iiuniversitet.ruЦентр обучения нейросетямОткрыть каталог

Обобщение пользовательских исследований

Превращает заметки интервью, опросы и обращения в поддержку в ранжированные находки, персоны и рекомендации для продукта.

СкиллAnthropicClaudeApache-2.0Загрузить архив в ClaudeПроверка не требуется
Скачать на русскомОригинал на английском (архив)Источник ↗
Что делает
Превращает заметки интервью, опросы и обращения в поддержку в ранжированные находки, персоны и рекомендации для продукта.
Когда брать
Когда накопилась куча заметок по интервью, ответов на опросы или тикетов и нужно выделить темы и понять, что делать дальше.
Пример запроса
Вот заметки по десяти интервью с клиентами — выдели главные темы и подготовь рекомендации для дорожной карты.
Работает лучше с
база знаний, обратная связь клиентов, продуктовая аналитика, расшифровки встреч

Входит в плагин product-management. В Cowork и Claude Code можно поставить плагин целиком.

Как включить

  1. Нажмите «Скачать на русском» и сохраните архив.
  2. В Claude откройте Настройки → Capabilities → Skills → Upload skill и выберите архив.
  3. Включите скилл переключателем.
Для терминала

Распакуйте архив и положите папку synthesize-research в ~/.claude/skills/. Файл SKILL.md должен лежать внутри этой папки.

Текст

---
name: synthesize-research
description: Обобщает пользовательские исследования — интервью, опросы, обратную связь — в структурированные инсайты. Используй, когда нужно разобраться в куче заметок по интервью, ответов на опросы или обращений в поддержку, выделить темы и ранжировать находки по частоте и влиянию, или превратить сырую обратную связь в рекомендации для дорожной карты.
argument-hint: "<research topic or question>"
---

Обобщение исследований

Если встретишь незнакомые подстановки или понадобится узнать, какие инструменты подключены, смотри [CONNECTORS.md](../../CONNECTORS.md).

Обобщи пользовательские исследования из нескольких источников в структурированные инсайты и рекомендации.

Использование

/synthesize-research $ARGUMENTS

Рабочий процесс

1. Собери материалы исследования

Принимай исследования в любом сочетании:

  • Вставленный текст: заметки по интервью, расшифровки, ответы на опросы, обратная связь
  • Загруженные файлы: документы исследований, таблицы, краткие пересказы записей
  • ~~knowledge base (если подключена): поищи документы исследований, заметки по интервью, результаты опросов
  • ~~user feedback (если подключена): подтяни свежие обращения в поддержку, запросы на функции, отчёты об ошибках
  • ~~product analytics (если подключена): подтяни данные об использовании, метрики воронок, поведенческие данные
  • ~~meeting transcription (если подключена): подтяни записи интервью, итоги встреч и заметки обсуждений

Спроси пользователя, что у него есть:

  • Какой тип исследования? (интервью, опросы, юзабилити-тесты, аналитика, обращения в поддержку, заметки по звонкам продаж)
  • Сколько источников и участников?
  • Есть ли конкретный вопрос или гипотеза, которую он проверяет?
  • Какие решения это исследование должно обосновать?

2. Обработай исследование

Из каждого источника выдели:

  • Ключевые наблюдения: что пользователи говорили, делали или переживали?
  • Цитаты: дословные высказывания, которые иллюстрируют важные моменты
  • Поведение: что пользователи действительно делали (а не то, что они говорят о своих действиях)
  • Болевые точки: раздражители, обходные пути и неудовлетворённые потребности
  • Положительные сигналы: что работает хорошо, моменты радости от продукта
  • Контекст: сегмент пользователя, сценарий использования, уровень опыта

3. Найди темы и закономерности

Примени тематический анализ — подробности о тематическом анализе, аффинити-картировании (affinity mapping) и триангуляции смотри ниже, в разделе Методология обобщения исследований.

Сгруппируй наблюдения по темам, посчитай частоту среди участников и оцени серьёзность влияния. Отметь противоречия и неожиданности.

