第3章：用户画像与场景挖掘——目标用户定义、典型场景收集、痛点与机会点识别

3.1 目标用户定义：从“泛人群”到“高精人群”

AI产品MVP阶段，用户定义必须遵循 “窄而深” 原则，而非“广而泛”。定义用户画像时，需要从人口统计学特征、行为特征、心智模型、购买决策链四个维度进行收敛。

3.2 典型场景收集：从哪里切入？

场景挖掘不是“头脑风暴”，而是 “田野调查”。通过结构化访谈与观察，收集用户在当前环境下完成目标任务的完整过程。

场景收集的核心维度包括：

• 内部视角：用户使用现有工具时的操作步骤、卡点时长、失败率。
• 外部视角：环境因素（例如网络、时段、多线程任务）对任务的影响。
• 用户视角：用户自己描述“最想改善的一个环节”和“不敢尝试的自动化功能”。

场景挖掘的标准化步骤如下：

1. 招募目标用户：从已有客户群、行业社群或招聘平台筛选3-5名符合画像的用户。
2. 半结构化访谈：以“任务复盘”方式，让用户回忆最近一次完成核心任务的全流程。
3. 事件记录：记录关键节点、情绪波动、决策时刻。
4. 输出场景卡片：每张卡片包含：场景编号、用户角色、任务名称、触发条件、操作流程、预期结果、实际结果、情绪标签。

【MVP场景卡片模板示例】
编号：SC-001
用户角色：中小电商运营者“小王”
任务名称：处理夜间下单客户的基础咨询
触发条件：客户在23:00-06:00通过聊天窗口提问
当前操作流程：
  1. 次日08:30登录系统查看留言
  2. 按时间顺序翻阅对话记录
  3. 手动复制常见问题（如“发货时间”）并粘贴回复
  4. 标记已处理
实际结果：平均每条延迟响应9.5小时，客户满意度42%
情绪标签：焦虑、无奈、对自动化助手有强烈渴望

3.3 痛点与机会点识别：怎么判断该不该做？

收集到的场景可能会非常多，但并不是每个痛点都值得在MVP中投入资源。我们需要建立 “痛点优先级评估矩阵” 来筛选出最具价值的机会点。

3.4 用户画像与场景挖掘的结构关系

下图展示了从“用户定义”到“机会转化”的完整逻辑链路，帮助理解本章内容在MVP验证中的位置。

3.5 验证标准：如何衡量用户画像与场景挖掘的有效性？

3.6 交付物模板：用户画像-场景-痛点输出文档

# 用户画像与场景挖掘交付文档（MVP版）

## 1. 目标用户角色定义
| 编号 | 角色名 | 身份/职责 | 核心任务 | 当前工具 | 关键目标 |
|------|--------|-----------|----------|----------|----------|
| U-01 | 小王   | 运营主管 | 处理客户基础咨询 | 微信+Excel | 降低人力成本 |

## 2. 典型场景卡片清单
- SC-001：夜间基础咨询处理（高频率、高痛点）
- SC-002：退换货流程查询（中等频率、高痛点）
- SC-003：物流信息自动推送（高频率、中等痛点）

## 3. 痛点优先级矩阵（Top5）
| 场景编号 | 发生频率 | 影响强度 | 付费意愿 | 技术可行性 | 综合评分 |
|----------|----------|----------|----------|------------|----------|
| SC-001   | 5        | 5        | 4        | 5          | 19       |

## 4. 核心机会点转化（MVP落地）
- 机会点A：基于规则引擎的夜间自动回复（对应SC-001）
- 机会点B：退换货流程引导机器人（对应SC-002）