在产品开发的世界里，有一句广为流传的话：”你不是用户”。这句话提醒着每一位产品经理，我们的个人经验和偏好往往不能代表真实用户的需求。本章将系统介绍用户研究的核心方法论，帮助你建立科学的用户洞察体系，从而做出更贴近用户需求的产品决策。无论是3C硬件产品还是互联网软件服务，深入理解用户都是产品成功的关键基石。
完成本章学习后，你将能够：
用户研究不是简单的”问用户想要什么”，而是通过科学的方法理解用户的行为、动机和未被满足的需求。正如亨利·福特所说：”如果我问客户他们想要什么，他们会说想要一匹更快的马。”真正的用户研究是要发现”更快到达目的地”这个本质需求。
传统思维：用户说什么 → 我们做什么
产品思维：用户为什么这么说 → 背后的真实需求 → 更好的解决方案
| 维度 | 3C产品 | 互联网产品 |
|---|---|---|
| 研究周期 | 较长(3-6个月) | 较短(2-4周) |
| 样本规模 | 相对较小(30-100人) | 可以很大(1000+) |
| 迭代成本 | 高(模具、供应链) | 低(代码修改) |
| 重点关注 | 外观、手感、耐用性 | 功能、流程、体验 |
| 测试方式 | 原型机、工程样机 | A/B测试、灰度发布 |
| 用户接触 | 线下为主 | 线上为主 |
“三次验证原则”：当你从用户研究中发现一个重要洞察时，至少要通过三种不同的方法或三个不同的用户群体进行验证，才能作为产品决策的依据。
用户画像是基于真实用户研究数据创建的典型用户原型，它将抽象的用户群体具象化为有血有肉的”人”。一个好的用户画像不是虚构的，而是数据驱动的用户群体代表。
┌─────────────────────────────────────┐
│ 用户画像模板 │
├─────────────────────────────────────┤
│ 基础信息 │
│ • 姓名：张明（虚拟但具体） │
│ • 年龄：28岁 │
│ • 职业：互联网产品经理 │
│ • 城市：北京 │
│ • 收入：年薪30万 │
├─────────────────────────────────────┤
│ 行为特征 │
│ • 每天使用手机6小时+ │
│ • 主要使用场景：通勤、办公、睡前 │
│ • 偏好应用类型：效率工具、知识付费 │
├─────────────────────────────────────┤
│ 目标与动机 │
│ • 提升工作效率 │
│ • 持续学习成长 │
│ • 建立专业影响力 │
├─────────────────────────────────────┤
│ 痛点与挑战 │
│ • 信息过载，难以筛选优质内容 │
│ • 时间碎片化，学习不成体系 │
│ • 知识管理混乱，复习困难 │
├─────────────────────────────────────┤
│ 一句话描述 │
│ "我需要一个能帮我系统化学习和管理 │
│ 知识的工具，而不是又一个信息源" │
└─────────────────────────────────────┘
数据收集 → 用户分群 → 特征提炼 → 画像成型 → 验证优化
↑ ↓
└──────────── 持续迭代更新 ←───────────────┘
用户画像不是一成不变的，需要定期更新：
❌ 错误做法：
✅ 最佳实践：
“80/20画像原则”：集中精力为占据80%价值的20%核心用户群体创建详细画像，其余用户可以用简化画像覆盖。
早期（2011-2013）：”发烧友”画像
中期（2014-2018）：”理性消费者”画像
现在（2019-至今）：”品质生活追求者”画像
这个演进过程展示了如何根据业务发展和市场变化动态调整用户画像。
定性研究帮助我们理解”为什么”——用户为什么有这样的行为，背后的动机、情感和决策过程是什么。它不追求统计学意义上的代表性，而是追求洞察的深度和启发性。
访谈大纲结构：
开场暖场（5分钟）
├── 自我介绍与访谈目的说明
├── 获得录音许可
└── 轻松话题建立信任
背景了解（10分钟）
├── 基本信息收集
├── 使用习惯概览
└── 相关经验了解
核心探索（20分钟）
├── 具体场景还原
├── 行为动机挖掘
