好问题六维观察表

一句话定位

产品经理最重要的能力不是给答案，而是提好问题。六个维度帮你发现别人看不到的好问题。

何时触发

• 需要定义研究问题或产品方向
• 觉得当前的问题定义太浅或太狭窄
• 需要从多个角度理解用户或市场
• 团队对"要解决什么"有争论

输入

一个领域、场景或问题线索。

示例输入：

领域: 企业协作软件
当前问题: "如何提升团队协作效率"

输出

六个维度的问题集 + 最佳问题推荐 + 研究方向建议。

六个维度

维度 1: 用户维度（用户在做什么，想什么，痛什么）

观察角度：

• 目标用户是谁？他们的日常是什么样的？
• 他们在这个领域里已经在做什么？
• 他们最痛的是什么？最想要的是什么？

示例问题：

"目标用户在协作中花费时间最多的三件事是什么？"
"他们是怎么解决这些问题的？这些解决方案的代价是什么？"
"如果有一个魔法按钮能解决一个问题，他们会选哪个？"

维度 2: 任务维度（任务是什么，流程是什么，哪里卡住）

观察角度：

• 用户要完成的核心任务是什么？
• 完成这个任务的流程是什么？
• 哪些步骤最容易卡住或出错？

示例问题：

"完成一次完整的协作需要经历哪几个步骤？"
"每个步骤中，哪一步的失败率最高？"
"如果只能优化一个步骤，哪个对整体效率影响最大？"

维度 3: 系统维度（系统是什么，各部分怎么关联，哪里是瓶颈）

观察角度：

• 这个领域里有哪些关键系统或平台？
• 这些系统之间是怎么交互的？
• 哪个系统是瓶颈，影响其他所有系统？

示例问题：

"当前协作涉及哪几个系统（通讯、文档、项目管理、知识库）？"
"这些系统之间的信息是怎么流动的？哪里断裂了？"
"如果只能整合两个系统，哪两个的整合价值最大？"

维度 4: 组织维度（组织是什么，角色怎么分工，权力怎么分布）

观察角度：

• 这个领域里有哪些角色？他们的利益是什么？
• 权力和决策权是怎么分布的？
• 哪些角色是被忽视的或没有声音的？

示例问题：

"在协作流程中，哪些角色有决策权，哪些只能执行？"
"谁的工作成果最难被看见，但对整体效率影响最大？"
"如果要推动一个改变，需要谁的支持？谁可能阻止？"

维度 5: 时间维度（过去是什么，现在是什么，未来可能是什么）

观察角度：

• 这个领域 3 年前是什么样子？现在变了什么？
• 正在发生的重大变化是什么？
• 3 年后可能会变成什么样子？

示例问题：

"三年前团队协作的方式是什么？现在有什么不同？"
"远程办公、AI 工具、新一代员工，正在怎么改变协作方式？"
"三年后，协作软件如果还存在，它最核心的价值会是什么？"

维度 6: 对比维度（别人是怎么做的，有什么可以借鉴）

观察角度：

• 同类产品是怎么解决这个问题的？
• 其他行业是怎么解决类似问题的？
• 有什么反常见但有效的方法？

示例问题：

"同类协作软件如何处理这个问题？它们的方法有什么限制？"
"其他行业（如医疗、航空）是怎么解决高风险协作的？"
"有没有一个完全不同的方法解决了类似问题？"

综合输出格式

good_question_assessment:
  input: "原始领域/场景"
  
  dimension1_user:
    questions: ["用户维度问题列表"]
    key_insight: "核心发现"
  
  dimension2_task:
    questions: ["任务维度问题列表"]
    key_insight: "核心发现"
  
  dimension3_system:
    questions: ["系统维度问题列表"]
    key_insight: "核心发现"
  
  dimension4_organization:
    questions: ["组织维度问题列表"]
    key_insight: "核心发现"
  
  dimension5_time:
    questions: ["时间维度问题列表"]
    key_insight: "核心发现"
  
  dimension6_comparison:
    questions: ["对比维度问题列表"]
    key_insight: "核心发现"
  
  synthesis:
    best_question: "最佳问题"
    why_best: "为什么这是最好的问题"
    research_direction: "研究方向建议"
    blind_spots: ["可能的盲区"]

