Communitygithub.com

borghei/ux-researcher-designer

ユーザーリサーチデータからペルソナを生成し、ジャーニーマップを作成し、ユーザビリティテストを計画し、調査結果を実用的なデザイン推奨事項にまとめます。

ux-researcher-designer とは？

このスキルは、UXリサーチおよびデザインのワークフローを包括的にサポートします。ユーザーデータ（分析、調査、インタビュー）からデータ駆動型ペルソナを生成したり、リサーチデータが不足している場合には仮説ベースのプロトペルソナを作成してチームの認識を統一します。また、ペルソナの目標に基づいてカスタマージャーニーマップを作成し、各段階での行動、タッチポイント、感情、ペインポイント、改善機会を可視化します。Happy Pathだけでなく、Fail PathやDifficult Pathもマッピングするため、ユーザー体験の全容を把握できます。さらに、モデレート/アンモデレートなど適切な手法を選択してユーザビリティテストを計画し、完了率やエラー率といった成功指標を定義します。最後に、定性データをコーディング・クラスタリングして主要テーマを抽出し、頻度や重要度に基づいて優先順位付けすることで、実用的なインサイトへと昇華します。主にClaude CodeやCursor等のAIコーディングエージェント内で、`persona_generator.py`スクリプト（JSON形式のデータ入力）やMarkdownテンプレートを用いて実装されます。

対応~Claude Code~Codex CLI~Cursor
Part ofDesign & UI
npx skills add https://github.com/borghei/Claude-Skills/tree/HEAD/product-team/ux-researcher-designer
オリジナルを見る→すべてのスキルを見る

お気に入りのAIに質問する

このエージェントスキルを事前に読み込んだ状態で新しいチャットを開きます。

OpenAIChatGPTClaudeClaudeGeminiGeminiGrokGrokPerplexityPerplexityDeepSeekDeepSeek

ドキュメント

UXリサーチャー & デザイナー

ユーザーリサーチデータからペルソナを生成し、ジャーニーマップを作成し、ユーザビリティテストを計画し、調査結果を実用的なデザイン推奨事項にまとめます。

目次

トリガーとなる用語

以下のような場合にこのスキルを使用します。

  • 「ユーザーペルソナを作成」
  • 「データからペルソナを生成」
  • 「カスタマージャーニーマップを作成」
  • 「ユーザージャーニーをマッピング」
  • 「ユーザビリティテストを計画」
  • 「ユーザビリティスタディを設計」
  • 「ユーザーリサーチを分析」
  • 「インタビュー結果を統合」
  • 「ユーザーのペインポイントを特定」
  • 「ユーザーアーキタイプを定義」
  • 「リサーチサンプルサイズを計算」
  • 「エンパシーマップを作成」
  • 「ユーザーニーズを特定」

最初に明確化する

リサーチアーティファクトを生成する前に、以下の入力を確定します。入力が不足していたり曖昧で、結果が変わる場合は質問し、変わらない場合は適切なデフォルト値を使用して、使用した値を明示します。

  • 成果物の種類: ペルソナ、ジャーニーマップ、ユーザビリティテスト計画、リサーチ統合のいずれか（該当するワークフローとテンプレートを設定）
  • 利用可能なデータと量: 分析データ/インタビュー/サーベイ、およびユーザー数（ペルソナの確信度、およびプロトペルソナとデータ駆動型ペルソナのどちらかを決定）
  • ユーザーの目標と範囲: ペルソナ、マッピングする目標、開始と終了（ジャーニーマップのステージとリサーチクエスチョンを決定）

リスト全体ではなく、今回のリクエストに最も関連する2～3の入力について質問します。ユーザーがすぐに結果を求める場合は、アサーションを明記して生成します。

ワークフロー

ワークフロー 1: ユーザーペルソナの生成

状況: ユーザーデータ（分析データ、サーベイ、インタビュー）があり、リサーチに基づいたペルソナを作成する必要があります。

手順:

  1. ユーザーデータの準備

    必要なフォーマット（JSON）:

    [
  {
    "user_id": "user_1",
    "age": 32,
    "usage_frequency": "daily",
    "features_used": ["dashboard", "reports", "export"],
    "primary_device": "desktop",
    "usage_context": "work",
    "tech_proficiency": 7,
    "pain_points": ["slow loading", "confusing UI"]
  }
]

  2. ペルソナジェネレーターの実行

    # 人間が読みやすい出力
python scripts/persona_generator.py

# 統合用のJSON出力
python scripts/persona_generator.py json

  3. 生成されたコンポーネントの確認

    コンポーネント確認事項
    アーキタイプデータパターンと一致しているか？
    デモグラフィック実際のデータから導出されているか？
    目標 (Goals)具体的で実用的か？
    不満 (Frustrations)頻度カウントが含まれているか？
    デザインへの示唆デザイナーがアクションに移せるか？

  4. ペルソナの検証

    • 3～5人の実際のユーザーに提示: 「これはあなたに当てはまりますか？」
    • サポートチケットとクロスチェック
    • 分析データと照合

  5. 参考資料: 妥当性基準については references/persona-methodology.md を参照

プロトペルソナキャンバス（軽量な代替手段）

リサーチデータがないが、チームの認識を合わせるための仮説駆動型ペルソナが必要な場合は、プロトペルソナキャンバスを使用します。プロトペルソナは仮定のツールであり、検証された事実ではなく、テストと洗練を目的としています。

使用するタイミング: リサーチ予算なしで新しいイニシアチブを開始するとき、クロスファンクショナルチームを迅速に調整するとき、またはユーザーに関するテスト可能な仮説を作成するとき。

プロトペルソナキャンバステンプレート:

### [頭韻を踏んだ名前]（例：「慎重な Carlos」）

**経歴とデモグラフィック:**
- 年齢、地域、社会的地位、キャリアステージ
- オンラインプレゼンス、余暇活動、パートナーの有無

**引用**（言っていること、感じていること、考えていること）:
- 「[彼らの視点を捉えた直接の引用]」
- 「[不満や願望を明らかにする引用]」

**悩み（Pains）:**
- [問題領域に関連する悩み]
- [現在の回避策に関連する悩み]

**達成しようとしていること:**
- [観察可能な行動 1]
- [観察可能な行動 2]

**目標（欲しいもの、必要なもの、夢）:**
- [短期目標]
- [長期的な願望]

**態度と影響:**
- 意思決定権限: [彼らはあなたのソリューションを購入/採用できますか？]
- 意思決定に影響を与える人: [誰が彼らの決定に影響を与えますか？]
- 信念と態度: [どのような信念が彼らの選択に影響を与えますか？]

**検証すべき仮定:**
- [このペルソナが有効であるために真でなければならない最も重要な仮定]
- [2番目の仮定]
- [3番目の仮定]

プロトペルソナ後の次のステップ:

  1. 仮定を検証するためのインタビュー質問を生成する（推奨）
  2. スコープ境界を定義するためのアンチペルソナを生成する
  3. 1ページのステークホルダーブリーフィングに変換する

ワークフロー 2: ジャーニーマップの作成

状況: 特定の目標に対するエンドツーエンドのユーザー体験を可視化する必要があります。

手順:

  1. 範囲の定義

    要素説明
    ペルソナどのユーザータイプか
    目標 (Goal)達成しようとしていること
    開始 (Start)ジャーニーを開始するトリガー
    終了 (End)成功基準
    時間枠 (Timeframe)時間/日/週

  2. ジャーニーデータの収集

    情報源:

    • ユーザーインタビュー（「～の流れを教えてください」と聞く）
    • セッション録画
    • 分析データ（ファネル、離脱ポイント）
    • サポートチケット

  3. ステージのマッピング

    一般的なB2B SaaSのステージ:

    認知 → 評価 → オンボーディング → 活用 → 推奨

  4. 各ステージにレイヤーを追加

    ステージ: [名前]
├── 行動: ユーザーは何をするか？
├── タッチポイント: どこで相互作用するか？
├── 感情: どのように感じるか？(1-5)
├── ペインポイント: 何が彼らを悩ませるか？
└── 機会: どこを改善できるか？