├── 痛点深入探讨
└── 期望与理想状态
验证环节（10分钟）
├── 概念或原型反馈
├── 竞品使用体验
└── 改进建议收集
总结收尾（5分钟）
├── 关键点确认
├── 补充问题
└── 致谢与后续安排
问题设计技巧：
第一层：你通常什么时候使用这个功能？
第二层：为什么选择在这个时间使用？
第三层：如果不能在这个时间使用会怎样？
第四层：这对你意味着什么？
黄金法则：
肢体语言与环境：
理想访谈环境布置
┌────────────────────┐
│ 轻松的座椅安排 │
│ ／＼ │
│ 用户 访谈者 │
│ ＼／ │
│ 45度角，非对立 │
│ │
│ 准备：水、纸巾、笔 │
│ 设备：录音笔、笔记本│
└────────────────────┘
亲和图法（Affinity Diagram）：
原始数据 → 关键语句提取 → 分类聚合 → 模式识别 → 洞察形成
↓ ↓ ↓ ↓ ↓
访谈记录 便利贴记录 主题墙组织 发现规律 形成观点
在用户的真实使用环境中观察其行为，理解环境因素对使用的影响。
观察要点清单：
记录模板：
时间：14:30
地点：地铁车厢
行为：用户单手持机浏览商品
环境：拥挤、晃动、信号不稳定
观察：频繁误触、加载失败时的烦躁
洞察：移动场景需要更大的点击区域和离线缓存
跟随用户一段时间，观察其完整的行为链条。
影随研究流程：
让用户记录一段时间内的使用行为和体验。
日记模板示例：
日期：______ 时间：______
触发情境：什么让你想到要使用产品？
使用过程：做了什么？遇到什么问题？
情绪感受：😊 😐 😔（圈选+描述）
期望改进：如果有魔法棒，你最想改变什么？
理想配置：
讨论流程设计：
破冰环节(10min)
↓
个人分享轮(20min) → 避免群体思维
↓
开放讨论(30min) → 鼓励不同声音
↓
概念测试(20min) → 收集即时反馈
↓
总结投票(10min) → 量化关键观点
常见挑战与应对：
| 情况 | 表现 | 应对策略 |
|---|---|---|
| 霸道发言者 | 一人主导全场 | “很好的观点，其他人怎么看？” |
| 沉默参与者 | 始终不发言 | 直接点名询问：”小王，你的体验是？” |
| 跑题讨论 | 偏离主题 | “这个很有意思，我们一会儿再聊” |
| 冲突对立 | 激烈争论 | “两种观点都很有价值，我们记录下来” |
| 从众效应 | 都说”我也是” | 使用匿名投票或书面回答 |
“5用户原则”：Jakob Nielsen的研究表明，5个用户的定性研究能发现85%的可用性问题。与其做20人的浅层研究，不如做5人的深度研究。
主题分析法（Thematic Analysis）：
1. 熟悉数据：反复阅读原始资料
2. 初始编码：标记有意义的片段
3. 寻找主题：将编码归类成潜在主题
4. 审查主题：检验主题的有效性
5. 定义命名：明确每个主题的本质
6. 撰写报告：讲述数据背后的故事
编码示例：
用户原话："每次要找之前保存的内容都要翻很久，
有时候都忘了存在哪里了"
初始编码：[查找困难] [组织混乱] [记忆负担]
主题归类：信息管理问题
核心洞察：用户需要更智能的内容组织和检索系统
定量研究让我们能够回答”多少”的问题——多少用户有这个问题？改进后提升了多少？哪个方案更受欢迎？它提供了统计学意义上的证据，帮助我们做出更有信心的决策。
问题类型矩阵：
| 类型 | 用途 | 示例 | 适用场景 |
|---|---|---|---|
| 封闭式单选 | 获取明确选择 | “您最常用哪个功能？” | 偏好调查、行为频率 |
| 封闭式多选 | 了解组合情况 | “您使用过哪些竞品？(可多选)” | 使用场景、功能需求 |
| 李克特量表 | 测量态度程度 | “请评价满意度(1-5分)” | 满意度、认同度 |
| 排序题 | 了解优先级 | “请按重要性排序以下功能” | 需求优先级、决策因素 |
| 开放式 | 收集详细反馈 | “您还有什么建议？” | 深度反馈、发现新问题 |
| 矩阵题 | 批量收集相似信息 | “请评价各功能的易用性” | 多维度评价 |
问卷设计的黄金法则：
简单问题（建立信任）
↓
一般性问题（了解背景）
↓
