product-discovery

Descripción general de product-discovery skill

Qué hace product-discovery

La skill product-discovery ayuda a un agente de IA a ejecutar un proceso estructurado de descubrimiento de producto antes de que un equipo comprometa tiempo de ingeniería. Está pensada para validar oportunidades, mapear supuestos riesgosos, planificar sprints de discovery y decidir si conviene avanzar, pivotar o detenerse. En lugar de pedir “ideas de producto”, la skill orienta el trabajo hacia la evidencia: resultados esperados, oportunidades, supuestos, experimentos y decisiones basadas en aprendizaje.

Cuándo encaja mejor en el trabajo de Product Management

Usa product-discovery para Product Management cuando necesites un flujo repetible de discovery alrededor de problemas de cliente poco claros, apuestas de nuevas funcionalidades, experimentos de cara al mercado o conceptos de solución en etapa temprana. Es especialmente útil para product managers, founders, product designers, UX researchers y equipos multidisciplinarios que quieren que un asistente de IA estructure artefactos de discovery, no que genere un roadmap genérico.

Qué diferencia a esta skill

La skill se centra en frameworks prácticos de discovery: Opportunity Solution Trees, mapeo de supuestos, Jobs-to-be-Done, Kano, pensamiento de design sprint y planificación de experimentos. Su diferenciador más fuerte es el archivo incluido scripts/assumption_mapper.py, que puede priorizar supuestos desde un CSV usando puntuaciones de riesgo y certeza, además de sugerir pruebas de validación adecuadas según la categoría del supuesto.

Cuándo no es la herramienta adecuada

No instales esta skill si lo que necesitas principalmente es planificación de delivery, refinamiento de backlog de sprint, formato de PRD, copy de growth o instrumentación de analytics. product-discovery aporta más valor antes del delivery, cuando el equipo todavía necesita aclarar el problema del usuario, identificar las creencias más riesgosas y elegir métodos de validación de bajo costo.

Cómo usar product-discovery skill

Instalación de product-discovery y ruta del repositorio

Instala la skill desde la ruta del repositorio de GitHub que use tu gestor de skills. Un comando de instalación típico es:

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

El código fuente está en:

product-team/skills/product-discovery

Después de instalarla, lee primero SKILL.md, luego references/discovery-frameworks.md y, por último, scripts/assumption_mapper.py si planeas puntuar supuestos desde un CSV. El repositorio no tiene un README.md ni un metadata.json separados dentro de esta carpeta de la skill, por lo que las instrucciones principales de uso están concentradas en esos tres archivos.

Inputs que necesita la skill

Para un buen product-discovery usage, dale al agente más que una solicitud de funcionalidad. Incluye:

• Resultado objetivo: la métrica o el comportamiento que quieres mejorar
• Segmento de usuarios: quién tiene el problema y en qué contexto
• Evidencia actual: entrevistas, tickets de soporte, analytics, notas de ventas, razones de churn
• Oportunidad candidata: el dolor, la necesidad o el job to be done
• Restricciones: plazo, capacidad del equipo, compliance, mercado, límites técnicos
• Decisión necesaria: avanzar, pivotar, detenerse, hacer entrevistas, prototipar o diseñar un experimento

Prompt débil:

Help us validate a new onboarding feature.

Prompt más sólido:

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.

Flujo recomendado para el primer uso

Empieza pidiéndole a la skill que defina un resultado medible y construya un Opportunity Solution Tree: resultado → oportunidades → ideas de solución → experimentos. Luego pídele que separe las oportunidades respaldadas por evidencia de las opiniones internas. Después, genera supuestos de deseabilidad, viabilidad, factibilidad y usabilidad. Por último, convierte los supuestos de mayor riesgo en entrevistas, pruebas con prototipos, fake-door tests, pruebas de precio o technical spikes.

Si ya tienes supuestos preparados, crea un CSV con estas columnas:

assumption,category,risk,certainty

Usa valores de 0 a 1 para risk y certainty, y luego ejecuta:

python3 scripts/assumption_mapper.py assumptions.csv

El script prioriza los supuestos de alto riesgo y baja certeza, y sugiere un tipo de prueba de validación.

