product-discovery

Überblick über product-discovery skill

Was product-discovery leistet

Der product-discovery skill hilft einem AI Agent, strukturierte Product Discovery durchzuführen, bevor ein Team Engineering-Zeit investiert. Er ist darauf ausgelegt, Chancen zu validieren, riskante Annahmen sichtbar zu machen, Discovery-Sprints zu planen und zu entscheiden, ob ein Team weitermacht, die Richtung ändert oder stoppt. Statt nach „Produktideen“ zu fragen, lenkt der Skill die Arbeit konsequent auf Evidenz: Outcomes, Opportunities, Annahmen, Experimente und Lernentscheidungen.

Besonders geeignet für Product-Management-Arbeit

Nutze product-discovery im Product Management, wenn du einen wiederholbaren Discovery-Workflow für unklare Kundenprobleme, neue Feature-Wetten, marktorientierte Experimente oder frühe Lösungskonzepte brauchst. Besonders hilfreich ist der Skill für Product Manager, Gründer, Product Designer, UX Researcher und cross-funktionale Squads, die einen AI Assistant einsetzen möchten, um Discovery-Artefakte zu strukturieren, statt eine generische Roadmap erzeugen zu lassen.

Was diesen Skill unterscheidet

Der Skill konzentriert sich auf praxiserprobte Discovery-Frameworks: Opportunity Solution Trees, Assumption Mapping, Jobs-to-be-Done, Kano, Design-Sprint-Denken und Experimentplanung. Sein stärkstes Unterscheidungsmerkmal ist das enthaltene scripts/assumption_mapper.py, das Annahmen aus einer CSV anhand von Risiko- und Sicherheitswerten priorisieren und passende Validierungstests je Annahmekategorie vorschlagen kann.

Wann dieser Skill nicht passt

Installiere diesen Skill nicht, wenn du vor allem Delivery-Planung, Sprint-Backlog-Grooming, PRD-Formatierung, Growth Copy oder Analytics-Instrumentierung brauchst. product-discovery liefert den größten Wert vor der Umsetzung, wenn das Team das Nutzerproblem noch klären, die riskantesten Überzeugungen identifizieren und kostengünstige Validierungsmethoden auswählen muss.

So verwendest du product-discovery skill

product-discovery installieren und Repository-Pfad

Installiere den Skill über den GitHub-Repository-Pfad, den dein Skill Manager verwendet. Ein typischer Installationsbefehl ist:

npx skills add alirezarezvani/claude-skills --skill product-discovery

Der Quellcode liegt unter:

product-team/skills/product-discovery

Lies nach der Installation zuerst SKILL.md, danach references/discovery-frameworks.md und schließlich scripts/assumption_mapper.py, falls du Annahmen aus einer CSV bewerten möchtest. In diesem Skill-Ordner gibt es kein separates README.md und keine metadata.json; die wichtigsten Arbeitsanweisungen sind daher in diesen drei Dateien gebündelt.

Welche Eingaben der Skill braucht

Für eine starke product-discovery usage solltest du dem Agent mehr geben als nur einen Feature-Wunsch. Nimm Folgendes auf:

• Ziel-Outcome: die Kennzahl oder das Verhalten, das du verbessern möchtest
• Nutzersegment: wer das Problem hat und in welchem Kontext
• Aktuelle Evidenz: Interviews, Support-Tickets, Analytics, Sales-Notizen, Churn-Gründe
• Mögliche Opportunity: der Schmerzpunkt, Bedarf oder zu erledigende Job
• Einschränkungen: Zeitrahmen, Teamkapazität, Compliance, Markt, technische Grenzen
• Benötigte Entscheidung: weitermachen, pivotieren, stoppen, Interviews führen, Prototyp bauen oder ein Experiment aufsetzen

Schwacher Prompt:

Help us validate a new onboarding feature.

Stärkerer Prompt:

Use product-discovery to plan discovery for reducing activation drop-off from 42% to 30% in 8 weeks. Segment: self-serve B2B admins setting up their first workspace. Evidence: 12 support tickets mention confusing permissions; analytics show most drop-offs happen before inviting teammates. We are considering an onboarding checklist but are unsure if the real opportunity is permissions clarity, team invitation anxiety, or lack of perceived value. Produce an Opportunity Solution Tree, risky assumptions, and a 1-week validation plan.

Empfohlener Workflow für den ersten Einsatz

Bitte den Skill zunächst, ein messbares Outcome zu definieren und einen Opportunity Solution Tree aufzubauen: Outcome → Opportunities → Lösungsideen → Experimente. Lass ihn anschließend Chancen mit vorhandener Evidenz von internen Meinungen trennen. Danach generierst du Annahmen zu Desirability, Viability, Feasibility und Usability. Zum Schluss überführst du die Annahmen mit dem höchsten Risiko in Interviews, Prototypentests, Fake-Door-Tests, Pricing-Tests oder technische Spikes.

Wenn du bereits Annahmen vorbereitet hast, erstelle eine CSV mit diesen Spalten:

assumption,category,risk,certainty

Verwende Werte von 0 bis 1 für risk und certainty und führe dann aus:

python3 scripts/assumption_mapper.py assumptions.csv

Das Skript priorisiert Annahmen mit hohem Risiko und geringer Sicherheit und schlägt einen passenden Validierungstest-Typ vor.

