user-segmentation
作者 phurynuser-segmentation 可將回饋、訪談、客服單、問卷與使用紀錄，轉化為依行為區分的清楚使用者分群。它專為 Data Analysis 設計，會根據 jobs-to-be-done、動機與未被滿足的需求來辨識至少 3 個可採取行動的群組，而不只看人口統計。
這個技能評分 68/100，代表它很值得提供給需要現成使用者分群流程的使用者，但就安裝決策來說，還不是一個非常成熟精緻的選項。儲存庫顯示這是一個真實、非空白的技能，具備明確觸發條件、結構化分析步驟，以及足以降低猜測成本的內容，優於一般泛用提示詞；不過它缺少配套檔案與部分執行支援。
- 觸發條件與使用情境明確：可從回饋、訪談、問卷或使用紀錄分群，且明確要求至少產出 3 個分群。
- 操作流程寫得很完整，從資料整理到驗證與人物特徵化，都有逐步分析步驟。
- 技能內容量充足，沒有任何佔位符標記，並包含多個標題，顯示這是有實質內容的完整指引，而不是簡略骨架。
- 沒有安裝指令、腳本、參考資料或支援資產，因此代理只能依賴 `SKILL.md`。
- 節錄的說明似乎在句中截斷，可能代表文件不完整，並降低執行信心。
user-segmentation 技能總覽
user-segmentation 技能能做什麼
user-segmentation 技能可以把原始使用者回饋轉換成依行為、待完成工作（jobs-to-be-done）與未被滿足需求劃分出的不同受眾群組。它是為 Data Analysis 工作流程設計的，目標不只是整理評論，而是找出可採取行動的分群，供產品、行銷或研究決策使用。
哪些人應該安裝
如果你手上有訪談、客服工單、問卷回覆、產品使用筆記，或是混合型質化資料，而且你需要比一般提示詞更清楚的結構，那就適合使用這個 user-segmentation 技能。當你希望至少產出三個有意義的分群，並且需要模型說明這些群組為什麼彼此不同時，它尤其有用。
這個技能有什麼不同
這個技能是針對行為分群做優化，而不是以人口統計為起點來寫 persona。它會把分析重心推向動機、使用情境、痛點與結果等模式，而這通常正是讓有用的分群避免變得太空泛或太顯而易見的關鍵。
如何使用 user-segmentation 技能
安裝並找到工作流程
先執行適用於你技能設定的 user-segmentation 安裝指令，然後先開啟 pm-market-research/skills/user-segmentation/SKILL.md。這個 repo 沒有額外的 helper scripts 或補充參考資料夾，所以重點是仔細讀懂技能說明，並依你的資料來源做調整。
提供正確的輸入
這個技能最適合輸入具體的使用者證據，而不是一個籠統主題。好的輸入例如：
- 某個產品區塊的訪談筆記
- 有時間戳或主題分類的客服工單
- 問卷原話搭配基本受訪者背景
- 使用紀錄搭配質化回饋
不好的輸入則像是「幫我們分群使用者」，卻沒有任何來源資料。用在 user-segmentation 時，請一併提供資料類型、時間範圍、產品區塊，以及這些分群要支援哪個決策。
把模糊目標改寫成可用的提示詞
更好的提示詞會讓輸出更能直接採用。例如：「把這 120 筆客服工單分成至少 3 個以行為為基礎的群組，說明每群背後的 JTBD，並標出哪一群最有流失風險。」這比要求產出「customer personas」更有用，因為它給了技能明確目標、範圍與驗證標準。
以可行動性來讀輸出
最好的 user-segmentation 指南輸出，應該能給你彼此一致、相互有差異，而且和產品決策連得上的分群。請檢查每個群組是否具備：
- 清楚的行為模式
- 明確不同的需求或工作目標
- 來自原始資料的代表性證據
- 對策略或後續行動有實際意義
user-segmentation 技能 FAQ
user-segmentation 只是另一種提示詞嗎？
不是。一般提示詞可以摘要回饋，但 user-segmentation 技能的結構是為了抽取模式、聚類使用者，並驗證這些群組是否夠分明、可實際使用。當你需要的不只是表層主題清單時，這一點就很重要。
哪種資料最適合？
這個技能最適合質化或混合型的使用者證據：訪談、工單、評論、問卷與使用筆記。當你有 log 或事件模式時，它也能支援用於 Data Analysis 的 user-segmentation；但如果行為能和明確需求一起呈現，效果通常最好。
對初學者友善嗎？
可以，只要你能提供來源資料和清楚目標就行。使用前不一定要先建立完整的研究框架，但你至少需要足夠的上下文，讓模型能依行為與需求分群，而不是靠猜測。
什麼情況下不該使用？
如果你只需要簡單摘要、廣泛的市場概覽，或是人口統計輪廓，就不要用這個技能。當資料太薄，無法支撐至少三個站得住腳的分群時，它也不適合。
如何改進 user-segmentation 技能
先改善輸入，再改提示詞
user-segmentation 的品質，多半取決於你餵進去的證據。請納入重度使用者、輕度使用者、受挫使用者，以及不同使用情境的例子，讓模型看見有意義的變異。如果所有輸入都來自同一個管道或同一種 persona，分群通常只會退化成主題整理，而不是真正的群組。
要求驗證，不只是名稱
常見的失敗模式，是只拿到分群名稱，卻沒有足夠支撐。請要求說明每個群組為什麼會存在、哪些證據把它和其他群組區分開來，以及什麼情況會推翻這個分群。這會讓輸出更適合用於 user-segmentation 安裝決策，也更適合後續分析。
透過更明確的限制反覆迭代
如果第一輪結果太寬泛，就用產品區塊、客戶階段或成果來縮小分析範圍。如果結果太碎，就要求更少的分群，但要有更強的差異化。對於 user-segmentation 的使用情境來說，迭代最有效的方式，是保留原始證據，只把決策規則收緊。
把分群轉成下一步行動
當你要求後續輸出，例如哪個群組價值最高、哪個最有風險、哪些產品改動對各群組最有影響時，這個技能的價值會更高。這會把 user-segmentation 從描述性分析，轉成 roadmap、訊息溝通或研究規劃的輸入。