核心问题（研究重点）
↓
敏感问题（个人信息）
↓
开放问题（自由表达）
5点量表（最常用）：
非常不满意 - 不满意 - 一般 - 满意 - 非常满意
7点量表（更精细）：
极差 - 很差 - 较差 - 一般 - 较好 - 很好 - 极好
NPS量表（净推荐值）：
0-10分，"您向朋友推荐的可能性？"
批评者(0-6) | 中立者(7-8) | 推荐者(9-10)
样本量计算公式：
n = Z² × p(1-p) / E²
其中：
n = 所需样本量
Z = 置信水平对应的Z值（95%置信度=1.96）
p = 预期比例（不确定时用0.5）
E = 误差范围（如5%=0.05）
示例：95%置信度，5%误差范围
n = 1.96² × 0.5 × 0.5 / 0.05² = 384
实用样本量参考表：
| 总体规模 | 90%置信度 ±5%误差 |
95%置信度 ±5%误差 |
95%置信度 ±3%误差 |
|---|---|---|---|
| 100 | 73 | 80 | 92 |
| 500 | 176 | 217 | 341 |
| 1,000 | 213 | 278 | 516 |
| 10,000 | 263 | 370 | 964 |
| 100,000+ | 270 | 384 | 1,067 |
抽样方法选择：
随机抽样
├── 简单随机：每个用户概率相等
├── 系统抽样：按固定间隔抽取
└── 分层抽样：按用户特征分组后抽样
非随机抽样
├── 便利抽样：选择容易接触的用户
├── 雪球抽样：通过用户推荐用户
└── 配额抽样：按预设比例选择
数据清洗流程：
原始数据
↓
完整性检查（剔除大量缺失）
↓
一致性检查（逻辑矛盾）
↓
极端值处理（异常值识别）
↓
重复值处理（同一用户多次提交）
↓
干净数据
质量控制机制：
A/B测试设计框架：
定义假设 → 确定指标 → 计算样本 → 随机分组 → 运行实验 → 分析结果 → 做出决策
↑ ↓
└────────────────── 记录学习，优化下次实验 ←──────────────────────┘
假设定义模板：
如果我们【做出改变X】
那么【指标Y】将会【提升/下降Z%】
因为【基于的洞察或理论】
示例：
如果我们将"立即购买"按钮从橙色改为绿色
那么点击率将会提升15%
因为绿色在色彩心理学中代表"前进"和"确认"
指标选择矩阵：
| 指标类型 | 具体指标 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|---|
| 主指标 | 转化率、收入 | 直接反映商业价值 | 见效慢、样本量大 | 重大决策 |
| 代理指标 | 点击率、停留时长 | 敏感、快速反馈 | 可能误导 | 快速迭代 |
| 护栏指标 | 跳出率、投诉率 | 防止负面影响 | - | 所有测试 |
| 生态指标 | 用户满意度、NPS | 长期影响 | 短期不敏感 | 战略决策 |
统计概念解释：
P值：结果由随机因素造成的概率
- P < 0.05：统计显著（95%置信度）
- P < 0.01：高度显著（99%置信度）
统计功效（Power）：检测出真实差异的概率
- 一般要求 > 80%
效应量（Effect Size）：改变的实际大小
- 小效应：0.2
- 中效应：0.5
- 大效应：0.8
样本量计算器：
情景：转化率从10%提升到11%（相对提升10%）
置信度：95%
统计功效：80%
每组所需样本量：约15,000
总计：30,000
测试时长：日流量1000，需要30天
| 陷阱 | 表现 | 解决方案 |
|---|---|---|
| 提前窥视 | 看到显著就停止 | 预设测试时长，严格执行 |
| 多重测试 | 同时测20个指标 | Bonferroni校正，调整P值 |
| 样本污染 | 用户看到多个版本 | Cookie/用户ID固定分组 |
| 季节效应 | 周末效果好就采用 | 运行完整周期，考虑季节性 |
| 幸存者偏差 | 只看完成的用户 | 意向处理分析（ITT） |
| 新奇效应 | 新版本短期表现好 | 延长测试期，观察稳定性 |
核心统计量及其应用：
集中趋势