Praktische Prompt-Muster

Frage nach entscheidungsreifen Ergebnissen, nicht nur nach Frameworks. Gute Anfragen sind zum Beispiel:

• „Create an OST and mark which branches need more evidence.“
• „Turn these interview notes into opportunity themes and confidence levels.“
• „Map assumptions and identify the cheapest test for each top risk.“
• „Design a 1-week discovery sprint with daily evidence reviews.“
• „Define stop, pivot, and proceed criteria before we run tests.“

Der Skill funktioniert besser, wenn du explizite Evidenzlabels erzwingst: beobachtetes Verhalten, direktes Zitat, Kennzahl, interne Meinung oder unbekannt.

product-discovery skill FAQ

Ist product-discovery nur für Product Manager?

Nein. Der product-discovery skill ist auf Product Management ausgerichtet, ist aber auch für Gründer, Designer, Researcher, Growth Teams und technische Leads nützlich, die Produktrisiken reduzieren wollen. Entscheidend ist, dass die nutzende Person Kontext zu Kunden, Geschäftszielen und Einschränkungen liefern kann.

Was ist besser als bei einem normalen Discovery-Prompt?

Ein normaler Prompt erzeugt vielleicht eine Liste von Fragen oder Experimenten. product-discovery gibt dem Agent ein deutlich spezifischeres Arbeitsmodell: messbares Outcome, Opportunity Solution Tree, Annahmekategorien, Risiko-/Sicherheitsbewertung, Problemvalidierung, Lösungsvalidierung und Entscheidungen für Discovery-Sprints. Diese Struktur reduziert Ratespielraum und macht Ergebnisse über mehrere Opportunities hinweg besser vergleichbar.

Ersetzt der Skill User Research?

Nein. Er hilft dabei, Discovery zu planen und zu synthetisieren, ersetzt aber keine Interviews, Verhaltensdaten, Prototypentests oder Marktevidenz. Behandle seine Ergebnisse als Hypothesen und Arbeitspläne. Die Qualität hängt stark davon ab, welche Evidenz du bereitstellst und ob das Team bereit ist, schwache Opportunities zu verwerfen.

Was sollten Einsteiger zuerst lesen?

Beginne mit SKILL.md, um den Workflow zu verstehen, und lies danach references/discovery-frameworks.md für die Framework-Definitionen. Wenn Discovery für dich neu ist, konzentriere dich zuerst auf drei Konzepte: Opportunity Solution Tree, Jobs-to-be-Done-Interview-Framing und die Matrix zur Priorisierung von Annahmen. Nutze das Python-Skript erst, wenn du verstanden hast, was jede Annahme bedeutet.

So verbesserst du product-discovery skill

product-discovery mit besserer Evidenz verbessern

Der schnellste Weg, die Ergebnisse von product-discovery zu verbessern, ist Rohmaterial statt glattgezogener Schlussfolgerungen bereitzustellen. Füge Interviewauszüge, Verhaltensmetriken, Support-Tickets, Gründe für verlorene Deals, Nutzungs-Funnels oder Beobachtungen aus Prototypentests hinzu. Bitte den Agent, zwischen „Evidenz“ und „Interpretation“ zu unterscheiden, damit dein Team nicht versehentlich eine interne Präferenz validiert.

Häufige Fehler vermeiden

Typische schwache Ergebnisse sind lösungsgetriebene Trees, vage Annahmen, zu große Experimente und Interviewpläne mit suggestiven Fragen. Steuere dagegen, indem du Folgendes einforderst:

• Opportunities vor Lösungen
• Annahmen als testbare Aussagen
• kleinstes glaubwürdiges Experiment
• Erfolgs- und Misserfolgsschwellen
• welche Entscheidung sich nach dem Test ändern wird

Ersetze zum Beispiel „users want better onboarding“ durch „new workspace admins fail to invite teammates because they do not understand permission consequences.“

Nach dem ersten Ergebnis iterieren

Behandle das erste Ergebnis nicht als final. Bitte den Skill, seinen eigenen Discovery-Plan nach Kosten, Geschwindigkeit, Evidenzqualität und Entscheidungswirkung zu prüfen. Fordere ihn anschließend auf, Experimente zu entfernen, die keine echte Entscheidung verändern. Ein nützlicher Prompt für die zweite Runde ist:

Review this discovery plan. Identify assumptions that are too vague, experiments that are too expensive, and places where we are testing preference instead of behavior. Revise into a 5-day plan with clear proceed, pivot, and stop criteria.

Den Skill an dein Team anpassen

Für eine bessere langfristige Nutzung solltest du teamspezifische Beispiele ergänzen: eure Produktmetriken, Kundensegmente, Research-Templates, Experimentstandards und Entscheidungsschwellen. Wenn eure Organisation strenge Compliance-Anforderungen, Enterprise-Sales-Zyklen, Marketplace-Dynamiken oder Hardware-Einschränkungen hat, nimm diese in Prompts auf. product-discovery ist am stärksten, wenn seine allgemeinen Frameworks in eurer tatsächlichen Arbeitsumgebung verankert sind.