product-discovery

Visão geral do product-discovery skill

O que o product-discovery faz

O product-discovery skill ajuda um agente de IA a conduzir uma descoberta de produto estruturada antes que a equipe comprometa tempo de engenharia. Ele foi criado para validar oportunidades, mapear premissas arriscadas, planejar sprints de discovery e decidir se vale seguir, pivotar ou parar. Em vez de pedir “ideias de produto”, o skill direciona o trabalho para evidências: resultados, oportunidades, premissas, experimentos e decisões de aprendizado.

Melhor uso em Gestão de Produto

Use product-discovery em Gestão de Produto quando precisar de um fluxo repetível de discovery para problemas de cliente ainda pouco claros, apostas em novas funcionalidades, experimentos voltados ao mercado ou conceitos iniciais de solução. Ele é especialmente útil para product managers, founders, product designers, pesquisadores de UX e squads multifuncionais que querem que um assistente de IA estruture artefatos de discovery, em vez de gerar um roadmap genérico.

O que diferencia este skill

O skill se apoia em frameworks práticos de discovery: Opportunity Solution Trees, mapeamento de premissas, Jobs-to-be-Done, Kano, pensamento de design sprint e planejamento de experimentos. Seu principal diferencial é o scripts/assumption_mapper.py incluído, que consegue priorizar premissas a partir de um CSV usando notas de risco e certeza, além de sugerir testes de validação adequados por categoria de premissa.

Quando ele não é a ferramenta certa

Não instale este skill se sua principal necessidade for planejamento de delivery, refinamento de backlog de sprint, formatação de PRD, copy de growth ou instrumentação de analytics. O product-discovery gera mais valor antes do delivery, quando a equipe ainda precisa esclarecer o problema do usuário, identificar as crenças mais arriscadas e escolher métodos de validação de baixo custo.

Como usar o product-discovery skill

Instalação do product-discovery e caminho do repositório

Instale o skill a partir do caminho do repositório GitHub usado pelo seu gerenciador de skills. Um comando típico de instalação é:

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

O código-fonte fica em:

product-team/skills/product-discovery

Após a instalação, leia primeiro SKILL.md, depois references/discovery-frameworks.md e, por fim, scripts/assumption_mapper.py se você pretende pontuar premissas a partir de um CSV. O repositório não tem um README.md separado nem um metadata.json nesta pasta do skill, então as principais instruções de operação estão concentradas nesses três arquivos.

Entradas de que o skill precisa

Para um bom product-discovery usage, dê ao agente mais do que uma solicitação de funcionalidade. Inclua:

• Resultado-alvo: a métrica ou o comportamento que você quer melhorar
• Segmento de usuários: quem tem o problema e em qual contexto
• Evidências atuais: entrevistas, tickets de suporte, analytics, notas de vendas, motivos de churn
• Oportunidade candidata: a dor, necessidade ou job to be done
• Restrições: prazo, capacidade do time, compliance, mercado, limites técnicos
• Decisão necessária: seguir, pivotar, parar, fazer entrevistas, prototipar ou desenhar um experimento

Prompt fraco:

Help us validate a new onboarding feature.

Prompt mais forte:

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.

Fluxo sugerido para o primeiro uso

Comece pedindo ao skill que defina um resultado mensurável e construa uma Opportunity Solution Tree: resultado → oportunidades → ideias de solução → experimentos. Em seguida, peça para separar oportunidades sustentadas por evidências de opiniões internas. Depois, gere premissas de desejabilidade, viabilidade de negócio, viabilidade técnica e usabilidade. Por fim, converta as premissas de maior risco em entrevistas, testes de protótipo, fake-door tests, testes de preço ou technical spikes.

Se você já tiver premissas prontas, crie um CSV com estas colunas:

assumption,category,risk,certainty

Use valores de 0 a 1 para risk e certainty, depois execute:

python3 scripts/assumption_mapper.py assumptions.csv

O script prioriza premissas de alto risco e baixa certeza, além de sugerir um tipo de teste de validação.

Padrões práticos de prompt

Peça saídas prontas para decisão, não apenas frameworks. Bons pedidos incluem:

• “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.”

O skill funciona melhor quando você força rótulos explícitos de evidência: comportamento observado, citação direta, métrica, opinião interna ou desconhecido.

FAQ do product-discovery skill

O product-discovery é só para product managers?

Não. O product-discovery skill é estruturado para Gestão de Produto, mas também é útil para founders, designers, pesquisadores, times de growth e tech leads envolvidos em reduzir o risco de apostas de produto. O requisito principal é que a pessoa consiga fornecer contexto sobre clientes, objetivos de negócio e restrições.

Por que ele é melhor do que um prompt comum de discovery?

Um prompt comum pode gerar uma lista de perguntas ou experimentos. O product-discovery dá ao agente um modelo operacional mais específico: resultado mensurável, Opportunity Solution Tree, categorias de premissas, pontuação de risco/certeza, validação de problema, validação de solução e decisões de sprint de discovery. Essa estrutura reduz suposições soltas e facilita a comparação dos resultados entre diferentes oportunidades.

Ele substitui pesquisa com usuários?

Não. Ele ajuda a planejar e sintetizar discovery, mas não substitui entrevistas, dados comportamentais, testes de protótipo ou evidências de mercado. Trate suas saídas como hipóteses e planos de operação. A qualidade do resultado depende muito das evidências que você fornece e da disposição do time para rejeitar oportunidades fracas.

O que iniciantes devem ler primeiro?

Comece por SKILL.md para entender o fluxo de trabalho; depois leia references/discovery-frameworks.md para ver as definições dos frameworks. Se você está começando em discovery, concentre-se primeiro em três conceitos: Opportunity Solution Tree, enquadramento de entrevistas com Jobs-to-be-Done e matriz de priorização de premissas. Use o script Python apenas depois de entender o que cada premissa significa.

Como melhorar o product-discovery skill

Melhore os resultados do product-discovery com evidências melhores

A forma mais rápida de melhorar a saída do product-discovery é fornecer evidências brutas, não conclusões polidas. Inclua trechos de entrevistas, métricas comportamentais, tickets de suporte, motivos de deals perdidos, funis de uso ou observações de protótipos. Peça ao agente para diferenciar “evidência” de “interpretação”, para que sua equipe não acabe validando sem querer uma preferência interna.

Evite modos comuns de falha

Saídas fracas costumam incluir árvores que começam pela solução, premissas vagas, experimentos grandes demais e planos de entrevista com perguntas enviesadas. Para evitar isso, peça explicitamente:

• Oportunidades antes de soluções
• Premissas formuladas como afirmações testáveis
• O menor experimento crível
• Critérios de sucesso e fracasso
• Qual decisão mudará depois do teste

Por exemplo, substitua “usuários querem um onboarding melhor” por “new workspace admins fail to invite teammates because they do not understand permission consequences.”

Itere depois da primeira saída

Não trate o primeiro resultado como definitivo. Peça ao skill para criticar o próprio plano de discovery considerando custo, velocidade, qualidade da evidência e impacto na decisão. Depois, peça para remover experimentos que não mudariam uma decisão real. Um bom prompt de segunda rodada é:

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.

Personalize o skill para o seu time

Para um uso melhor no longo prazo, adicione exemplos específicos do seu time: métricas do produto, segmentos de clientes, templates de pesquisa, padrões de experimento e limites de decisão. Se sua organização tem compliance rígido, ciclos de vendas enterprise, dinâmicas de marketplace ou restrições de hardware, inclua isso nos prompts. O product-discovery é mais forte quando seus frameworks gerais são conectados ao ambiente operacional real da sua equipe.