├── 均值（Mean）：平均水平，易受极值影响
├── 中位数（Median）：中间位置，稳健性好
└── 众数（Mode）：最常见值，适合分类数据
离散程度
├── 标准差（SD）：波动大小
├── 四分位距（IQR）：中间50%的范围
└── 变异系数（CV）：相对波动 = SD/Mean
分布形态
├── 偏度（Skewness）：对称性
│ > 0：右偏，长尾在右
│ < 0：左偏，长尾在左
└── 峰度（Kurtosis）：尖峭程度
> 3：比正态分布更尖
< 3：比正态分布更平
实战应用示例：
用户使用时长分析：
平均值：45分钟（被少数重度用户拉高）
中位数：12分钟（更能代表典型用户）
众数：5分钟（最常见的使用时长）
洞察：存在明显的用户分层
建议：针对不同用户群体设计差异化策略
相关系数解读：
皮尔逊相关系数（r）：
+1.0 ← 完全正相关
+0.7 ← 强正相关
+0.3 ← 弱正相关
0.0 ← 无相关
-0.3 ← 弱负相关
-0.7 ← 强负相关
-1.0 ← 完全负相关
相关不等于因果：
案例：冰淇淋销量与溺水事故正相关
错误结论：吃冰淇淋导致溺水
正确解释：都受气温影响（混淆变量）
产品案例：
观察：使用高级功能的用户留存率高
错误结论：高级功能提升留存
可能解释：活跃用户才会探索高级功能
验证方法：A/B测试因果关系
RFM模型（电商/交易类产品）：
R (Recency)：最近一次购买距今时间
F (Frequency)：购买频率
M (Monetary)：购买金额
用户分类矩阵：
高价值 低价值
┌────────────┬────────────┐
高频│ 冠军用户 │ 忠诚用户 │
├────────────┼────────────┤
低频│ 大客户 │ 新用户 │
└────────────┴────────────┘
行为分群方法：
1. 选择关键行为指标
2. 数据标准化处理
3. 聚类算法（K-means）
4. 确定最优群组数
5. 群组特征分析
6. 制定差异化策略
“30/300/3000法则”：定性研究30人找问题，定量研究300人验证方向，3000人做决策。根据决策重要性选择合适的样本规模。
硬件产品的数据挑战：
| 维度 | 挑战 | 解决方案 |
|---|---|---|
| 数据采集 | 离线使用多 | 设计缓存上传机制 |
| 更新周期 | 固件更新率低 | 强激励+简化流程 |
| 使用周期 | 换机周期长 | 长期跟踪队列 |
| 隐私顾虑 | 硬件数据敏感 | 透明化+本地处理 |
| 环境因素 | 使用环境复杂 | 多维度数据收集 |
IoT产品数据分析框架：
设备层数据
├── 激活率：开箱使用转化
├── 连接率：联网成功比例
├── 在线率：日均在线时长
└── 故障率：异常/报错频率
使用层数据
├── 功能渗透：各功能使用率
├── 使用深度：高级功能采用
├── 场景分布：使用时段/地点
└── 交互频率：日均操作次数
生态层数据
├── 配件购买：附加产品销售
├── 服务订阅：增值服务转化
├── 推荐意愿：NPS分数
└── 品牌忠诚：复购/换新率
用户旅程地图（User Journey Map）是一种可视化工具，它从用户视角展现了与产品/服务交互的完整过程。通过绘制旅程地图，我们能够发现那些容易被忽视的痛点和机会，从而系统性地改善用户体验。
完整的用户旅程地图框架：
阶段 Stage 认知 → 考虑 → 购买 → 使用 → 忠诚
─────────────────────────────────────────────────────────────────────────────
用户目标 了解产品 比较选择 完成购买 解决问题 持续使用
Goals "这是什么" "适合我吗" "怎么买" "怎么用" "值得吗"
触点 广告/推荐 官网/评测 商城/门店 产品界面 客服/社区
Touchpoints 社交媒体 用户评论 支付系统 帮助文档 会员体系
行为 搜索信息 对比竞品 下单支付 初次使用 推荐分享
Actions 浏览介绍 咨询朋友 选择配置 学习功能 复购升级
想法 好奇/怀疑 期待/担心 兴奋/犹豫 困惑/满意 信任/失望
