リサーチの統合

不明なプレースホルダーが見つかった場合または接続されているツールを確認する必要がある場合は、CONNECTORS.md を参照してください。

複数のソースからユーザーリサーチを構造化されたインサイトと推奨事項に統合します。

使用方法

/synthesize-research $ARGUMENTS

ワークフロー

1. リサーチインプットの収集

以下の任意の組み合わせからリサーチを受け入れます：

• 貼り付けテキスト: インタビューノート、トランスクリプト、アンケート回答、フィードバック
• アップロードされたファイル: リサーチドキュメント、スプレッドシート、記録要約
• ~~ナレッジベース (接続されている場合): リサーチドキュメント、インタビューノート、アンケート結果を検索
• ~~ユーザーフィードバック (接続されている場合): 最近のサポートチケット、機能リクエスト、バグレポートを取得
• ~~プロダクト分析 (接続されている場合): 使用データ、ファネルメトリクス、行動データを取得
• ~~ミーティング文字起こし (接続されている場合): インタビュー記録、ミーティング要約、ディスカッション記録を取得

ユーザーに以下を質問してください：

• どのタイプのリサーチですか？（インタビュー、アンケート、ユーザビリティテスト、分析、サポートチケット、営業電話記録）
• ソース数／参加者数は？
• 調査している特定の質問または仮説がありますか？
• このリサーチはどの意思決定に影響を与えますか？

2. リサーチの処理

各ソースから以下を抽出します：

• 主要な観察: ユーザーは何を言ったか、何をしたか、または経験したか？
• 引用: 重要なポイントを示す逐語引用
• 行動: ユーザーが実際に何をしたか（彼らが何をしていると言ったかではなく）
• ペインポイント: フラストレーション、回避策、未充足のニーズ
• ポジティブシグナル: うまく機能していること、喜びの瞬間
• コンテキスト: ユーザーセグメント、ユースケース、経験レベル

3. テーマとパターンの特定

テーマティック分析を適用します。詳細なガイダンスについては下記の「リサーチ統合方法論」を参照してください（テーマティック分析、アフィニティマッピング、三角測量技法）。

観察をテーマにグループ化し、参加者全体の頻度をカウントし、インパクトの重大度を評価します。矛盾や予期しない発見に注目してください。

優先度マトリックスを作成します：

• 高頻度 + 高インパクト: トップ優先度の発見
• 低頻度 + 高インパクト: 特定のセグメント向けの重要な発見
• 高頻度 + 低インパクト: 生活の質の向上
• 低頻度 + 低インパクト: 注記するがランク下げ

4. 統合結果の生成

構造化されたリサーチ統合を作成します：

リサーチ概要

• 方法論: リサーチのタイプ、参加者数／ソース数
• リサーチ質問: 何を学ぼうとしていたか
• 時間枠: リサーチが実施された時期

主要な発見

主要な発見ごと（目標 5〜8 件）：

• 発見ステートメント: インサイトを説明する 1 つの明確な文
• 証拠: サポート引用、データポイント、または観察（ソース帰属付き）
• 頻度: この発見をサポートする参加者／ソース数
• インパクト: ユーザー体験またはビジネスにどの程度影響を与えるか
• 信頼レベル: 高（強力な証拠）、中（示唆的）、低（初期シグナル）

優先度（頻度 × インパクト）で発見を順序付けします。

ユーザーセグメント／ペルソナ

リサーチが異なるユーザーセグメントを明らかにしている場合：

• セグメント名と説明
• 主要な特性と行動
• ユニークなニーズとペインポイント
• データが利用可能な場合のサイズ推定

機会領域

発見に基づいて、機会領域を特定します：

• どのユーザーニーズが未充足またはサービス不足か
• 現在のソリューションがどこで不足しているか
• どの新しい機能が価値をアンロックするか
• 潜在的なインパクトで優先度付け

推奨事項

具体的で実行可能な推奨事項：

• 何を構築、変更、またはさらに調査するか
• 特定の発見に結びついている
• インパクトと実行可能性で優先度付け

未解決の質問

リサーチが回答しなかったもの：

• 理解のギャップ
• さらなる調査が必要な領域
• 推奨されるフォローアップリサーチ方法

5. レビューと拡張

統合結果を生成した後：

• 任意の発見がより詳細にまたは異なるフレーミングで必要かを尋ねます
• 特定の成果物の生成を提案: ペルソナドキュメント、機会マップ、リサーチプレゼンテーション
• 未解決の質問のためのフォローアップリサーチ計画の作成を提案
• プロダクト含意（発見がロードマップにどう影響すべきか）のドラフト作成を提案

