问题或方案是否有效。

检查清单：每周持续探索习惯

  • 接触频率：本周一定要进行至少一次真实用户互动（访谈、可用性测试、现场观察）。
  • 团队参与：产品、设计、工程三方代表是否都参与了互动或观看了录像？
  • 思维可视化：是否更新了机会解决方案树（OST）以反映最新的学习成果？
  • 基于证据：当前的优先级排序是否有具体的实验数据或访谈原声支持？
  • 假设验证：在决定开发下一个功能前，是否已经验证了其背后的风险假设（价值风险、可用性风险、可行性风险、商业可行性风险）？

常见坑与对策

常见误区 实际后果 对策建议
为了调研而调研 产生大量文档但无人阅读，开发进度停滞。 以决策为导向：每次调研只为了回答当前最紧迫的假设，够用即止。
工程缺席 工程师沦为接单员，方案缺乏技术可行性视角。 强制参与：要求 Tech Lead 每周至少旁听 15 分钟访谈，或负责一项技术可行性实验。
确认偏误 只听得进支持自己想法的声音。 证伪思维：实验设计应旨在证明我想法是错的，而非寻找赞同。
把反馈当探索 仅被动处理工单，陷入修修补补。 主动出击：通过结构化访谈挖掘未被表达的潜在需求（机会）。

可用于丰富《AI 辅助软件产品》的写作点

  • 第 2 章 需求挖掘与机会判断：
    • 引入机会解决方案树（OST）作为 AI 辅助分析的框架。可以展示如何用 Prompt 让 AI 整理访谈记录，自动生成初始版的 OST 结构。
    • 案例：输入 5 份用户访谈摘要，让 AI 归纳出 top 3 机会点，并映射到业务 Outcome。
  • 第 5 章 验证与打磨：
    • 结合假设测试概念，介绍如何用 AI 生成合成用户进行初步的 Desirability Testing（意愿测试），作为真实用户访谈前的预演（Pre-flight check）。
    • 利用 AI 快速生成用于验证的 Landing Page 文案或低保真原型代码，缩短想法 -> 实验的周期。
  • 第 19 章 迭代与增长：
    • 强调持续的重要性。AI 不是一次性生成完美的 PRD，而是作为全天候助手持续监控用户反馈渠道，自动提取 Insights 更新到 OST 中，形成动态的需求池。