七步决策思维 — VOC 驱动产品决策集成方法论

技能概述

本技能是一套端到端的 VOC（Voice of Customer）驱动产品决策方法论，将分散的用户声音系统性地收敛为可执行的产品决策依据。通过七步递进式分析流水线，从用户原声中提炼结构化洞察，最终产出可视化产品机会地图与 P0-P3 优先级决策清单。

七步流水线融合九大方法论：

| 步骤 | 方法论 | 核心能力 | |------|--------|----------| | Step 1 | 生成式 VOC（Synthetic VOC） | 在缺少真实数据时生成高可信度合成评论 | | Step 2 | 六西格玛 VOC 聚类 | 将分散评论结构化为 8-12 个行业友好主题 | | Step 3 | FACT 结构化分析 | 对单条评论做事实/行为/场景/触发点四维提取 | | Step 4 | 麦肯锡情绪痛点评分 | 五级情绪分类 + 七维量化评分 + 痛点价值分 | | Step 5 | JTBD + 三真 + NEO | 战略级需求洞察：真客户/真场景/真需求 | | Step 6 | 狩野纪昭 KANO 模型 | 五维需求分类 + Better-Worse 系数 + 四象限定位 | | Step 7 | 产品机会地图 | 综合决策：四象限可视化 + P0-P3 优先级清单 |

触发场景

• 用户需要从用户评论/客户反馈/VOC 数据中系统性挖掘产品机会
• 用户需要进行需求洞察、优先级排序与产品决策
• 用户需要执行完整的 VOC 驱动产品决策流程
• 用户提及"VOC 分析""七步决策""产品决策""用户洞察""机会地图"等关键词
• 用户需要 JTBD/KANO/三真分析/FACT 分析/情绪痛点评分中的某一项或多项
• 用户需要将分散的用户声音转化为可执行的产品决策依据

执行模式

模式一：全链路执行（推荐）

从 Step 1 到 Step 7 依次执行，每步完成后将产出传递给下一步。适用于完整的 VOC 驱动产品决策项目。

模式二：定点切入

用户已有部分分析结果，从特定步骤切入。切入时需确认前置数据是否充足。Step 7 要求至少完成前六步中的 3 项以上。

模式三：单步独立执行

用户只需某个步骤的分析，可独立调用单个步骤的流程。每个步骤的参考文档均可独立加载。

前置信息收集

启动流水线前，收集以下信息（用户未提供时主动询问或合理补全后确认）：

1. 行业/业务类型：餐饮、SaaS、电商、教育、医疗等
2. 产品/服务名称：分析对象
3. 目标用户角色：可多类
4. 核心使用场景：用户用产品做什么
5. VOC 数据来源：真实数据（文件/文本）还是需要生成合成数据
6. 分析目标：产品改进、机会洞察、需求优先级、竞品分析等

七步流水线

Step 1 — 生成式 VOC（数据生成）

何时使用：缺少真实用户反馈数据时，生成高可信度合成用户评论。

角色：跨行业产品创新顾问 + VOC 分析专家。

核心方法：

1. 角色拆解（Role Modeling）：将目标用户拆解为 3-5 类典型角色
2. 任务拆解（JTBD 视角）：拆解关键任务步骤的表层动作、真实目的、情感目标
3. 失败路径推演（Failure Mapping）：推演最容易出错/最耗时/最令人沮丧的节点
4. 情绪放大与真实表达生成：生成高压力环境下的真实表达

输出：至少 60 条第一人称口语化评论，Markdown 表格（序号/角色/场景/情绪类型/用户评论），按角色 × 场景分组。

详细方法：加载 references/step1-synthetic-voc.md

Step 2 — 行业 VOC 聚类分析（主题归类）

何时使用：对用户评论/反馈进行结构化主题聚类。

角色：六西格玛咨询公司行业 VOC 聚类专家。

核心方法：

1. 前置校验：读取覆盖率确认 + 无效字段排除
2. 深度语义聚类思维链（内部推理，不外显）：核心概念识别 → 可分类维度分析 → 逐条打标签 → 相似概念向上合并
3. 主题命名与含义提炼：名词短语，行业友好
4. 支撑评论与声音标签