リサーチ統合方法論

テーマティック分析

定性的リサーチを統合するための主要な方法：

1. ファミリアライゼーション: すべてのデータを読み通してください。何かをコーディングする前に、全体の状況を把握します。
2. 初期コーディング: データを体系的に進めてください。各観察、引用、またはデータポイントに説明的なコードでタグを付けます。コードを大盤振る舞いしてください。後で統合するより分割する方が簡単です。
3. テーマ開発: 関連するコードを候補テーマにグループ化します。テーマはリサーチ質問に関連するデータ内の何か重要な点をキャプチャします。
4. テーマレビュー: テーマをデータに対して確認します。各テーマは十分な証拠がありますか？テーマは互いに異なっていますか？一貫したストーリーを語っていますか？
5. テーマの精緻化: 各テーマを明確に定義して名付けます。各テーマがキャプチャするものの 1〜2 文の説明を書きます。
6. レポート: テーマをサポート証拠付きの発見として記述します。

アフィニティマッピング

観察をグループ化するための協調的なメソッド：

1. 観察をキャプチャ: 各異なる観察、引用、またはデータポイントを個別のノートとして書きます
2. クラスタリング: 類似性に基づいて関連するノートをグループ化します。カテゴリを事前定義しないでください。データから出現させます。
3. クラスタにラベルを付ける: 各クラスタに共通のスレッドをキャプチャする説明的な名前を付けます
4. クラスタを整理: パターンが出現する場合は、クラスタをより高いレベルのグループに配置します
5. テーマを特定: クラスタとそれらの関係は主要なテーマを明らかにします

アフィニティマッピングのコツ：

• ノートごとに 1 つの観察。複数のインサイトを組み合わせないでください。
• ノートをクラスタ間で自由に移動してください。最初のグループ化は最良ではありません。
• クラスタが大きくなりすぎた場合、複数のテーマが含まれている可能性があります。分割してください。
• 外れ値は興味深いものです。すべての観察をクラスタに無理に組み込まないでください。
• グループ化のプロセスは出力と同じくらい価値があります。共有理解を構築します。

三角測量

複数のデータソースを組み合わせることで発見を強化します：

• 方法論的三角測量: 同じ質問、異なる方法（インタビュー + アンケート + 分析）
• ソース三角測量: 同じ方法、異なる参加者またはセグメント
• 時間的三角測量: 異なる時点での同じ観察

複数のソースと方法によってサポートされた発見は、単一のソースによってサポートされたものより非常に強いです。ソースが合わない場合、それは興味深いことです。異なるユーザーセグメントまたはコンテキストを明らかにする可能性があります。

インタビューノート分析

インタビューノートからのインサイト抽出

各インタビューについて、以下を特定します：

観察: 参加者は何をしている、経験している、または感じていると説明しましたか？

• 行動（彼らが何をするか）と態度（彼らが何を考える／感じるか）を区別します
• コンテキストに注記してください: いつ、どこで、誰と、どのくらいの頻度で
• 回避策にフラグを付けてください。これらは装い隠した未充足のニーズです

直接引用: ポイントを強力に示す逐語ステートメント

• 良い引用は特定で鮮やかで、一般的ではありません
• 参加者タイプに帰属させます。名前ではなく: 「200 人のチームの企業管理者」ではなく「Sarah」
• 引用は証拠であり、発見ではありません。発見は引用の意味の解釈です。

行動と述べられた好み: 人々が何をするかはしばしば彼らが何を求めると言うことと異なります

• 行動観察は述べられた好みより強い証拠です
• 参加者が「機能 X が欲しい」と言うが、彼らのワークフローは同様の機能を決して使用していないことを示す場合、矛盾に注記してください
• 実際の行動を通じて明らかにされた好みを探します

強度のシグナル: 参加者にとってこれはどのくらい重要ですか？

• 感情的な言語: フラストレーション、興奮、諦め
• 頻度: 彼らはこの問題にどのくらいの頻度で直面しますか
• 回避策: 問題を回避するためにどのくらいの努力を費やしますか
• インパクト: 物事がうまくいかないときの結果は何ですか

