基于研究数据生成用户画像、旅程地图与可用性测试方案，提供可执行的设计建议，适合 UX 团队系统化开展用户研究
说明：
## 核心用法
**UX Researcher & Designer** 是一套面向资深 UX 设计师与研究者的系统化工具包，支持从原始研究数据到设计决策的完整工作流：
1. **生成用户画像** — 将访谈、问卷、行为数据聚类为数据驱动的用户原型，包含人口统计、心理特征、行为模式、目标痛点及设计启示
2. **创建旅程地图** — 基于真实用户数据可视化端到端体验，识别关键触点、情绪波动与优化机会
3. **规划可用性测试** — 提供测试方法选择、任务设计、成功指标定义及主持脚本模板
4. **合成研究洞察** — 通过编码→聚类→量化→优先级排序，将原始数据转化为可执行的设计建议
## 显著优点
– **方法论严谨**：明确样本量要求（画像≥20人/可用性测试5-8人）、置信度分级、数据编码规范，降低研究偏差
– **输出可落地**：每个画像包含具体设计启示，每项研究发现附带业务影响评估与优先级评分（频率×严重度×可解性）
– **工具链完整**：内置 `persona_generator.py` 脚本，支持 JSON 数据输入与结构化输出，便于与设计系统集成
– **质量检查清单**：提供画像、旅程地图、可用性测试、研究合成的四维度验证标准，确保交付物专业度
## 潜在缺点与局限性
– **数据依赖度高**：画像生成需预格式化 JSON 数据，原始访谈/观察数据需人工清洗编码，自动化程度有限
– **领域适配性**：内置框架偏向 B2B SaaS 场景（如”Adoption→Advocacy”旅程阶段），消费端/硬件产品需自行调整
– **未覆盖前沿方法**：缺少 AI 辅助访谈分析、远程眼动追踪、连续体验采样等新兴研究技术
– **量化深度有限**：样本量计算仅提供经验值，未集成统计学显著性检验工具
## 适合人群
– 需要快速建立用户研究体系的成长型产品团队
– 从执行层向策略层转型的 UX 设计师
– 缺乏专职用研的中小团队产品经理（需配合外包访谈执行）
## 常规风险
– **数据代表性偏差**：小样本画像（5-10人）被误用于关键设计决策，建议明确标注置信等级
– **旅程地图僵化**：过度依赖固定阶段模板，可能遗漏非线性、跨渠道的真实用户行为
– **测试任务引导性**：新手易设计带暗示的任务描述，需严格遵循”场景→目标→成功标准”格式
会员专属
