第3章 用户场景识别：目标用户画像、痛点挖掘、机会发现方法
3.1 用户场景识别的核心价值
用户场景识别是PRD撰写的起点，也是机会评分模型能否产出有效结果的前置条件。如果把机会评分比作筛选漏斗，用户场景识别就是漏斗上方的“原料池”——原料质量直接决定筛选效果。
场景识别要回答三个关键问题：
- 谁在用？ —— 目标用户的身份、角色与使用情境
- 遇到了什么？ —— 真实痛点与未被满足的需求
- 机会在哪？ —— 从痛点中提取可量化的商业/产品机会
在机会评分模型的应用框架中，用户场景识别输出的“机会假设清单”是评分模型的直接输入。场景识别越精准，评分模型对机会的优先级排序就越可靠。
3.2 目标用户画像构建方法
目标用户画像是场景识别的第一块基石。一个可用的画像需要覆盖四个核心要素，而非仅停留在年龄、性别等人口统计标签上。
| 要素 | 描述 | 常用调研方法 |
|---|---|---|
| 人口统计 | 年龄、职业、收入、地域、教育背景 | 问卷调研、后台数据分析 |
| 行为特征 | 使用频率、操作路径、设备偏好、活跃时段 | 用户访谈、行为日志分析 |
| 目标动机 | 核心任务、使用驱动力、期望达成的结果 | 深度访谈、5Whys追问 |
| 痛点障碍 | 使用中的摩擦点、放弃原因、情感挫败 | 投诉分析、竞品对比、场景日记 |
画像构建遵循“调研 → 提炼 → 验证 → 定稿”四步循环，避免仅凭经验或二手信息拼凑“虚像”。
3.3 痛点挖掘四步法
痛点不是“用户说出来的不满”，而是“用户行为中暴露出来的摩擦”。以下四步法将模糊的不满转化为可评估的痛点条目。
- 用户观察 — 在自然使用情境下记录用户的操作停顿、犹豫、绕路行为，获取未被言语表达的痛点。
- 深度访谈 — 结合结构化问题与半结构化追问，聚焦“上次你因为什么放弃了操作？”等场景触发问题。
- 数据分析 — 用DAU/MAU、功能渗透率、流失节点、客服投诉量等定量指标验证痛点的出现频率与影响范围。
- 竞品对比 — 从竞品的用户差评、版本更新日志、社区反馈中反推自身产品的潜在痛点。
痛点挖掘完成后，按“频率 × 影响度 × 情感强度”三维度进行优先级排序，输出痛点清单作为机会发现的原料。
3.4 机会发现方法
机会不是痛点的简单镜像，而是从痛点中推导出的、可被产品方案解决的商业/体验缺口。机会发现遵循“一个痛点 → 至少一个机会假设”的原则，但需要进一步评估机会的可行性。
机会假设生成的三条路径：
- 路径一：消除摩擦 — 痛点源于操作成本高 → 机会是简化/自动化流程
- 路径二：填补缺口 — 痛点源于功能缺失 → 机会是补充核心能力
- 路径三：提升感知 — 痛点源于反馈不透明 → 机会是增强可见性与信任感
3.5 从场景到机会评分模型的衔接
用户场景识别的三个产出——用户画像、痛点清单、机会假设——依次串联，构成机会评分模型的标准输入。下图展示了这一完整链路及每个阶段的输出物：
图注：用户场景识别阶段产出的画像、痛点、机会假设依次汇聚到机会评分模型，经评分排序后输出结构化的PRD需求规格。每个阶段都有明确的交付物，确保后续环节可追溯、可验证。
3.6 实战案例：智能笔记工具的用户场景识别
以一款面向知识工作者的智能笔记工具为例，展示用户场景识别的完整输出。该工具的核心定位是“跨设备、高检索效率的个人知识库”。
案例背景：目标用户为25–40岁的互联网、金融、咨询行业从业者，日均记录频次超过5次，跨设备使用率超过70%。初步调研发现用户对“信息同步”和“检索体验”的抱怨最集中。
以下为场景识别阶段产出的标准模板：
【用户场景识别模板 — 智能笔记工具】
▶ 目标用户画像
角色：知识工作者
年龄：25–40岁
职业：互联网 / 金融 / 咨询
设备：手机 + 笔记本 + 平板（多端覆盖）
核心目标：高效记录、快速检索、跨设备无缝衔接
▶ 痛点清单（按优先级排序）
P1 跨设备同步不及时
频率：高（每日触发）| 影响：高（工作中断）| 情感强度：强
P2 搜索准确率低
频率：高（每次检索）| 影响：中（耗时增加）| 情感强度：中
P3 结构化整理耗时
频率：中（每周几次）| 影响：高（放弃整理）| 情感强度：中
P4 离线使用受限
频率：低（特定场景）| 影响：中（体验降级）| 情感强度：弱
▶ 机会假设清单
H1 实时云端同步 → 消除设备壁垒，覆盖P1
H2 AI语义搜索 → 提升检索效率，覆盖P2
H3 自动标签分类 → 降低整理成本，覆盖P3
H4 离线缓存机制 → 提升场景韧性，覆盖P4该模板中的机会假设将直接进入下一章的机会评分模型进行量化评估。场景识别阶段不进行机会的取舍，只确保“每一个痛点都被转化为可讨论的机会假设”。