Составь матрицу приоритетов:

  • Высокая частота + высокое влияние: находки первого приоритета
  • Низкая частота + высокое влияние: важны для отдельных сегментов
  • Высокая частота + низкое влияние: улучшения удобства
  • Низкая частота + низкое влияние: отметь, но не приоритизируй

4. Составь обобщение

Подготовь структурированное обобщение исследования:

Обзор исследования
  • Методология: какие виды исследований, сколько участников и источников
  • Исследовательские вопросы: что мы хотели узнать
  • Сроки: когда проводилось исследование
Ключевые находки

По каждой важной находке (стремись к 5–8):

  • Формулировка находки: одно ясное предложение, описывающее инсайт
  • Подтверждения: цитаты, данные или наблюдения (с указанием источника)
  • Частота: сколько участников и источников поддерживают эту находку
  • Влияние: насколько сильно это сказывается на опыте пользователя или на бизнесе
  • Уровень уверенности: высокий (убедительные подтверждения), средний (есть намёки), низкий (ранний сигнал)

Расположи находки по приоритету (частота x влияние).

Сегменты пользователей / персоны

Если исследование выявило отдельные сегменты пользователей:

  • Название и описание сегмента
  • Ключевые черты и поведение
  • Особые потребности и болевые точки
  • Оценка размера, если есть данные
Области возможностей

На основе находок определи области возможностей:

  • Какие потребности пользователей не удовлетворены или удовлетворены слабо
  • Где текущие решения не справляются
  • Какие новые возможности дадут ценность
  • Расставь по потенциальному влиянию
Рекомендации

Конкретные, выполнимые рекомендации:

  • Что создать, изменить или изучить подробнее
  • С привязкой к конкретным находкам
  • Расставь по влиянию и осуществимости
Открытые вопросы

Что исследование не прояснило:

  • Пробелы в понимании
  • Области, требующие дальнейшего изучения
  • Предлагаемые методы дополнительных исследований

5. Проверь и расширь

После составления обобщения:

  • Спроси, нужно ли какую-то находку описать подробнее или подать иначе
  • Предложи подготовить отдельные материалы: документы персон, карты возможностей, презентации исследований
  • Предложи составить планы дополнительных исследований по открытым вопросам
  • Предложи набросать выводы для продукта (как находки должны повлиять на дорожную карту)

Методология обобщения исследований

Тематический анализ

Основной метод обобщения качественных исследований:

  1. Знакомство: прочитай все данные. Почувствуй общую картину, прежде чем что-либо кодировать.
  2. Первичное кодирование: пройди по данным системно. Пометь каждое наблюдение, цитату или факт описательными кодами. Не жалей кодов — объединять проще, чем потом разделять.
  3. Выделение тем: сгруппируй родственные коды в предполагаемые темы. Тема отражает что-то важное в данных применительно к исследовательскому вопросу.
  4. Проверка тем: сверь темы с данными. Хватает ли подтверждений у каждой темы? Чётко ли темы отличаются друг от друга? Складываются ли они в связный рассказ?
  5. Уточнение тем: определи и ясно назови каждую тему. Напиши на 1–2 предложения, что именно она описывает.
  6. Отчёт: оформи темы как находки с подтверждениями.

Аффинити-картирование (affinity mapping)

Совместный метод группировки наблюдений:

  1. Зафиксируй наблюдения: запиши каждое отдельное наблюдение, цитату или факт на отдельную заметку
  2. Сгруппируй: сложи родственные заметки вместе по сходству. Не задавай категории заранее — пусть они проявятся из данных.
  3. Назови группы: дай каждой группе описательное название, отражающее общую нить
  4. Упорядочи группы: если проявятся закономерности, объедини группы в более крупные
  5. Определи темы: группы и связи между ними покажут ключевые темы

Советы по аффинити-картированию:

  • Одно наблюдение — одна заметка. Не объединяй несколько инсайтов.
  • Свободно переносите заметки между группами. Первая группировка редко бывает лучшей.
  • Если группа стала слишком большой, в ней, скорее всего, несколько тем. Раздели её.
  • Выбросы интересны. Не запихивай каждое наблюдение в какую-нибудь группу.
  • Сам процесс группировки так же ценен, как результат. Он выстраивает общее понимание.

