product-discovery

product-discovery skill 개요

product-discovery가 하는 일

product-discovery skill은 팀이 엔지니어링 시간을 본격적으로 투입하기 전에 AI agent가 체계적인 제품 발견(product discovery)을 진행하도록 돕습니다. 기회를 검증하고, 위험한 가정을 정리하고, discovery sprint를 계획하며, 진행할지·전환할지·중단할지를 판단하는 데 맞춰져 있습니다. 단순히 “제품 아이디어”를 요청하는 대신, 결과(outcomes), 기회(opportunities), 가정(assumptions), 실험(experiments), 학습 기반 의사결정처럼 증거 중심의 작업으로 흐름을 이끕니다.

Product Management 업무에 가장 잘 맞는 경우

불명확한 고객 문제, 신규 기능 베팅, 시장 반응을 봐야 하는 실험, 초기 솔루션 콘셉트를 두고 반복 가능한 discovery workflow가 필요할 때 Product Management 업무에서 product-discovery를 사용하면 좋습니다. 일반적인 로드맵을 생성하는 AI assistant가 아니라, discovery 산출물을 구조화해 줄 도구가 필요한 product manager, founder, product designer, UX researcher, cross-functional squad에게 특히 유용합니다.

이 skill의 차별점

이 skill은 Opportunity Solution Tree, assumption mapping, Jobs-to-be-Done, Kano, design sprint 사고방식, experiment planning 같은 실무형 discovery framework를 중심으로 구성되어 있습니다. 가장 큰 차별점은 포함된 scripts/assumption_mapper.py입니다. 이 스크립트는 CSV의 가정을 risk와 certainty 점수로 우선순위화하고, 가정 category에 맞는 검증 테스트 유형을 제안할 수 있습니다.

적합하지 않은 경우

주로 delivery planning, sprint backlog grooming, PRD formatting, growth copy, analytics instrumentation이 필요하다면 이 skill을 설치하지 않는 편이 좋습니다. product-discovery는 delivery 이전 단계, 즉 팀이 아직 사용자 문제를 명확히 하고, 가장 위험한 믿음을 식별하며, 비용이 낮은 검증 방법을 선택해야 할 때 가장 큰 가치를 냅니다.

product-discovery skill 사용 방법

product-discovery 설치와 repository 경로

사용 중인 skill manager가 사용하는 GitHub repository path에서 skill을 설치하세요. 일반적인 설치 명령은 다음과 같습니다.

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

소스는 다음 위치에 있습니다.

product-team/skills/product-discovery

설치 후에는 먼저 SKILL.md를 읽고, 그다음 references/discovery-frameworks.md를 확인하세요. CSV로 가정 점수를 매길 계획이라면 마지막으로 scripts/assumption_mapper.py를 읽으면 됩니다. 이 skill 폴더에는 별도의 README.md나 metadata.json이 없으므로, 핵심 사용 지침은 이 세 파일에 집중되어 있습니다.

skill에 제공해야 할 입력

좋은 product-discovery usage를 위해서는 단순한 기능 요청보다 더 많은 맥락을 agent에 제공해야 합니다. 다음을 포함하세요.

• Target outcome: 개선하려는 지표나 행동
• User segment: 누가, 어떤 맥락에서 문제를 겪는지
• Current evidence: 인터뷰, support tickets, analytics, sales notes, churn reasons
• Candidate opportunity: 해결할 pain, need, job to be done
• Constraints: 일정, 팀 역량, compliance, 시장, 기술적 제약
• Decision needed: proceed, pivot, stop, run interviews, prototype, design an experiment 중 무엇을 결정해야 하는지

약한 prompt:

Help us validate a new onboarding feature.

더 나은 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.

첫 사용에 권장되는 workflow

먼저 skill에 측정 가능한 outcome 하나를 정의하고 Opportunity Solution Tree를 만들도록 요청하세요: outcome → opportunities → solution ideas → experiments. 그런 다음 evidence-backed opportunities와 internal opinions를 분리해 달라고 요청합니다. 이어서 desirability, viability, feasibility, usability assumptions를 생성합니다. 마지막으로 가장 위험한 가정을 interviews, prototype tests, fake-door tests, pricing tests, technical spikes로 전환하세요.

이미 준비된 assumptions가 있다면 다음 column을 포함한 CSV를 만드세요.

assumption,category,risk,certainty

risk와 certainty에는 0부터 1까지의 값을 사용한 뒤, 다음을 실행합니다.

python3 scripts/assumption_mapper.py assumptions.csv

이 스크립트는 risk가 높고 certainty가 낮은 assumptions를 우선순위화하고, validation test type을 제안합니다.