Patrones de prompts útiles

Pide entregables listos para tomar decisiones, no solo frameworks. Algunas buenas solicitudes son:

• “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.”

La skill funciona mejor cuando obligas a etiquetar la evidencia de forma explícita: comportamiento observado, cita directa, métrica, opinión interna o desconocido.

Preguntas frecuentes sobre product-discovery skill

¿product-discovery es solo para product managers?

No. La product-discovery skill está planteada para Product Management, pero también es útil para founders, designers, researchers, equipos de growth y technical leads que participan en reducir el riesgo de apuestas de producto. El requisito clave es que la persona usuaria pueda aportar contexto sobre clientes, objetivos de negocio y restricciones.

¿En qué es mejor que un prompt normal de discovery?

Un prompt normal puede producir una lista de preguntas o experimentos. product-discovery le da al agente un modelo operativo más específico: resultado medible, Opportunity Solution Tree, categorías de supuestos, puntuación de riesgo/certeza, validación del problema, validación de la solución y decisiones de sprint de discovery. Esa estructura reduce la improvisación y hace que los resultados sean más fáciles de comparar entre oportunidades.

¿Reemplaza la investigación con usuarios?

No. Ayuda a planificar y sintetizar discovery, pero no puede reemplazar entrevistas, datos de comportamiento, pruebas con prototipos ni evidencia de mercado. Trata sus resultados como hipótesis y planes operativos. La calidad del resultado depende mucho de la evidencia que aportes y de la disposición del equipo a descartar oportunidades débiles.

¿Qué deberían leer primero las personas principiantes?

Empieza con SKILL.md para entender el flujo de trabajo y luego lee references/discovery-frameworks.md para ver las definiciones de los frameworks. Si eres nuevo en discovery, concéntrate primero en tres conceptos: Opportunity Solution Tree, encuadre de entrevistas Jobs-to-be-Done y matriz de priorización de supuestos. Usa el script de Python solo después de entender qué significa cada supuesto.

Cómo mejorar product-discovery skill

Mejora los resultados de product-discovery con mejor evidencia

La forma más rápida de mejorar el output de product-discovery es aportar evidencia en bruto, no conclusiones pulidas. Incluye extractos de entrevistas, métricas de comportamiento, tickets de soporte, razones de oportunidades perdidas, funnels de uso u observaciones de prototipos. Pídele al agente que distinga “evidencia” de “interpretación” para que tu equipo no termine validando por accidente una preferencia interna.

Evita errores frecuentes

Entre los outputs débiles más comunes están los árboles que empiezan por la solución, supuestos vagos, experimentos demasiado grandes y planes de entrevistas con preguntas sesgadas. Contrarréstalos pidiendo:

• Oportunidades antes que soluciones
• Supuestos formulados como afirmaciones comprobables
• El experimento creíble más pequeño
• Umbrales de éxito y fracaso
• Qué decisión cambiará después de la prueba

Por ejemplo, reemplaza “users want better onboarding” por “new workspace admins fail to invite teammates because they do not understand permission consequences.”

Itera después del primer resultado

No trates el primer resultado como definitivo. Pídele a la skill que critique su propio plan de discovery según costo, velocidad, calidad de la evidencia e impacto en la decisión. Luego pídele que elimine los experimentos que no cambian una decisión real. Un prompt útil para una segunda pasada es:

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.

Personaliza la skill para tu equipo

Para un mejor uso a largo plazo, agrega ejemplos específicos de tu equipo: métricas de producto, segmentos de clientes, plantillas de investigación, estándares de experimentación y umbrales de decisión. Si tu organización tiene requisitos estrictos de compliance, ciclos de venta enterprise, dinámicas de marketplace o restricciones de hardware, inclúyelos en los prompts. product-discovery es más potente cuando sus frameworks generales se conectan con tu entorno operativo real.