4. 用户群体筛选
本章定位：从模糊的用户需求中，提炼出可招募、可筛选、可验证的精准用户群体，确保访谈对象能产出高价值反馈，避免“聊完才发现找错人”的无效访谈。
4.1 适用场景
- AI Agent 产品处于 需求探索期 或 概念验证期，需要与真实目标用户进行深度对话。
- 产品已有初步用户分层，但缺乏 访谈级别的精准画像 支撑招募。
- 需要跨职能团队（产品、设计、研究、运营）对齐 “谁是我们的典型用户” 这一共识。
- 招募成本有限，必须通过 排除标准 剔除无效样本，提高 ROI。
4.2 前置条件
| 前置条件项 | 验收标准 |
|---|---|
| 产品需求文档（PRD）v1.0+ | 已明确 AI Agent 的核心功能、目标用户范围、业务目标 |
| 用户研究初步报告（如有） | 至少包含 1 轮二手数据或竞品分析结论 |
| 业务方需求清单 | 已列出 3~5 个最需要回答的用户问题 |
| 项目排期与预算 | 已确认招募周期、激励费用、渠道预算 |
4.3 操作步骤
步骤一：定义目标用户画像
基于 PRD 和业务需求，提炼 5 个核心画像维度，构建可招募的用户画像卡片。
| 维度 | 描述 | 示例（AI 客服 Agent） |
|---|---|---|
| 人口统计学 | 年龄、性别、职业、收入、地域 | 25~40 岁，一线城市，互联网/服务业从业者 |
| 行为特征 | 使用频率、场景、功能偏好 | 每周使用在线客服 ≥3 次，偏好文字沟通 |
| 心理特征 | 动机、态度、价值观 | 注重效率，愿意尝试 AI 工具解决重复问题 |
| 技术素养 | AI 产品经验、技术熟悉度 | 使用过至少 1 款 AI 助手，不排斥机器学习概念 |
| 痛点强度 | 当前问题的严重程度与频次 | 每周因客服等待浪费 ≥30 分钟，感到烦躁 |
实操要点：画像不是“写作文”，而是“填空格”。每个维度给出 2~3 个可选值，后续招募时直接匹配勾选，减少主观判断偏差。
步骤二：选择招募渠道
根据画像特征，匹配 触达效率最高 的渠道组合。单一渠道通常不足以覆盖完整画像。
| 渠道类型 | 适用画像 | 典型成本 | 响应周期 |
|---|---|---|---|
| 社交媒体广告 | 泛人群，可定向年龄/地域/兴趣 | 中高 | 2~4 天 |
| 专业社区/社群 | 垂直行业用户、技术爱好者 | 低 | 1~3 天 |
| 产品内推送 | 现有活跃用户 | 极低 | 0.5~1 天 |
| 线下活动/合作机构 | 特定场景用户（如门店、展会） | 中 | 3~7 天 |
| 用户推荐（雪球） | 高匹配度用户的社交圈 | 低 | 2~5 天 |
步骤三：确定样本量
用户访谈的样本量不追求统计显著性，而是追求 信息饱和。采用经验公式 + 调整系数法。
- 基础公式：目标样本量 = (Z² × p × (1-p)) / E²，其中 Z 为置信水平对应值，p 为预估比例（通常取 0.5），E 为误差范围。
- 常用 Z 值：90% 置信 → 1.645，95% 置信 → 1.960，99% 置信 → 2.576。
- 流失率调整：最终招募量 = 目标样本量 × (1 + 预计流失率)。流失率通常取 20%~30%。
示例（AI 客服 Agent 访谈）：95% 置信水平，误差范围 10%，预估比例 0.5 → 基础样本量 ≈ 96 人。按 25% 流失率调整 → 招募目标 ≈ 120 人。实际访谈执行 12~15 人即可达到信息饱和，多出部分用于筛选替补。
步骤四：制定排除标准
排除标准是 保护访谈质量的第一道防线。以下为 AI Agent 项目的典型排除条件：
- 行业冲突：当前在竞品公司或 AI 客服平台工作。
- 经验污染：过去 6 个月内参加过同类 AI 产品访谈。
- 配合度风险：在筛选问卷中表现出明显负面情绪或恶意倾向。
- 画像偏离：超过 2 个核心维度与目标画像不匹配。
- 技术过度熟悉：AI/ML 领域从业者或深度爱好者，可能产生“专家偏差”。
避坑提醒：排除标准不宜过严，否则会导致招募困难、样本同质化。建议设置 “硬性排除”（如行业冲突）和 “软性排除”（如技术熟悉度），软性排除可由研究员视情况灵活调整。
4.4 输入输出物
| 类型 | 名称 | 来源/去向 |
|---|---|---|
| 输入 | 产品需求文档、业务方需求清单、用户研究初步报告 | 产品经理 / 业务方 |
| 输出 | 目标用户画像卡片、招募渠道评估表、样本量计算工作表、排除标准清单、候选人筛选登记表 | 用户研究员 → 招募运营 / 访谈执行组 |
4.5 责任边界
| 角色 | 职责 | 决策边界 |
|---|---|---|
| 产品经理 | 提供产品目标、核心功能边界、业务优先级 | 确认画像维度与业务战略一致 |
| 用户研究员 | 主导画像定义、排除标准制定、样本量计算 | 拥有筛选标准的最终解释权 |
| 招募运营 | 执行渠道投放、候选人初筛、邀约协调 | 在排除标准范围内自主筛选 |
| 数据分析师 | 协助样本量计算、历史数据校验 | 提供数据支持，不参与筛选决策 |
4.6 记录材料
以下材料需在筛选阶段完整归档，作为后续访谈质量的追溯依据：
- 用户画像卡片（含各维度定义与可选值）
- 招募渠道评估表（含渠道名称、预估覆盖量、实际响应量）
- 样本量计算工作表（含置信水平、误差范围、流失率调整过程）
- 排除标准核对表（每条标准的来源与判定方式）
- 候选人筛选登记表（含每位候选人的画像匹配度、排除标记、筛选结果）
4.7 异常处理
| 异常场景 | 应急措施 | 预防策略 |
|---|---|---|
| 画像与实际报名人群偏差大 | 立即进行 3~5 轮验证性短访，修正画像维度 | 首批招募采用小批量试测（5~8人） |
| 招募渠道响应率低于预期 | 启用备选渠道或提高激励力度（增幅≤30%） | 主渠道 + 2 个备选渠道同步准备 |
| 样本量不足且招募周期已过半 | 与业务方协商适当放宽 1~2 条软性排除标准 | 样本量计算时保留 20% 弹性余量 |
| 候选人密集撞车（同时满足多个画像） | 按“痛点强度”排序，优先招募痛点最深的候选人 | 画像阶段为每个维度设置优先级权重 |
4.8 验收标准
本章交付物须通过以下 5 项验收检查，方可进入下一章（访谈提纲设计）：
- 完整性：画像卡片覆盖 ≥5 个维度，每个维度有 ≥2 个可选值。
- 可操作性：招募渠道清单中每个渠道都有明确的触达路径和成本估算。
- 可追溯：样本量计算过程完整记录，包含置信水平、误差范围、流失率。
- 无歧义：排除标准中每条判定条件都有“是/否”二选一的判定示例。
- 可复现：另一名研究员按照相同画像和标准，能筛选出 ≥80% 的同一批候选人。