Триангуляция

Усиль находки, объединив несколько источников данных:

  • Методологическая триангуляция: один вопрос, разные методы (интервью + опрос + аналитика)
  • Триангуляция по источникам: один метод, разные участники или сегменты
  • Временная триангуляция: одно и то же наблюдение в разные моменты времени

Находка, подтверждённая несколькими источниками и методами, намного сильнее той, что опирается на один источник. Если источники расходятся, это интересно — возможно, так проявляются разные сегменты пользователей или контексты.

Анализ заметок по интервью

Извлечение инсайтов из заметок по интервью

По каждому интервью определи:

Наблюдения: что участник описал в своих действиях, опыте или чувствах?

  • Различай поведение (что человек делает) и установки (что он думает и чувствует)
  • Отметь контекст: когда, где, с кем, как часто
  • Выделяй обходные пути — это неудовлетворённые потребности под маской

Прямые цитаты: дословные высказывания, которые ярко иллюстрируют мысль

  • Хорошие цитаты конкретны и образны, а не общи
  • Указывай тип участника, а не имя: «Администратор в крупной компании, команда 200 человек», а не «Сара»
  • Цитата — это подтверждение, а не находка. Находка — это твоя интерпретация того, что цитата означает.

Поведение и заявленные предпочтения: то, что люди ДЕЛАЮТ, часто отличается от того, что они ГОВОРЯТ, будто хотят

  • Наблюдения за поведением — более сильное подтверждение, чем заявленные предпочтения
  • Если участник говорит «хочу функцию X», но по его рабочему процессу видно, что похожими функциями он никогда не пользуется, отметь это противоречие
  • Ищи реальные предпочтения по фактическому поведению

Признаки интенсивности: насколько это важно для участника?

  • Эмоциональные слова: раздражение, воодушевление, смирение
  • Частота: как часто он сталкивается с этой проблемой
  • Обходные пути: сколько усилий он тратит, чтобы обойти проблему
  • Влияние: каковы последствия, когда что-то идёт не так

Анализ между интервью

После обработки отдельных интервью:

  • Ищи закономерности: какие наблюдения повторяются у нескольких участников?
  • Отмечай частоту: сколько участников упомянули каждую тему?
  • Определяй сегменты: есть ли у разных типов пользователей разные закономерности?
  • Выявляй противоречия: в чём участники расходятся? Часто это указывает на значимые сегменты.
  • Находи неожиданности: что опровергло твои прежние предположения?

Интерпретация данных опросов

Количественный анализ опросов

  • Доля ответивших: насколько выборка репрезентативна? Низкая доля ответивших может вносить смещение (bias).
  • Распределение: смотри на форму распределения ответов, а не только на средние. Бимодальное распределение (много единиц и пятёрок) говорит об одном, нормальное (много троек) — о другом.
  • Сегментация: разбей ответы по сегментам пользователей. Совокупные цифры могут скрывать важные различия.
  • Статистическая значимость: на малых выборках осторожно делай выводы из небольших различий.
  • Сравнение с ориентирами: как оценки соотносятся с отраслевыми ориентирами или предыдущими опросами?

Анализ открытых ответов на опросы

  • Относись к открытым ответам как к мини-заметкам по интервью
  • Присвой каждому ответу коды тем
  • Посчитай частоту тем по ответам
  • Выбери показательные цитаты для каждой темы
  • Ищи темы, которые встречаются в открытых ответах, но не в структурированных вопросах — это то, о чём ты не догадался спросить

Типичные ошибки при анализе опросов

  • Приводить средние без распределений. Средняя 3,5 может значить, что все остались равнодушны, а может — что половина в восторге, а половина терпеть не может.
  • Игнорировать смещение из-за неответивших. Люди, которые не ответили, могут системно отличаться.
  • Переоценивать мелкие различия. Изменение NPS на 0,1 пункта — шум, а не сигнал.
  • Считать шкалы Лайкерта интервальными данными. Разница между «Полностью согласен» и «Согласен» не обязательно такая же, как между «Согласен» и «Нейтрально».
  • Путать корреляцию с причинно-следственной связью в перекрёстных таблицах.