クロスインタビュー分析

個別のインタビューを処理した後：

• パターンを探してください: どの観察が複数の参加者に現れていますか？
• 頻度に注記してください: 各テーマに言及した参加者は何人ですか？
• セグメントを特定してください: 異なるタイプのユーザーは異なるパターンを持っていますか？
• 矛盾を表面化させてください: 参加者が意見が合わないところはどこですか？これはしばしば意味のあるセグメントを明らかにします。
• 驚きを見つけてください: 何が以前の仮定に異議を唱えましたか？

アンケートデータの解釈

定量的アンケート分析

• 回答率: サンプルはどのくらい代表的ですか？低い回答率はバイアスを導入する可能性があります。
• 分布: 平均だけではなく、応答の形を見てください。二峰分布（多くの 1 と 5）は正規分布（多くの 3）とは異なるストーリーを語ります。
• セグメンテーション: ユーザーセグメント別に応答を分割します。集計は重要な違いをマスクできます。
• 統計的有意性: 小さいサンプルの場合、小さい違いから結論を引き出すことに注意してください。
• ベンチマーク比較: スコアはどのように業界ベンチマークまたは以前のアンケートと比較されていますか？

自由記述アンケート回答の分析

• 自由記述の回答をミニインタビューノートのように扱ってください
• 各回答をテーマでコード化します
• 回答全体のテーマの頻度をカウントします
• 各テーマの代表的な引用を引き出します
• 構造化された質問では表示されないが自由記述の回答に現れるテーマを探してください。これらはあなたが尋ねることを考えなかったことです

一般的なアンケート分析の誤り

• 分布なしで平均を報告します。3.5 の平均は、全員がぬるいか、半分が大好きで半分が嫌いかを意味する可能性があります。
• 無回答バイアスを無視します。応答しなかった人は体系的に異なる可能性があります。
• 小さい違いを過度に解釈します。NPS で 0.1 ポイントの変更はシグナルではなくノイズです。
• Likert スケールを間隔データとして扱います。「強く同意」と「同意」の間の違いは必ずしも「同意」と「ニュートラル」の間と同じではありません。
• クロスタビュレーションで相関と因果関係を混同します。

定性的および定量的インサイトの組み合わせ

定性的-定量的フィードバックループ

• 定性的ファースト: インタビューと観察は「何が起こっているか」と「なぜ」を明らかにします。それらは仮説を生成します。
• 定量的検証: アンケートと分析は「どのくらい」と「何人が」を明らかにします。それらは大規模に仮説をテストします。
• 定性的ディープダイブ: 予期しない定量的発見を理解するために定性的な方法に戻ります。

統合戦略

• 定量的データを使用して定性的発見を優先します。使用データが多くのユーザーに影響することを示す場合、インタビューのテーマはより重要です。
• 定性的データを使用して定量的異常を説明します。保持率の低下は数値です。インタビューは混乱したオンボーディング変更が原因であることを明らかにします。
• 組み合わせた証拠を提示してください: 「調査されたユーザーの 47% は X に困難を報告し（調査）、インタビューはこれが Y が原因であることを明らかにします（定性的発見）。」

ソースが合わない場合

• 定量的および定性的ソースは異なるストーリーを語る可能性があります。これはエラーではなくシグナルです。
• 測定されている異なる母集団が原因で意見の相違があるかどうかを確認してください
• 述べられた好み（アンケート）が実際の行動（分析）と異なるかどうかを確認してください
• 定量的な質問があなたが考えていることを捉えたかどうかを確認してください
• 1 つのソースを選択するのではなく、誠実に意見の相違を報告し、さらに調査してください

リサーチからのペルソナ開発

証拠に基づくペルソナの構築

ペルソナは想像力からではなく、リサーチデータから出現すべきです：

1. 行動パターンを特定: 参加者全体で同様の行動、目標、およびコンテキストのクラスタを探します
2. 区別する変数を定義: 1 つのクラスタを別のクラスタから区別する次元は何ですか？（例: 企業規模、技術的スキル、使用頻度、主要なユースケース）
3. ペルソナプロフィールを作成: 各行動クラスタについて：
   • 名前と簡潔な説明
   • 主要な行動と目標
   • ペインポイントとニーズ
   • コンテキスト（役割、企業、使用ツール）
   • 代表的な引用
4. データで検証: 定量的データを使用して各ペルソナセグメントのサイズを確定できますか？