Thoughts "真的有用？" "价格合理？" "会不会买错" "这个怎么用" "下次还买"
情感曲线 ↗️ ↘️↗️ ↗️↘️ ↘️↗️↗️ ↗️ or ↘️
Emotions [可视化用户在各阶段的情感起伏]
痛点 信息过载 决策困难 流程复杂 学习成本高 缺乏惊喜
Pain Points 真假难辨 选择焦虑 支付担心 功能难找 价值感低
机会点 简化信息 决策工具 优化流程 新手引导 会员权益
Opportunities 建立信任 对比工具 安全保障 智能推荐 个性化服务
1. 定义范围
├── 选择用户画像
├── 确定旅程边界
└── 明确业务目标
2. 收集数据
├── 用户访谈
├── 行为数据
└── 客服记录
3. 识别阶段
├── 关键节点
├── 决策时刻
└── 情感转折
4. 填充内容
├── 触点梳理
├── 行为描述
└── 情感标注
5. 分析洞察
├── 痛点识别
├── 断点发现
└── 机会挖掘
6. 制定行动
├── 优先级排序
├── 改进方案
└── 效果预期
用户旅程访谈提纲：
开始之前：
• 是什么让您第一次了解到我们的产品？
• 当时您想解决什么问题？
决策过程：
• 您考虑过哪些替代方案？
• 什么因素最终促使您选择了我们？
• 有什么差点让您放弃的时刻吗？
使用体验：
• 第一次使用时遇到了什么困难？
• 哪个功能最让您惊喜/失望？
• 您通常在什么场景下使用？
持续关系：
• 是什么让您继续使用？
• 您会向朋友推荐吗？为什么？
• 如果要换掉产品，会是因为什么？
| 触点类型 | 特征 | 优化重点 | 衡量指标 |
|---|---|---|---|
| 自有触点 | 完全控制 | 体验一致性 | 转化率、满意度 |
| 付费触点 | 成本可控 | ROI优化 | 获客成本、质量 |
| 赢得触点 | 信任度高 | 口碑管理 | 提及量、情感倾向 |
| 合作触点 | 资源互补 | 协同效应 | 互导流量、留存 |
零阶真相时刻（ZMOT）：搜索和研究阶段
"用户在Google搜索解决方案"
→ SEO优化、内容营销
第一真相时刻（FMOT）：初次接触产品
"用户打开APP的前30秒"
→ 新手引导、快速价值展示
第二真相时刻（SMOT）：使用体验阶段
"用户完成核心任务"
→ 功能优化、性能提升
第三真相时刻（TMOT）：分享推荐阶段
"用户主动推荐给朋友"
→ 激励机制、社交功能
终极真相时刻（UMOT）：情感连接阶段
"用户成为品牌拥护者"
→ 社区建设、共创机会
情感节奏掌控：
理想的情感曲线不是一路向上，而是有节奏的起伏：
期待 → 小确幸 → 挑战 → 成就感 → 惊喜 → 满足
↗️ ↗️ ↘️ ↗️↗️ ↗️ →
关键原则：
1. 峰终定律：确保高峰体验和完美结尾
2. 及时反馈：每个行动都有响应
3. 进度可见：让用户知道自己在哪里
4. 适度挑战：不要太简单也不要太难
5. 意外惊喜：超出预期的小细节
全渠道体验设计原则：
线上线下融合案例：Apple Store
线上研究 → 线下体验 → 线上下单 → 线下取货 → 线上服务
↓ ↓ ↓ ↓ ↓
官网浏览 店内试用 App购买 零售店提货 在线支持
配置对比 专家建议 支付完成 现场设置 远程诊断
无缝衔接要点：
• 统一的用户身份识别
• 数据和偏好同步
• 一致的品牌体验
• 灵活的渠道切换
• 上下文的连续性
“3E原则”：Effective（有效解决问题）、Efficient（高效完成任务）、Emotional（情感愉悦体验）。优秀的用户旅程要同时满足这三个维度。
乔布斯说过：”人们不知道自己想要什么，直到你把它摆在他们面前。”这句话道出了需求挖掘的精髓——用户表达的往往不是真实需求，而产品经理的工作就是透过表象找到本质。
需求冰山模型：
表层需求（用户说的）
"我要更大的按钮"
~~~~~~~~~~~~~~~~~~~~~~~~~~~~
行为需求（用户做的）
频繁误触其他按钮
~~~~~~~~~~~~~~~~~~~~~~~~~~~~
目标需求（用户要的）
准确快速完成操作
~~~~~~~~~~~~~~~~~~~~~~~~~~~~
本质需求（真正的问题）
在移动场景下的易用性
显性需求 vs 隐性需求：