Сочетание качественных и количественных инсайтов

Петля обратной связи между качественными и количественными данными

  • Сначала качественные: интервью и наблюдение показывают, ЧТО происходит и ПОЧЕМУ. Они порождают гипотезы.
  • Количественная проверка: опросы и аналитика показывают, НАСКОЛЬКО ЭТО СИЛЬНО и СКОЛЬКО ЭТО ЛЮДЕЙ. Они проверяют гипотезы в масштабе.
  • Качественное углубление: вернись к качественным методам, чтобы понять неожиданные количественные результаты.

Стратегии объединения

  • Используй количественные данные, чтобы расставить приоритеты среди качественных находок. Тема из интервью важнее, если данные об использовании показывают, что она затрагивает многих пользователей.
  • Используй качественные данные, чтобы объяснить количественные аномалии. Падение удержания — это просто число; интервью показывают, что причина в запутанном изменении адаптации.
  • Подавай подтверждения вместе: «47 % опрошенных пользователей сообщают о трудностях с X (опрос), а интервью показывают, что причина в Y (качественная находка)».

Когда источники расходятся

  • Количественные и качественные источники могут рассказывать разные истории. Это сигнал, а не ошибка.
  • Проверь, не измеряли ли вы разные группы людей
  • Проверь, не расходятся ли заявленные предпочтения (опрос) с реальным поведением (аналитика)
  • Проверь, измерил ли количественный вопрос то, что, по-твоему, он измерил
  • Честно сообщи о расхождении и изучи его дальше, а не выбирай один источник

Разработка персон на основе исследований

Построение персон на основе данных

Персоны должны вырастать из данных исследований, а не из воображения:

  1. Выяви поведенческие закономерности: ищи группы схожего поведения, целей и контекстов у участников
  2. Определи различающие переменные: по каким признакам одна группа отличается от другой? (например, размер компании, технический навык, частота использования, основной сценарий)
  3. Составь профили персон: для каждой поведенческой группы:
  4. Имя и краткое описание
  5. Ключевое поведение и цели
  6. Болевые точки и потребности
  7. Контекст (роль, компания, используемые инструменты)
  8. Показательные цитаты
  9. Проверь по данным: можно ли оценить размер каждого сегмента персон по количественным данным?

Шаблон персоны

[Имя персоны] — [Описание одной строкой]

Кто они:
- Роль, тип и размер компании, уровень опыта
- Как они нашли продукт или начали им пользоваться

Чего они пытаются добиться:
- Основные цели и задачи (jobs to be done)
- Как они измеряют успех

Как они пользуются продуктом:
- Частота и глубина использования
- Ключевые рабочие процессы и используемые функции
- Инструменты, которыми они пользуются вместе с этим продуктом

Главные болевые точки:
- Три главных раздражителя или неудовлетворённые потребности
- Обходные пути, которые они выработали

Что они ценят:
- Что важнее всего в решении
- Что заставило бы их уйти или сменить продукт

Показательные цитаты:
- 2–3 дословные цитаты, передающие точку зрения этой персоны

Типичные ошибки с персонами

  • Демографические персоны: определение по возрасту, полу и месту жительства вместо поведения. Поведение лучше предсказывает потребности в продукте, чем демография.
  • Слишком много персон: оптимально 3–5. Больше — и по ним уже нельзя действовать.
  • Выдуманные персоны: сочинённые на основе предположений, а не данных исследований.
  • Статичные персоны: их никогда не обновляют, хотя продукт и рынок развиваются.
  • Персоны без выводов: персона, которая не меняет ни одного продуктового решения, бесполезна.