快速使用法

1. 选择一个领域或问题
2. 逐个维度提出 3 个问题
3. 每个维度记录一个核心发现
4. 综合六个维度，找出最有价值的问题

常见误判

• 只用一个维度：只从用户角度提问题，忽视系统和组织约束
• 问题太抽象："如何提升用户体验"不如"用户在哪个具体步骤放弃了"
• 忽视对比维度：只关注自己的领域，忽视其他行业的解法

一句判断

好问题不是找到答案，而是让正确的答案自然浮现。

核心概念

概念一：现实采样（Reality Sampling）

好问题不是坐在屏幕前靠语感雕出来的，而是从现实里长出来的。提问能力不等于 prompt 技巧，而是把立体现实压缩成高质量问题的能力。

关键洞察：AI 时代，当所有人都能获得"看起来像答案"的东西时，真正的差异回到输入端——谁更接近未经压平的现实，谁就更可能提出值得被 AI 回答的问题。

在 AI 时代，一个人的优势将越来越多地来自：AI 不知道、但你知道的东西。

概念二：问题为什么会越来越扁平

最常见的幻觉是把"问题已经被说出来"误认为"问题已经被定义"。

扁平化的三个来源：

1. 平台化输入：高频、明确、容易传播的表达，被当成"核心需求"
2. 标签化分组："年轻人""焦虑用户""高净值人群"被当成稳定的用户群
3. 指标化目标：留存、转化、DAU 被当成问题本体

给 AI 扁平化的问题，只能得到标准化的答案。模型可以让那个壳更好看，但几乎不可能在输入里没有的维度上重新长出真实。

概念三：六维观察的底层逻辑

六个维度不是为了"让问题听起来更专业"，而是为了让团队不至于从一开始就用扁平化输入起跑。

维度间的关系：

• 场景 + 关系 + 感官 → 构成"处境"
• 情绪 + 补偿行为 → 构成"痕迹"
• 代价 → 构成"如果不做会持续损失什么"

如果六个维度里只剩标签和人口属性，说明问题还太平，需要回到现场补充。

概念四：好问题的判断标准

好问题不是更复杂，而是更接近核心。

三个判断标准：

1. 方向性：好问题自然缩小方向，让很多"看起来能做"的事情变得不必要
2. 差异性：好问题通常来自别人还没看到的现实裂缝
3. 可验证性：好问题可以回到现场验证，不只是在会议室里讨论

一个扁平问题往往引出一长串浅层方案；一个精确问题往往自然收窄方向。

概念五：AI 时代的产品判断力新分界线

过去产品经理的优势体现在更好的 PRD、更好的功能拆解、更好的流程协调。今天 AI 越来越能分担这些能力，新的分界线出现：

谁能把三维现实压缩成一个值得回答的问题？

真正的差距越来越来自：你手里有没有 AI 不知道的东西——行业里没被写下来的默认规则、只有内行才懂的行话、只有陪用户足够久才看得到的补偿行为、一种能让你立刻察觉"这里不对"的专业直觉。

分步执行

Step 1：输入解构——从扁平问题出发

输入：团队提出的产品问题或研究方向

处理：

1. 把原始问题原封不动写下来
2. 识别问题中已有的假设标签（如"年轻人""高效""提升体验"）
3. 标记哪些是平台化表达、哪些是被指标替代的目标
4. 问自己：这个问题如果直接给 AI，AI 会给出什么标准化答案？

输出：标注了扁平化风险的原始问题

---

Step 2：六维展开——逐维度填充现实材料

输入：Step 1 产出的标注问题

处理：

1. 从场景维度开始：问题发生在什么时间、空间和动作链路里？
2. 进入关系维度：谁在等谁、谁握解释权、谁担责任？
3. 进入情绪维度：用户真正背负的是什么——焦虑、羞耻、疲惫、孤独还是失控感？
4. 进入感官维度：光线、噪音、身体疲劳、空间安全感是否影响体验？
5. 进入补偿行为维度：用户为了弥补系统没接住的地方，多做了什么？
6. 进入代价维度：如果一直不处理，真正被消耗的是什么？