| 维度 | 显性需求 | 隐性需求 |
|---|---|---|
| 表现 | 用户能清楚表达 | 用户难以表达或未意识到 |
| 例子 | “我要导出Excel” | “我要分享数据给老板” |
| 发现方法 | 直接询问、调查问卷 | 观察行为、深度访谈 |
| 满足效果 | 达到预期 | 超出预期、惊喜 |
| 竞争价值 | 基础门槛 | 差异化优势 |
案例实战：
用户需求："我要批量删除功能"
Why 1：为什么需要批量删除？
→ "因为要删除的内容太多，一个个删太慢"
Why 2：为什么会有这么多要删除的内容？
→ "因为积累了很多过期和无用的内容"
Why 3：为什么会积累这么多过期内容？
→ "因为没有及时清理，时间久了就忘记了"
Why 4：为什么没有及时清理？
→ "因为当时觉得可能还有用，就先留着"
Why 5：为什么后来没有再次评估这些内容？
→ "因为没有提醒机制，也看不出哪些是过期的"
真实需求：智能的内容生命周期管理
解决方案：自动归档、过期提醒、智能清理建议
JTBD模板：
当我【情境/场景】
我想要【期望的进展】
以便我能【最终目标】
示例：
当我"在地铁上通勤时"
我想要"快速浏览今日要闻"
以便我能"在到达办公室前了解行业动态"
深入分析：
• 功能维度：快速加载、离线阅读、精简排版
• 情感维度：不落伍、有谈资、专业形象
• 社交维度：分享给同事、参与讨论
JTBD访谈四步法：
需求分类与策略：
必备需求（Must-be）
├── 特征：没有会不满，有了觉得应该
├── 举例：手机能打电话、APP不崩溃
└── 策略：必须满足，但不要过度投入
期望需求（One-dimensional）
├── 特征：越多越满意，线性关系
├── 举例：电池续航、存储空间
└── 策略：持续优化，寻找最佳平衡
魅力需求（Attractive）
├── 特征：没有无所谓，有了很惊喜
├── 举例：iPhone的Face ID、特斯拉的自动驾驶
└── 策略：创新投入，打造差异化
无差异需求（Indifferent）
├── 特征：有没有都无所谓
├── 举例：很多设置选项
└── 策略：能砍则砍，降低复杂度
反向需求（Reverse）
├── 特征：有了反而不满意
├── 举例：过多的通知、复杂的功能
└── 策略：识别并避免
MVP类型选择指南：
| MVP类型 | 适用场景 | 成本 | 验证重点 | 案例 |
|---|---|---|---|---|
| 邮件/问卷MVP | 验证需求存在性 | 极低 | 用户兴趣 | Buffer的落地页 |
| 人工MVP | 验证解决方案 | 低 | 核心价值 | Zappos人工处理订单 |
| 单功能MVP | 验证核心功能 | 中 | 功能可用性 | Dropbox视频演示 |
| 原型MVP | 验证交互流程 | 中 | 用户体验 | Airbnb早期网站 |
| 预售MVP | 验证付费意愿 | 低 | 商业模式 | Kickstarter众筹 |
MVP成功标准设定：
定量指标：
• 转化率 > 10%
• 日活跃用户 > 100
• 7日留存 > 20%
• NPS > 30
定性指标：
• 用户主动推荐
• 要求更多功能
• 愿意付费
• 形成使用习惯
警示信号：
• 注册后不使用
• 使用一次就流失
• 负面反馈居多
• 找不到目标用户
故事板测试（Storyboard）：
场景1：问题呈现
"小明每天整理销售数据要2小时..."
↓
场景2：解决方案
"使用我们的自动化工具..."
↓
场景3：使用过程
"只需三步设置..."
↓
场景4：最终效果
"现在只要10分钟！"
测试要点：
□ 问题是否真实存在？
□ 解决方案是否可信？
□ 使用过程是否简单？
□ 价值是否足够大？
伪需求的七个特征：
伪需求验证清单：
□ 目标用户是否明确且规模足够？
□ 问题是否高频或高价值？
□ 现有解决方案是否有明显不足？
□ 用户是否愿意改变现有习惯？
□ 解决方案是否比问题简单？
□ 用户是否愿意付费（时间/金钱）？
□ 是否有可持续的商业模式？
“10倍价值原则”：新解决方案要比现有方案好10倍，用户才会愿意切换。仅仅好20%、30%是不够的，因为切换成本和习惯惯性的存在。