Оценка размера возможности

Оценка размера возможности

По каждой находке или области возможностей оцени:

  • Охватываемые пользователи: скольким пользователям это пошло бы на пользу? Оцени по продуктовой аналитике, данным опросов или рыночным данным.
  • Частота: как часто затронутые пользователи сталкиваются с проблемой? (ежедневно, еженедельно, ежемесячно, однократно)
  • Серьёзность: насколько сильно проблема влияет на пользователей, когда возникает? (блокирует работу, заметное трение, мелкое неудобство)
  • Готовность платить: приведёт ли решение этой проблемы к переходам на платные тарифы, удержанию или привлечению новых клиентов?

Оценка возможностей баллами

Оцени возможности по простой матрице:

  • Влияние: (затронутые пользователи) x (частота) x (серьёзность) = балл влияния
  • Надёжность подтверждений: насколько мы уверены в находке? (несколько источников > один источник, данные о поведении > заявленные предпочтения)
  • Стратегическое соответствие: согласуется ли возможность со стратегией компании и видением продукта?
  • Осуществимость: можем ли мы реально этим заняться? (технические возможности, наличие ресурсов, время до результата)

Как представлять оценку размера возможности

  • Открыто говори о допущениях и уровне уверенности
  • Показывай расчёт: «По числу обращений в поддержку с этой проблемой сталкиваются примерно 2000 пользователей в месяц. Данные интервью говорят, что 60 % из них считают её серьёзным препятствием».
  • Используй диапазоны вместо ложной точности: «Это затрагивает 1500–2500 пользователей в месяц», а не «Это затрагивает 2137 пользователей в месяц»
  • Сравнивай возможности друг с другом, чтобы получить относительный рейтинг, а не только абсолютные баллы

Формат результата

Используй чёткие заголовки и структурированное оформление. Каждая находка должна быть самодостаточной — читатель должен понять любую находку, не читая остальные.

Советы

  • Дай данным говорить. Не подгоняй находки под заранее выбранную версию.
  • Различай, что пользователи говорят и что они делают. Данные о поведении сильнее заявленных предпочтений.
  • Цитаты — сильное подтверждение. Приводи их щедро, указывая тип участника (не имя).
  • Прямо указывай уровень уверенности. Находка из двух интервью — это гипотеза, а не вывод.
  • Противоречия в данных интересны, а не мешают. Они часто выявляют отдельные сегменты пользователей.
  • Рекомендации должны быть достаточно конкретными, чтобы по ним можно было действовать. «Улучшить адаптацию» — это не выполнимо. «Добавить индикатор прогресса в процесс настройки» — выполнимо.
  • Не поддавайся соблазну обобщать слишком много тем. 5–8 сильных находок лучше, чем 20 слабых.

Перевод: iiuniversitet. Оригинал: https://github.com/anthropics/knowledge-work-plugins/tree/main/product-management/skills/synthesize-research, лицензия Apache-2.0. Изменения: перевод на русский язык.

Оригинал на английском 
---
name: synthesize-research
description: Synthesize user research from interviews, surveys, and feedback into structured insights. Use when you have a pile of interview notes, survey responses, or support tickets to make sense of, need to extract themes and rank findings by frequency and impact, or want to turn raw feedback into roadmap recommendations.
argument-hint: "<research topic or question>"
---

# Synthesize Research

> If you see unfamiliar placeholders or need to check which tools are connected, see [CONNECTORS.md](../../CONNECTORS.md).

Synthesize user research from multiple sources into structured insights and recommendations.

## Usage

```
/synthesize-research $ARGUMENTS
```

## Workflow

### 1. Gather Research Inputs

Accept research from any combination of:
- **Pasted text**: Interview notes, transcripts, survey responses, feedback
- **Uploaded files**: Research documents, spreadsheets, recordings summaries
- **~~knowledge base** (if connected): Search for research documents, interview notes, survey results
- **~~user feedback** (if connected): Pull recent support tickets, feature requests, bug reports
- **~~product analytics** (if connected): Pull usage data, funnel metrics, behavioral data
- **~~meeting transcription** (if connected): Pull interview recordings, meeting summaries, and discussion notes

Ask the user what they have:
- What type of research? (interviews, surveys, usability tests, analytics, support tickets, sales call notes)
- How many sources / participants?
- Is there a specific question or hypothesis they are investigating?
- What decisions will this research inform?

