JTBD结构化分析

核心原则

1. 任务而非方案——用户表达的"想要XX功能"是方案而非任务，JTBD要挖掘的是"用户用这个功能想完成什么"，而非停留在表面需求
2. 三层递进推断——Functional Job有数据直接支撑，Emotional Job需从负向反馈推断，Social Job需从社会关系表述推断，推断深度逐层递进，置信度逐层递减
3. 痛点即未满足的Job——每个痛点背后都存在一个未被满足的Job，pain_with_current字段必须明确描述当前方案的不足
4. 交叉验证降低误判——Emotional/Social Job必须有多条独立证据交叉验证，单一来源的推断置信度上限为0.5

交互模式

🤖→👤 AI建议人类审批

输入

Input JSON 示例结构

{
  "voice_data": [
    {
      "quote": "太麻烦了，每次都要重复填写",
      "sentiment": "negative",
      "frequency": 12,
      "source": "用户访谈#23"
    }
  ],
  "behavior_data": [
    {
      "action": "放弃填写表单",
      "drop_off_rate": 0.35,
      "context": "注册流程第3步"
    }
  ]
}

执行步骤

Step 1: Functional Job 提取

从用户反馈和行为数据中提取功能性任务，识别"我想完成XX"模式。

• 扫描voice-analysis.json中的用户原话，匹配任务意图模式
• 从behavior-analysis.json中提取高频行为目标，推断用户试图完成的任务
• 意图模式库：

• 对每个Functional Job标注：
• 频率：该任务在数据中出现的次数/占比
• 情感强度：1-5分，基于用户表达的情绪强烈程度
• 输出格式：{ type: "functional", job: "...", frequency: N, sentiment_intensity: 1-5 }

Step 2: Emotional Job 推断

从负向反馈中推断情感诉求，识别用户未被满足的情感需求。

• 情感映射规则库：

• 从负向反馈（sentiment=negative）中提取情感关键词，映射到情感诉求
• 对每个Emotional Job标注：
• 推断依据：引用原始用户反馈
• 置信度：0-1.0，基于模式匹配的明确程度和证据条数
• 置信度调整规则：
• 单条证据：置信度 = 基准值 × 0.7
• 2-3条证据：置信度 = 基准值 × 0.85
• 4条以上证据：置信度 = 基准值 × 1.0（不超过1.0）
• 输出格式：{ type: "emotional", job: "...", frequency: N, evidence: "...", confidence: 0-1.0 }

Step 3: Social Job 推断

提取涉及他人评价、社会关系、群体归属的表述，推断社会性任务。

• 社会映射规则库：

• 从用户反馈中提取涉及他人、群体、社会关系的表述
• 对每个Social Job标注：
• 推断依据：引用原始用户反馈
• 置信度：0-1.0，基于表述的明确程度
• 置信度调整规则同Emotional Job
• 输出格式：{ type: "social", job: "...", frequency: N, evidence: "...", confidence: 0-1.0 }

输出

输出文件：output/pm-discovery/insight-jtbd/jtbd.json

输出Schema：

{
  "type": "object",
  "required": ["analysis_metadata", "jobs"],
  "properties": {
    "analysis_metadata": {"type": "object", "description": "分析元数据，包含来源文件、条目数和时间戳"},
    "jobs": {"type": "array", "description": "JTBD列表，包含功能性、情感性、社会性三层Job"},
    "needs_human_validation": {"type": "array", "description": "需人工验证的Job列表"}
  }
}

输出校验规则：

Output JSON 格式

{
  "analysis_metadata": {
    "source_files": ["voice-analysis.json", "behavior-analysis.json"],
    "total_voice_entries": 0,
    "total_behavior_entries": 0,
    "analysis_timestamp": "ISO8601"
  },
  "jobs": [
    {
      "type": "functional",
      "job": "快速完成表单填写",
      "frequency": 12,
      "current_solution": "手动逐项填写",
      "pain_with_current": "重复劳动，耗时且易出错",
      "confidence": 1.0,
      "evidence": ["用户访谈#23", "行为数据-表单放弃率35%"],
      "sentiment_intensity": 4
    },
    {
      "type": "emotional",
      "job": "获得轻松省力的体验",
      "frequency": 8,
      "current_solution": "无",
      "pain_with_current": "每次操作都感到烦躁",
      "confidence": 0.7,
      "evidence": ["3位用户提到'太麻烦了'"],
      "sentiment_intensity": 3
    },
    {
      "type": "social",
      "job": "获得同事的认可",
      "frequency": 3,
      "current_solution": "使用竞品A",
      "pain_with_current": "觉得自己工具落后于同事",
      "confidence": 0.6,
      "evidence": ["用户访谈#17提到'同事都在用XX'"],
      "sentiment_intensity": 2
    }
  ],
  "needs_human_validation": [
    {
      "job_index": 2,
      "reason": "Social Job置信度<0.7，推断依据仅1条反馈",
      "suggested_action": "补充更多用户访谈验证社会认同需求"
    }
  ]
}

决策规则

质量检查

• [ ] 三层Job（Functional/Emotional/Social）均已提取
• [ ] 每个Job均有数据支撑（evidence字段非空）
• [ ] 每个Job均有置信度标注
• [ ] 低置信度Job已标记需人类验证
• [ ] frequency和sentiment_intensity字段完整
• [ ] pain_with_current字段非空（描述当前方案痛点）

降级策略

当上游文件不存在时，本Skill仍可独立执行：

数据获取说明：

• 本Skill需要用户声音分析和行为分析数据，请通过以下方式之一提供：

1. 直接粘贴用户反馈文本
2. 上传voice-analysis.json / behavior-analysis.json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

当上游输入发生变更时，本Skill的响应策略：

当本Skill自身变更时，对下游的通知机制：