user-segmentation
作者 phurynuser-segmentation 可将反馈、访谈、工单、问卷和使用日志转化为基于行为的清晰用户细分。它面向 Data Analysis，重点不只是人口统计，而是通过 jobs-to-be-done、动机和未被满足的需求，识别至少 3 个可落地的用户群组。
该技能评分为 68/100，说明它值得为需要现成用户细分工作流的用户收录，但还算不上特别成熟的安装决策项。仓库展示的是一个真实、非占位符的技能，包含明确触发条件、结构化分析步骤，以及足以减少猜测的内容，相比通用提示更有指导性；不过它缺少配套文件和部分执行支持。
- 触发场景和用途都很明确：可从反馈、访谈、问卷或使用日志中细分用户，并明确要求至少输出 3 个细分群组。
- 操作流程写得很清楚，从数据准备到验证与画像，按步骤展开分析。
- 技能正文较完整，没有占位符标记，且包含多个标题，说明这不是空壳，而是有实质内容的指导。
- 没有安装命令、脚本、参考资料或配套资源，因此需要直接依赖 `SKILL.md`。
- 摘录的说明似乎在句中截断，这可能意味着文档不完整，并会降低执行确定性。
user-segmentation 技能概览
user-segmentation 技能能做什么
user-segmentation 技能可以帮助你把原始用户反馈按行为、待完成任务（jobs-to-be-done）和未被满足的需求，整理成清晰的受众分组。它面向 Data Analysis 工作流，目标不只是总结评论，而是找出可执行的细分人群，供产品、营销或研究决策直接使用。
适合谁安装
如果你手头有访谈、客服工单、问卷回复、产品使用记录，或混合型定性数据，并且你需要比普通 prompt 更清晰的结构，就适合安装这个 user-segmentation 技能。尤其当你希望至少得到三个有意义的细分群体，并且还需要模型说明这些群体为什么彼此不同的时候，它会特别有用。
它的不同之处
这个技能优化的是基于行为的聚类，而不是先写人口统计学画像。它会把分析重点推向动机、使用方式、痛点和结果模式——通常也正是这些因素，决定了细分结果会不会变得过于空泛，或者只是显而易见的分类。
如何使用 user-segmentation 技能
安装并找到工作流
先运行适用于你技能环境的 user-segmentation 安装命令，然后优先打开 pm-market-research/skills/user-segmentation/SKILL.md。这个 repo 里没有辅助脚本，也没有额外的参考文件夹，所以真正的价值就在于仔细读懂技能说明，并把它适配到你自己的数据源上。
提供合适的输入
这个技能最适合的输入，是有实际用户证据的材料，而不是一个宽泛主题。比较强的输入包括：
- 某个产品领域的访谈笔记
- 带时间戳或主题归类的客服工单
- 问卷原话外加基础受访者背景
- 使用日志配合定性反馈
比较弱的输入则是“帮我们给用户分群”，但没有任何源材料。对于 user-segmentation 的使用，最好同时给出数据类型、时间范围、产品领域，以及这些细分结果要支持什么决策。
把模糊目标改成可用 prompt
更好的 prompt 会让输出更可执行。例如：“把这 120 条客服工单按行为至少分成 3 组，解释每组背后的 JTBD，并指出哪个群体的流失风险最高。”这比直接要求“做客户画像”更强，因为它给了技能明确目标、范围和验证标准。
读取输出时重点看可执行性
一份好的 user-segmentation 结果，应当给出彼此连贯、相互有区分度、并且能直接对应产品决策的细分群体。检查每个细分是否都有：
- 清晰的行为模式
- 明确的需求或任务
- 来自源数据的代表性证据
- 对策略或后续动作有实际意义的启示
user-segmentation 技能常见问题
user-segmentation 只是另一种 prompt 吗？
不是。普通 prompt 可以总结反馈，但 user-segmentation 技能的结构是用来抽取模式、聚类用户，并验证这些群体是否足够可分、可用。这一点很重要，尤其当你需要的不只是表层主题列表时。
什么样的数据最适合？
最适合的是定性或混合型的用户证据：访谈、工单、评价、问卷和使用笔记。如果你有日志或事件模式，它也可以支持面向 Data Analysis 的 user-segmentation，但当行为数据还能结合用户自述需求时，效果最好。
适合新手吗？
适合，只要你能提供源材料和明确目标。使用前不需要先搭好完整的研究框架，但你至少要提供足够上下文，让模型按行为和需求来分群，而不是靠猜。
什么时候不该用它？
如果你只需要一份简单摘要、一个宽泛市场概览，或者人口统计画像，就不要用这个技能。若数据太薄，连至少三个站得住脚的细分群体都撑不起来，它也不是好选择。
如何改进 user-segmentation 技能
先改输入，再改 prompt
user-segmentation 的质量，大部分取决于你喂给它的证据。请加入重度用户、轻度用户、受挫用户，以及不同使用场景的样本，这样模型才能看到真正有意义的差异。如果输入全部来自同一个渠道或同一种 persona，最后的结果通常会塌缩成几个主题，而不是真正的群体。
要求验证，不要只要标签
常见失败模式是只拿到细分名称，却缺少支撑。你应该要求模型说明每个群体为什么存在、什么证据把它和其他群体区分开、以及什么情况会推翻这个判断。这样输出对 user-segmentation 安装决策，以及后续分析都会更有用。
用更明确的约束反复迭代
如果第一轮结果太宽泛，就按产品领域、客户阶段或结果目标收窄分析。如果结果太碎，就要求更少的细分群体，但要有更强的区分度。对于 user-segmentation 的使用，迭代最好在保留原始证据的基础上，只收紧决策规则。
把细分结果转成下一步动作
当你继续要求输出后续行动时，这个技能会更有价值：哪个群体价值最高、哪个最有风险、以及哪些产品改动对每个群体最关键。这样，user-segmentation 就不只是描述性分析，而会变成路线图、信息传达或研究规划的输入。