실무에 유용한 prompt 패턴

framework만 요청하지 말고, 의사결정에 바로 쓸 수 있는 산출물을 요청하세요. 좋은 요청 예시는 다음과 같습니다.

• “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.”

명시적인 evidence label을 강제하면 skill의 성능이 좋아집니다: observed behavior, direct quote, metric, internal opinion, unknown처럼 구분하도록 요청하세요.

product-discovery skill FAQ

product-discovery는 product manager만을 위한 도구인가요?

아닙니다. product-discovery skill은 Product Management에 맞춰 설명되어 있지만, 제품 베팅의 위험을 낮추는 일에 참여하는 founder, designer, researcher, growth team, technical lead에게도 유용합니다. 핵심 조건은 고객, 비즈니스 목표, 제약에 대한 맥락을 제공할 수 있어야 한다는 점입니다.

일반적인 discovery prompt보다 무엇이 나은가요?

일반 prompt는 질문 목록이나 실험 목록을 만들어 줄 수 있습니다. 반면 product-discovery는 agent에 더 구체적인 운영 모델을 제공합니다: measurable outcome, Opportunity Solution Tree, assumption categories, risk/certainty scoring, problem validation, solution validation, discovery sprint decisions. 이 구조 덕분에 추측이 줄고, 여러 opportunity를 비교하기가 쉬워집니다.

사용자 조사를 대체하나요?

아닙니다. discovery를 계획하고 종합하는 데 도움을 주지만, interviews, behavioral data, prototype testing, market evidence를 대체할 수는 없습니다. 결과물은 hypotheses와 operating plans로 다루세요. 최종 품질은 제공하는 evidence의 수준과, 약한 opportunity를 기꺼이 버릴 수 있는 팀의 태도에 크게 좌우됩니다.

처음에는 무엇을 읽어야 하나요?

workflow를 이해하려면 먼저 SKILL.md부터 읽고, framework 정의는 references/discovery-frameworks.md에서 확인하세요. discovery가 익숙하지 않다면 우선 세 가지 개념에 집중하세요: Opportunity Solution Tree, Jobs-to-be-Done interview framing, assumption prioritization matrix. Python script는 각 assumption이 무엇을 의미하는지 이해한 뒤에 사용하는 것이 좋습니다.

product-discovery skill 개선 방법

더 나은 evidence로 product-discovery 결과 개선하기

product-discovery output을 가장 빠르게 개선하는 방법은 정제된 결론이 아니라 raw evidence를 제공하는 것입니다. interview excerpts, behavioral metrics, support tickets, lost-deal reasons, usage funnels, prototype observations를 포함하세요. 팀이 내부 선호를 검증한 것으로 착각하지 않도록, agent에 “evidence”와 “interpretation”을 구분해 달라고 요청하세요.

흔한 실패 패턴 피하기

흔히 나쁜 결과물은 solution-first trees, vague assumptions, oversized experiments, leading questions를 포함한 interview plans 형태로 나타납니다. 이를 막으려면 다음을 명시적으로 요청하세요.

• solutions보다 opportunities 먼저
• testable claims 형태로 작성한 assumptions
• smallest credible experiment
• success and failure thresholds
• test 이후 어떤 decision이 바뀌는지

예를 들어 “users want better onboarding” 대신 “new workspace admins fail to invite teammates because they do not understand permission consequences.”처럼 바꾸세요.

첫 결과 이후 반복 개선하기

첫 결과를 최종안으로 보지 마세요. skill에 discovery plan을 cost, speed, evidence quality, decision impact 기준으로 스스로 비판해 보라고 요청하세요. 그런 다음 실제 decision을 바꾸지 못하는 experiments를 제거해 달라고 요청합니다. 유용한 second-pass prompt는 다음과 같습니다.

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.

팀에 맞게 skill 커스터마이즈하기

장기적으로 더 잘 활용하려면 팀별 예시를 추가하세요: product metrics, customer segments, research templates, experiment standards, decision thresholds 등이 포함될 수 있습니다. 조직에 엄격한 compliance, enterprise sales cycles, marketplace dynamics, hardware constraints가 있다면 prompt에 함께 넣으세요. product-discovery는 일반 framework가 실제 운영 환경에 단단히 연결될 때 가장 강력합니다.