### 2. Process the Research

For each source, extract:
- **Key observations**: What did users say, do, or experience?
- **Quotes**: Verbatim quotes that illustrate important points
- **Behaviors**: What users actually did (vs what they said they do)
- **Pain points**: Frustrations, workarounds, and unmet needs
- **Positive signals**: What works well, moments of delight
- **Context**: User segment, use case, experience level

### 3. Identify Themes and Patterns

Apply thematic analysis — see **Research Synthesis Methodology** below for detailed guidance on thematic analysis, affinity mapping, and triangulation techniques.

Group observations into themes, count frequency across participants, and assess impact severity. Note contradictions and surprises.

Create a priority matrix:
- **High frequency + High impact**: Top priority findings
- **Low frequency + High impact**: Important for specific segments
- **High frequency + Low impact**: Quality-of-life improvements
- **Low frequency + Low impact**: Note but deprioritize

### 4. Generate the Synthesis

Produce a structured research synthesis:

#### Research Overview
- Methodology: what types of research, how many participants/sources
- Research question(s): what we set out to learn
- Timeframe: when the research was conducted

#### Key Findings
For each major finding (aim for 5-8):
- **Finding statement**: One clear sentence describing the insight
- **Evidence**: Supporting quotes, data points, or observations (with source attribution)
- **Frequency**: How many participants/sources support this finding
- **Impact**: How significantly this affects the user experience or business
- **Confidence level**: High (strong evidence), Medium (suggestive), Low (early signal)

Order findings by priority (frequency x impact).

#### User Segments / Personas
If the research reveals distinct user segments:
- Segment name and description
- Key characteristics and behaviors
- Unique needs and pain points
- Size estimate if data is available

#### Opportunity Areas
Based on the findings, identify opportunity areas:
- What user needs are unmet or underserved
- Where do current solutions fall short
- What new capabilities would unlock value
- Prioritized by potential impact

#### Recommendations
Specific, actionable recommendations:
- What to build, change, or investigate further
- Tied back to specific findings
- Prioritized by impact and feasibility

#### Open Questions
What the research did not answer:
- Gaps in understanding
- Areas needing further investigation
- Suggested follow-up research methods

### 5. Review and Extend

After generating the synthesis:
- Ask if any findings need more detail or different framing
- Offer to generate specific artifacts: persona documents, opportunity maps, research presentations
- Offer to create follow-up research plans for open questions
- Offer to draft product implications (how findings should influence the roadmap)

## Research Synthesis Methodology

### Thematic Analysis
The core method for synthesizing qualitative research:

1. **Familiarization**: Read through all the data. Get a feel for the overall landscape before coding anything.
2. **Initial coding**: Go through the data systematically. Tag each observation, quote, or data point with descriptive codes. Be generous with codes — it is easier to merge than to split later.
3. **Theme development**: Group related codes into candidate themes. A theme captures something important about the data in relation to the research question.
4. **Theme review**: Check themes against the data. Does each theme have sufficient evidence? Are themes distinct from each other? Do they tell a coherent story?
5. **Theme refinement**: Define and name each theme clearly. Write a 1-2 sentence description of what each theme captures.
6. **Report**: Write up the themes as findings with supporting evidence.

### Affinity Mapping
A collaborative method for grouping observations:

1. **Capture observations**: Write each distinct observation, quote, or data point as a separate note
2. **Cluster**: Group related notes together based on similarity. Do not pre-define categories — let them emerge from the data.
3. **Label clusters**: Give each cluster a descriptive name that captures the common thread
4. **Organize clusters**: Arrange clusters into higher-level groups if patterns emerge
5. **Identify themes**: The clusters and their relationships reveal the key themes

**Tips for affinity mapping**:
- One observation per note. Do not combine multiple insights.
- Move notes between clusters freely. The first grouping is rarely the best.
- If a cluster gets too large, it probably contains multiple themes. Split it.
- Outliers are interesting. Do not force every observation into a cluster.
- The process of grouping is as valuable as the output. It builds shared understanding.