输出：8-12 个聚类主题表（序号/主题名称/主题说明/支撑评论/声音标签），表格后附简短说明。

详细方法：加载 references/step2-voc-clustering.md

Step 3 — VOC FACT 结构化分析（单条提取）

何时使用：对单条 VOC 进行四维结构化提取与机会识别。

角色：专业研究事务所数据清洗员。

核心方法：

1. 读取完整性确认（强制关卡，不可跳过）
2. 无效字段排除（数据清洗）
3. FACT 结构化提取：F（事实）/ A（行为）/ C（场景）/ T（触发点）
4. 机会识别：针对每条困境输出可落地改进建议

输出：FACT 分析表 + 数据清洗摘要 + 机会汇总（3-8 条主题级建议）。

详细方法：加载 references/step3-fact-analysis.md

Step 4 — 麦肯锡式情绪与痛点评分（量化评分）

何时使用：对 VOC 数据进行情绪分类、痛点提炼和量化评分。

角色：麦肯锡市场分析专家。

核心方法：

1. 五级情绪分类（L1 轻微抱怨 → L5 愤怒传播）
2. 痛点提炼：行为侧动宾结构（动词 + 宾语）
3. 七维评分：情绪类型 / 情绪强度 / 痛点强度 / 场景频率 / 商业行为影响 / 痛点价值分 / 是否进入需求洞察
4. 痛点价值分 = 情绪强度 × 痛点强度 × 场景频率（范围 1-125）

输出：核心情绪分类表 + 七维评分表 + 洞察总结（高价值痛点 Top 3）。

详细方法：加载 references/step4-sentiment-scoring.md

Step 5 — JTBD-三真-NEO 战略分析（需求洞察）

何时使用：对 VOC 数据进行商业战略级深度需求洞察。

角色：商业战略分析师和用户研究专家——克里斯坦森的徒弟。

核心方法：

1. VOC 结构化预处理：按 FACT 框架初步拆解，识别诉求聚类
2. NEO 需求结构分析：N（表层需求）→ E（本质需求）→ O（潜在机会），连问 3 次"为什么"
3. JTBD 三维任务分析：功能性任务 / 情感性任务 / 社会性任务（三者缺一不可）
4. 三真分析：真客户（超越人口统计）/ 真场景（完整故事）/ 真需求（深层 JTBD）

输出：NEO 需求结构表 + JTBD 三维任务分析表 + 三真分析表（三表序号对齐）。

详细方法：加载 references/step5-jtbd-neo.md

Step 6 — KANO 模型需求排序（优先级定位）

何时使用：对产品需求/机会进行五维分类与优先级定位。

角色：精通狩野纪昭 KANO 模型的产品体验设计专家。

核心方法：

1. 需求句规范化：转写为独立、可判断、不重叠的需求句
2. KANO 五维分类：基础/期望/魅力/无差异/反向
3. 产品策略建议：对应五种策略动作
4. Better-Worse 系数计算：量化满意度影响力
5. 四象限定位：期望区 > 魅力区 > 基础区 > 无差异区

输出：KANO 分类与策略表 + Better-Worse 系数表 + 四象限定位分析 + 策略总结。

详细方法：加载 references/step6-kano-theory.md

Step 7 — 产品机会地图（综合决策）

何时使用：综合前六步所有产出构建可视化机会地图与决策清单。

角色：资深产品机会地图分析专家。

核心方法：

1. 反馈聚类与编码：提取需求单元 → 归类到功能/场景 → 标注频次(F)与强度(I)
2. 双维度定位：X 轴（用户重要性 1-5）× Y 轴（当前满意度 1-5）
3. 象限判定：核心机会区(P0) / 竞争优势区(P1) / 次要改进区(P2) / 过度服务区(P3)
4. JTBD 深层转译：对 P0 点执行"表层反馈 → 底层任务 → 机会重构"三层转译

输出：

• 四象限机会地图可视化（SVG，通过 show_widget 渲染）
• 核心机会地图清单（P0-P3 优先级表）
• 关键洞察（最突出未满足需求 / 问题最集中节点 / 沉默的多数）