ペルソナテンプレート

[ペルソナ名] — [1 行の説明]

彼らは誰か:
- 役割、企業タイプ／規模、経験レベル
- プロダクトをどのように見つけた／使用開始したか

彼らが達成しようとしていること:
- 主要な目標と実行されるべきジョブ
- 成功をどのように測定するか

彼らがプロダクトをどのように使用するか:
- 使用頻度と深さ
- 主要なワークフローと使用された機能
- このプロダクトと並行して使用するツール

主要なペインポイント:
- トップ 3 のフラストレーションまたは未充足のニーズ
- 彼らが開発した回避策

彼らが価値を置くもの:
- ソリューションで最も重要なもの
- 彼らを切り替えたりチャーンさせたりするもの

代表的な引用:
- このペルソナの視点をキャプチャする 2〜3 の逐語引用

一般的なペルソナの誤り

• 人口統計ペルソナ: 行動の代わりに年齢／性別／場所で定義します。行動はプロダクトニーズをより予測します。
• ペルソナが多すぎます: 3〜5 がスイートスポットです。それ以上はアクション不可能ではありません。
• 架空のペルソナ: リサーチデータではなく仮定に基づいて作成されました。
• 静的ペルソナ: プロダクトと市場の進化に合わせて更新されることはありません。
• 含意のないペルソナ: プロダクト決定を変えないペルソナは有用ではありません。

機会サイジング

機会サイズの推定

各リサーチ発見または機会領域について、以下を推定します：

• 対応可能なユーザー: これに対応することで利益を得る可能性があるユーザーは何人ですか？プロダクト分析、アンケートデータ、または市場データを使用して推定します。
• 頻度: 影響を受けたユーザーはこの問題にどのくらいの頻度で直面しますか？（毎日、毎週、毎月、一度）
• 重大度: この問題は発生時にユーザーにどの程度影響を与えますか？（ブロッカー、重大なフリクション、軽微な不満）
• 支払い意思: これに対応することは、アップグレード、保持、または新規顧客獲得を促進しますか？

機会スコアリング

シンプルなマトリックスで機会をスコアリングします：

• インパクト: （影響を受けたユーザー） x （頻度） x （重大度） = インパクトスコア
• 証拠強度: 発見にどのくらい確実ですか？（複数のソース > 単一のソース、行動データ > 述べられた好み）
• 戦略的整列: この機会は企業戦略とプロダクトビジョンに整列していますか？
• 実行可能性: 現実的にこれに対応できますか？（技術的実行可能性、リソース利用可能性、インパクトまでの時間）

機会サイジングの提示

• 仮定と信頼レベルについて透明性を持ってください
• 数学を示してください: 「サポートチケットの量に基づいて、月に約 2,000 人のユーザーがこの問題に直面しています。インタビューデータは 60% がそれを重大なブロッカーと考えることを示唆しています。」
• 誤った精度ではなく範囲を使用してください: 「これは月に 1,500～2,500 人のユーザーに影響を与えます」「これは月に 2,137 人のユーザーに影響を与えます」ではなく
• 機会を互いに比較して相対的なランキングを作成します（絶対スコアではなく）

出力形式

明確なヘッダーと構造化されたフォーマットを使用してください。各発見は独立して立つべきです。読者は、残りを読まずに任意の発見を読んで理解できるべきです。

ヒント

• データに語らせてください。発見を事前決定されたナラティブに無理に押し込まないでください。
• ユーザーが言うこととしていることを区別してください。行動データは述べられた好みより強いです。
• 引用は強力な証拠です。 参加者タイプへの帰属とともに寛容に組み込んでください（名前ではなく）。
• 信頼レベルについて明示的にしてください。2 つのインタビューからの発見は仮説であり、結論ではありません。
• データの矛盾は不便ではなく興味深いです。それらはしばしば異なるユーザーセグメントを明らかにします。
• 推奨事項は行動を起こすのに十分に具体的であるべきです。「オンボーディングを改善する」はアクション不可能です。「セットアップフローに進捗インジケータを追加する」はそうです。
• テーマを統合する誘惑に抵抗してください。20 の弱い発見より 5〜8 の強い発見の方が優れています。