### Triangulation
Strengthen findings by combining multiple data sources:

- **Methodological triangulation**: Same question, different methods (interviews + survey + analytics)
- **Source triangulation**: Same method, different participants or segments
- **Temporal triangulation**: Same observation at different points in time

A finding supported by multiple sources and methods is much stronger than one supported by a single source. When sources disagree, that is interesting — it may reveal different user segments or contexts.

## Interview Note Analysis

### Extracting Insights from Interview Notes
For each interview, identify:

**Observations**: What did the participant describe doing, experiencing, or feeling?
- Distinguish between behaviors (what they do) and attitudes (what they think/feel)
- Note context: when, where, with whom, how often
- Flag workarounds — these are unmet needs in disguise

**Direct quotes**: Verbatim statements that powerfully illustrate a point
- Good quotes are specific and vivid, not generic
- Attribute to participant type, not name: "Enterprise admin, 200-person team" not "Sarah"
- A quote is evidence, not a finding. The finding is your interpretation of what the quote means.

**Behaviors vs stated preferences**: What people DO often differs from what they SAY they want
- Behavioral observations are stronger evidence than stated preferences
- If a participant says "I want feature X" but their workflow shows they never use similar features, note the contradiction
- Look for revealed preferences through actual behavior

**Signals of intensity**: How much does this matter to the participant?
- Emotional language: frustration, excitement, resignation
- Frequency: how often do they encounter this issue
- Workarounds: how much effort do they expend working around the problem
- Impact: what is the consequence when things go wrong

### Cross-Interview Analysis
After processing individual interviews:
- Look for patterns: which observations appear across multiple participants?
- Note frequency: how many participants mentioned each theme?
- Identify segments: do different types of users have different patterns?
- Surface contradictions: where do participants disagree? This often reveals meaningful segments.
- Find surprises: what challenged your prior assumptions?

## Survey Data Interpretation

### Quantitative Survey Analysis
- **Response rate**: How representative is the sample? Low response rates may introduce bias.
- **Distribution**: Look at the shape of responses, not just averages. A bimodal distribution (lots of 1s and 5s) tells a different story than a normal distribution (lots of 3s).
- **Segmentation**: Break down responses by user segment. Aggregates can mask important differences.
- **Statistical significance**: For small samples, be cautious about drawing conclusions from small differences.
- **Benchmark comparison**: How do scores compare to industry benchmarks or previous surveys?

### Open-Ended Survey Response Analysis
- Treat open-ended responses like mini interview notes
- Code each response with themes
- Count frequency of themes across responses
- Pull representative quotes for each theme
- Look for themes that appear in open-ended responses but not in structured questions — these are things you did not think to ask about

### Common Survey Analysis Mistakes
- Reporting averages without distributions. A 3.5 average could mean everyone is lukewarm or half love it and half hate it.
- Ignoring non-response bias. The people who did not respond may be systematically different.
- Over-interpreting small differences. A 0.1 point change in NPS is noise, not signal.
- Treating Likert scales as interval data. The difference between "Strongly Agree" and "Agree" is not necessarily the same as between "Agree" and "Neutral."
- Confusing correlation with causation in cross-tabulations.

## Combining Qualitative and Quantitative Insights

### The Qual-Quant Feedback Loop
- **Qualitative first**: Interviews and observation reveal WHAT is happening and WHY. They generate hypotheses.
- **Quantitative validation**: Surveys and analytics reveal HOW MUCH and HOW MANY. They test hypotheses at scale.
- **Qualitative deep-dive**: Return to qualitative methods to understand unexpected quantitative findings.

### Integration Strategies
- Use quantitative data to prioritize qualitative findings. A theme from interviews is more important if usage data shows it affects many users.
- Use qualitative data to explain quantitative anomalies. A drop in retention is a number; interviews reveal it is because of a confusing onboarding change.
- Present combined evidence: "47% of surveyed users report difficulty with X (survey), and interviews reveal this is because Y (qualitative finding)."