详细方法：加载 references/step7-opportunity-map.md

步骤间数据传递

| 传递关系 | 数据内容 | |----------|----------| | Step 1 → 2/3/4 | 生成的合成 VOC 评论作为后续步骤的输入数据 | | Step 2 → 5/7 | 聚类主题为需求聚类提供主题级输入，为机会地图提供维度参考 | | Step 3 → 5/7 | FACT 的 C（场景）和 T（触发点）为三真分析提供素材，机会识别为 NEO 提供种子 | | Step 4 → 5/7 | 痛点价值分为 NEO 痛点强度评估提供量化输入，为机会地图双维度评分提供依据 | | Step 5 → 6/7 | NEO 的 O（机会）为 KANO 需求句输入，三真分析为机会地图 JTBD 转译提供素材 | | Step 6 → 7 | KANO 分类与 Better-Worse 系数为象限判定提供需求属性参考 |

执行流程

全链路执行流程

1. 收集前置信息（行业/产品/用户/场景/数据来源/分析目标）
2. 判断是否需要 Step 1（有无真实 VOC 数据）
3. Step 1: 生成式 VOC（如需）→ 输出 60+ 合成评论
4. Step 2: VOC 聚类 → 输出 8-12 主题表
5. Step 3: FACT 结构化 → 输出四维提取表 + 机会汇总
6. Step 4: 情绪痛点评分 → 输出七维评分表 + 洞察总结
7. Step 5: JTBD-三真-NEO → 输出三张对齐表格
8. Step 6: KANO 排序 → 输出分类表 + Better-Worse + 四象限
9. Step 7: 产品机会地图 → 输出 SVG 可视化 + P0-P3 清单 + 关键洞察

定点切入判断逻辑

IF 用户已有真实 VOC 数据 → 跳过 Step 1，从 Step 2 开始
IF 用户已有聚类结果 → 从 Step 3 开始
IF 用户已有 FACT 分析 → 从 Step 4 开始
IF 用户已有情绪评分 → 从 Step 5 开始
IF 用户已有三真分析 → 从 Step 6 开始
IF 用户已有 KANO 排序 → 从 Step 7 开始（需确认前六步至少完成 3 项）

质量控制原则（贯穿全流程）

1. 证据可追溯：每个分析结论必须能回溯到具体 VOC 证据
2. 保留原话：所有表格中的"原话/原文"列忠实保留用户原始表述
3. 不臆造数据：信息不足时明确说明，不做编造
4. 量化优先：能用数字表达的一律量化
5. 聚合优先：单条反馈是噪音，多渠道指向同一节点才是信号
6. 区分表层与底层：不停留在功能层，要追问用户的真实任务
7. 行业友好：术语让行业从业者一看就懂，避免咨询黑话
8. 读取完整性诚实：Step 2/3 的读取覆盖率必须如实，不可虚报 100%

输出规范

• 语言：中文
• 格式：Markdown 表格为主，Step 7 包含 SVG 可视化
• 表头：严格按各步骤模板，不擅自增删列
• 来源标注：涉及 VOC 引用的列必须引用用户提供的真实数据，不可编造
• 可视化：Step 7 调用 read_me 加载 diagram 模块后，通过 show_widget 渲染四象限 SVG

参考资源索引

| 文件 | 内容 | 加载时机 | |------|------|----------| | references/pipeline-overview.md | 七步流水线总览、数据流、集成指南 | 需要理解整体架构时 | | references/step1-synthetic-voc.md | 生成式 VOC 方法论 | 执行 Step 1 时 | | references/step2-voc-clustering.md | VOC 聚类方法 + 行业维度参考 | 执行 Step 2 时 | | references/step3-fact-analysis.md | FACT 框架 + 跨行业案例库 | 执行 Step 3 时 | | references/step4-sentiment-scoring.md | 情绪分类 + 评分细则 + 痛点模式 | 执行 Step 4 时 | | references/step5-jtbd-neo.md | JTBD + 三真 + NEO 框架 + 输出模板 | 执行 Step 5 时 | | references/step6-kano-theory.md | KANO 理论 + Better-Worse + 四象限 | 执行 Step 6 时 | | references/step7-opportunity-map.md | 机会地图 + JTBD 转译 + 可视化指引 | 执行 Step 7 时 |

适用边界

• 适用：产品决策、需求洞察、机会识别、VOC 分析、用户研究、需求优先级排序
• 不适用：纯技术实现、代码开发、运营执行（本技能产出决策依据，不直接执行产品开发）
• 数据要求：Step 7 要求至少 10 条原始反馈和前六步中的 3 项以上分析，否则应提示补充
• 局限性：合成 VOC（Step 1）无法替代真实用户数据，仅用于探索性分析；Better-Worse 系数无问卷数据时为专家估算，需标注