要求：至少写满三个维度。如果六个维度里只剩标签，标记为"问题还太平"。

输出：六维观察记录表

---

Step 3：问题重写——从六维材料中提炼新问题

输入：Step 2 产出的六维观察记录

处理：

1. 从六维材料中找出最尖锐的矛盾点
2. 用"如何让用户……"替代"如何做一个……"的句式
3. 新问题必须包含处境信息，不能只是功能描述
4. 新问题必须能让团队自然收窄方向，排除不必要的方案

输出：重写后的产品问题（1-3 个候选）

---

Step 4：对比验证——用 AI 测试新旧问题的输出差异

输入：原始问题 + 重写后的问题

处理：

1. 分别把原始问题和新问题输入 AI
2. 对比两组输出的差异
3. 如果 AI 对新问题的输出明显不同于标准答案，说明问题有方向性
4. 如果 AI 的输出和对原始问题的输出差不多，说明新问题可能还没脱离扁平

输出：新旧问题对比报告 + 最终推荐问题

---

Step 5：现场回验——带问题回到用户现实

输入：Step 4 产出的最终推荐问题

处理：

1. 把问题带回用户现场（访谈、观察、跟访）
2. 验证问题是否真的抓住了用户持续付出代价的地方
3. 如果用户反应平淡，回到 Step 2 补充感官或补偿行为维度

输出：经过现场验证的好问题 + 后续研究方向建议

示例 1：从"如何提升协作效率"到更尖锐的问题

场景描述：一家企业协作软件团队收到大量反馈"协作效率太低"，想用 AI 优化。

Step 1 输入解构：

• 原始问题："如何提升团队协作效率"
• 假设标签："协作""效率""团队"——都是平台化表达
• AI 标准化回答预判：自动汇总、智能排期、AI 会议纪要、任务自动分配

Step 2 六维展开：

• 场景维度：问题发生在跨部门协作的关键节点——通常在"等待对方回复"和"确认是否对齐"这两步
• 关系维度：产品经理→设计师→工程师→QA，每一步都在等前一步的确认，但确认的标准不统一
• 情绪维度：不是焦虑，而是疲惫——反复确认、反复催、反复解释"我不是这个意思"
• 补偿行为维度：用户私下建了备忘录记"哪些人还没回""哪些事还没确认"，每天花 30 分钟手动追踪
• 代价维度：消耗的不只是时间，还有对"协作是否可靠"的基本信任

Step 3 问题重写：

• 原始：如何提升团队协作效率？
• 重写：如何让跨部门协作中的"等待确认"和"反复解释"这两段隐性劳动被系统接住？

Step 4 对比验证：

• AI 对原始问题的回答：自动排期、智能汇总、任务看板
• AI 对重写问题的回答：自动追踪确认状态、标注"谁还没回复"、生成上下文卡片减少反复解释

结论：重写后的问题让方案从"功能堆叠"转向"接住隐性劳动"，方向完全不同。

---

示例 2：从"如何做更好的推荐"到产品方向的根本转变

场景描述：一个内容平台想提升推荐系统的准确率，用户反馈"总是推荐类似的东西"。

Step 1 输入解构：

• 原始问题："如何让推荐更准确"
• 假设标签："准确""推荐"——把问题简化成了算法优化
• AI 标准化回答预判：优化协同过滤、增加用户画像维度、引入上下文特征

Step 2 六维展开：

• 场景维度：用户通常在深夜、疲惫、不想做更多判断时刷推荐
• 关系维度：不是"没有想看的"，而是"不想再做选择了"
• 情绪维度：不是对内容不满，而是对"被系统定义"的隐性不适
• 补偿行为维度：用户会主动搜索自己想看的，而不是依赖推荐——说明推荐已经失去了信任
• 代价维度：消耗的不是"找不到好内容"的时间，而是"被系统越推越窄"的可能性

Step 3 问题重写：

• 原始：如何让推荐更准确？
• 重写：如何让用户在不主动搜索的情况下，仍然能接触到自己还没定义过的新可能？

Step 4 对比验证：

• AI 对原始问题的回答：优化召回率、增加特征维度、冷启动策略
• AI 对重写问题的回答：探索推荐模式、反信息茧房设计、可能性推荐、连接现实世界

结论：重写后的问题把方向从"算法优化"转向"保护人的多元性"，产品方向完全不同。