### When Sources Disagree
- Quantitative and qualitative sources may tell different stories. This is signal, not error.
- Check if the disagreement is due to different populations being measured
- Check if stated preferences (survey) differ from actual behavior (analytics)
- Check if the quantitative question captured what you think it captured
- Report the disagreement honestly and investigate further rather than choosing one source

## Persona Development from Research

### Building Evidence-Based Personas
Personas should emerge from research data, not imagination:

1. **Identify behavioral patterns**: Look for clusters of similar behaviors, goals, and contexts across participants
2. **Define distinguishing variables**: What dimensions differentiate one cluster from another? (e.g., company size, technical skill, usage frequency, primary use case)
3. **Create persona profiles**: For each behavioral cluster:
   - Name and brief description
   - Key behaviors and goals
   - Pain points and needs
   - Context (role, company, tools used)
   - Representative quotes
4. **Validate with data**: Can you size each persona segment using quantitative data?

### Persona Template
```
[Persona Name] — [One-line description]

Who they are:
- Role, company type/size, experience level
- How they found/started using the product

What they are trying to accomplish:
- Primary goals and jobs to be done
- How they measure success

How they use the product:
- Frequency and depth of usage
- Key workflows and features used
- Tools they use alongside this product

Key pain points:
- Top 3 frustrations or unmet needs
- Workarounds they have developed

What they value:
- What matters most in a solution
- What would make them switch or churn

Representative quotes:
- 2-3 verbatim quotes that capture this persona's perspective
```

### Common Persona Mistakes
- Demographic personas: defining by age/gender/location instead of behavior. Behavior predicts product needs better than demographics.
- Too many personas: 3-5 is the sweet spot. More than that and they are not actionable.
- Fictional personas: made up based on assumptions rather than research data.
- Static personas: never updated as the product and market evolve.
- Personas without implications: a persona that does not change any product decisions is not useful.

## Opportunity Sizing

### Estimating Opportunity Size
For each research finding or opportunity area, estimate:

- **Addressable users**: How many users could benefit from addressing this? Use product analytics, survey data, or market data to estimate.
- **Frequency**: How often do affected users encounter this issue? (Daily, weekly, monthly, one-time)
- **Severity**: How much does this issue impact users when it occurs? (Blocker, significant friction, minor annoyance)
- **Willingness to pay**: Would addressing this drive upgrades, retention, or new customer acquisition?

### Opportunity Scoring
Score opportunities on a simple matrix:

- **Impact**: (Users affected) x (Frequency) x (Severity) = impact score
- **Evidence strength**: How confident are we in the finding? (Multiple sources > single source, behavioral data > stated preferences)
- **Strategic alignment**: Does this opportunity align with company strategy and product vision?
- **Feasibility**: Can we realistically address this? (Technical feasibility, resource availability, time to impact)

### Presenting Opportunity Sizing
- Be transparent about assumptions and confidence levels
- Show the math: "Based on support ticket volume, approximately 2,000 users per month encounter this issue. Interview data suggests 60% of them consider it a significant blocker."
- Use ranges rather than false precision: "This affects 1,500-2,500 users monthly" not "This affects 2,137 users monthly"
- Compare opportunities against each other to create a relative ranking, not just absolute scores

## Output Format

Use clear headers and structured formatting. Each finding should stand on its own — a reader should be able to read any single finding and understand it without reading the rest.

## Tips

- Let the data speak. Do not force findings into a predetermined narrative.
- Distinguish between what users say and what they do. Behavioral data is stronger than stated preferences.
- Quotes are powerful evidence. Include them generously, with attribution to participant type (not name).
- Be explicit about confidence levels. A finding from 2 interviews is a hypothesis, not a conclusion.
- Contradictions in the data are interesting, not inconvenient. They often reveal distinct user segments.
- Recommendations should be specific enough to act on. "Improve onboarding" is not actionable. "Add a progress indicator to the setup flow" is.
- Resist the temptation to synthesize too many themes. 5-8 strong findings are better than 20 weak ones.

Источник: anthropics/knowledge-work-plugins / product-management / synthesize-research ↗. Ссылка проверена 2026-10-10.

Похожие