user-personas
調査データから洗練されたユーザーペルソナを作成します。JTBD（Jobs to Be Done）・ペイン・ゲイン・意外なインサイトを含む3つのペルソナを生成します。アンケートデータからペルソナを構築したい場合、ユーザーリサーチからプロフィールを作成したい場合、またはプロダクト意思決定のためにユーザーをセグメント分けしたい場合に活用してください。
description の原文を見る
Create refined user personas from research data — 3 personas with JTBD, pains, gains, and unexpected insights. Use when building personas from survey data, creating user profiles from research, or segmenting users for product decisions.
SKILL.md 本文
ユーザーペルソナ
目的
リサーチデータから詳細で実行可能なユーザーペルソナを作成し、ユーザーベースの真の多様性を捉えます。このスキルはリサーチに基づいたペルソナを生成し、ジョブズ・トゥ・ビー・ダン(JTBD)、ペインポイント、期待される成果、予期しない行動インサイトを含めることで、プロダクト意思決定を支援します。
手順
あなたはペルソナ開発とユーザーリサーチ統合を専門とする経験豊富なプロダクトリサーチャーです。
インプット
$ARGUMENTS 向けに3つの精密化されたユーザーペルソナを作成することがあなたのタスクです。
ユーザーがCSV、Excel、アンケート回答、インタビュー記録、またはその他のリサーチデータファイルを提供する場合、利用可能なツールを使用してそれらを直接読み込み、分析します。主要なパターン、デモグラフィクス、モチベーション、行動を抽出します。
分析ステップ（段階的に思考する）
- データ収集: 提供されたすべてのリサーチデータとドキュメントを読み込み、確認する
- パターン認識: ユーザー全体で繰り返し出現する特性、目標、ペインポイント、行動を特定する
- セグメンテーション: 共有されたモチベーションとジョブズ・トゥ・ビー・ダンに基づいて、類似したユーザーを異なるペルソナにグループ化する
- エンリッチメント: 各ペルソナについて、データを統合的なプロフィールに統合する
- 検証: インサイトをクロスリファレンスして、ペルソナが実際のリサーチ知見に基づいていることを確認する
アウトプット構造
3つの各ペルソナについて、以下を提供します：
ペルソナ名とデモグラフィクス
- 年齢層、職務/肩書、企業規模（B2Bの場合）、主要な特性
主要なジョブズ・トゥ・ビー・ダン
- ペルソナが達成しようとしているコアな成果
- ジョブの文脈と頻度
トップ3のペインポイント
- ジョブの完了を妨げている具体的な課題や障害
- 各ペインの影響と深刻度
トップ3の期待される成果
- ペルソナが求めている利益、成果、またはソリューション
- 成功をどのように測定するか
1つの予期しないインサイト
- リサーチデータから導き出された直感的でない行動パターンやモチベーション
- これがプロダクト意思決定にとってなぜ重要なのか
プロダクト適合度評価
- $ARGUMENTS がこのペルソナのニーズにどのように対応しているか（またはできるか）
- 潜在的な摩擦点または未充たされたニーズ
ベストプラクティス
- すべてのインサイトを実際のデータに基づかせ、想定は避ける
- リサーチから直接的な引用を利用可能な場合は使用する
- デモグラフィック分類だけでなく、行動パターンを特定する
- ペルソナを可能な限り区別され、重複しないようにする
- データギャップまたは追加リサーチが必要な領域にフラグを立てる
さらに詳しく
ライセンス: MIT(寛容ライセンスのため全文を引用しています) · 原本リポジトリ
詳細情報
- 作者
- phuryn
- リポジトリ
- phuryn/pm-skills
- ライセンス
- MIT
- 最終更新
- 不明
Source: https://github.com/phuryn/pm-skills / ライセンス: MIT
関連スキル
hugging-face-trackio
Trackioを使用してMLトレーニング実験を追跡・可視化できます。トレーニング中のメトリクスログ記録（Python API）、トレーニング診断のアラート発火、ログされたメトリクスの取得・分析（CLI）が必要な場合に活用してください。リアルタイムダッシュボード表示、Webhookを使用したアラート、HF Space同期、自動化向けのJSON出力に対応しています。
btc-bottom-model
ビットコインのサイクルタイミングモデルで、加重スコアリングシステムを搭載しています。日次パルス（4指標、32ポイント）とウィークリー構造（9指標、68ポイント）の2カテゴリーにわたる13の指標を追跡し、0～100のマーケットヒートスコアを算出します。ETFフロー、ファンディングレート、ロング/ショート比率、恐怖・貪欲指数、LTH-MVRV、NUPL、SOPR（LTH+STH）、LTH供給率、移動平均倍率（365日MA、200週MA）、週次RSI、出来高トレンドに対応します。市場サイクル全体を通じて買いと売りの両方の推奨を提供します。ビットコインの底値拾い、BTCサイクルポジション、買い時・売り時、オンチェーン指標、MVRV、NUPL、SOPR、LTH動向、ETFの流出入、ファンディングレート、恐怖指数、ビットコインが過熱状態か、マイナーコスト、暗号資産市場のセンチメント、BTCのポジションサイジング、「今ビットコインを買うべきか」「BTCが天井をつけているか」「オンチェーン指標は何を示しているか」といった質問の際にこのスキルを活用します。
protein_solubility_optimization
タンパク質の溶解性最適化 - タンパク質の溶解性を最適化します。タンパク質の特性を計算し、溶解性と親水性を予測し、有効な変異を提案します。タンパク質配列の特性計算、タンパク質機能の予測、親水性計算、ゼロショット配列予測を含むタンパク質エンジニアリング業務に使用できます。3つのSCPサーバーから4つのツールを統合しています。
research-lookup
Parallel Chat APIまたはPerplexity sonar-pro-searchを使用して、最新の研究情報を検索できます。学術論文の検索にも対応しています。クエリは自動的に最適なバックエンドにルーティングされるため、論文の検索、研究データの収集、科学情報の検証に活用できます。
tree-formatting
ggtree（R）またはiTOL（ウェブ）を使用して、系統樹の可視化とフォーマットを行います。系統樹を図として描画する際、ツリーレイアウトの選択、分類学に基づく枝やラベルの色付け、クレードの折りたたみ、サポート値の表示、またはツリーへのオーバーレイ追加が必要な場合に使用してください。系統推定（protein-phylogenyスキルを使用）やドメイン注釈（今後の独立したスキル）には使用しないでください。
querying-indonesian-gov-data
インドネシア政府の50以上のAPIとデータソースに接続できます。BPJPH（ハラール認証）、BOM（食品安全）、OJK（金融適正性）、BPS（統計）、BMKG（気象・地震）、インドネシア中央銀行（為替レート）、IDX（株式）、CKAN公開データポータル、pasal.id（第三者法MCP）に対応しています。インドネシア政府データを活用したアプリ開発、.go.idウェブサイトのスクレイピング、ハラール認証の確認、企業の法的適正性の検証、金融機関ステータスの照会、またはインドネシアMCPサーバーへの接続時に使用できます。CSRF処理、CKAN API使用方法、IP制限回避など、すぐに実行可能なPythonパターンを含んでいます。