  5. 3つの体験パスをマッピングする（ハッピーパスだけではない）

    ステージハッピーパス失敗パス困難パス
    認知検索経由で製品を発見製品を発見できない最初に競合を見つける
    検討明確な価値提案価格設定に混乱マネージャーの承認が必要
    意思決定簡単なサインアップフローフォームエラーで離脱法務審査で遅延
    提供と利用スムーズなオンボーディングデータをインポートできない回避策が必要
    ロイヤルティ推奨者になる静かに離脱留まるが不満を言う
    • ハッピーパス: すべてが設計通りに機能する。
    • 失敗パス: ユーザーは目標を達成できず離脱する。
    • 困難パス: ユーザーは目標を達成するが、摩擦、回避策、または不満を伴う。

  6. ステージごとにKPIとオーナーシップを追加

    ステージ先行KPI遅行KPIチームオーナー
    認知サイト訪問数、広告インプレッションブランド想起マーケティング
    検討デモリクエスト数、価格ページ表示数MQL転換率マーケティング/営業
    意思決定トライアル開始数、契約送付数クローズ率営業
    利用機能採用率、DAU維持率プロダクト
    ロイヤルティNPS、紹介数LTV、拡張収益カスタマーサクセス

  7. 主要な摩擦ポイントと介入策を特定

    各摩擦ポイントについて、以下を文書化:

    摩擦ポイントなぜ重要か介入策期待される影響工数確信度
    [説明][ユーザー/ビジネスへの影響][提案する修正]高/中/低S/M/L高/中/低

    優先度スコア = 頻度 x 重大度 x 解決可能性

  8. 参考資料: テンプレートについては references/journey-mapping-guide.md を参照

ワークフロー 3: ユーザビリティテストの計画

状況: 実際のユーザーでデザインを検証する必要があります。

手順:

  1. リサーチクエスチョンの定義

    曖昧な目標をテスト可能な質問に変換:

    曖昧テスト可能
    「使いやすいですか？」「ユーザーは3分以内にチェックアウトを完了できますか？」
    「ユーザーは気に入っていますか？」「ユーザーはデザインAとBのどちらを選びますか？」
    「意味がわかりますか？」「ヒントなしで設定を見つけられますか？」

  2. 手法の選択

    手法参加者数所要時間最適な用途
    モデレート型リモート5～8人45～60分深い洞察
    アンモデレート型リモート10～20人15～20分迅速な検証
    ゲリラ型3～5人5～10分迅速なフィードバック

  3. タスクの設計

    適切なタスクフォーマット:

    シナリオ: 「パリへの旅行を計画していると想像してください...」
目標: 「予算内で3泊のホテルを予約する。」
成功: 「確認ページが表示されます。」

    タスクの進行: ウォームアップ → コアタスク → セカンダリタスク → エッジケース → 自由探索

  4. 成功指標の定義

    指標目標値
    完了率>80%
    タスク完了時間<想定時間の2倍
    エラー率<15%
    満足度>4/5

  5. モデレーターガイドの準備

    • 思考発話法の指示
    • 誘導しないプロンプト
    • タスク後質問

  6. 参考資料: 完全なガイドは references/usability-testing-frameworks.md を参照

ワークフロー 4: リサーチの統合

状況: 未加工のリサーチデータ（インタビュー、サーベイ、観察）があり、実用的なインサイトを導き出す必要があります。

手順:

  1. データのコーディング

    各データポイントにタグを付ける:

    • [GOAL] - 達成したいこと
    • [PAIN] - 悩みの種
    • [BEHAVIOR] - 実際の行動
    • [CONTEXT] - いつ/どこで製品を使用するか
    • [QUOTE] - ユーザーの直接の言葉

  2. 類似パターンのクラスタリング

    ユーザーA: 毎日使用、高度な機能、ショートカット
ユーザーB: 毎日使用、複雑なワークフロー、自動化
ユーザーC: 毎週使用、基本的なニーズ、時々

クラスター1: A、B（パワーユーザー）
クラスター2: C（カジュアルユーザー）

  3. セグメントサイズの計算

    クラスターユーザー数%実現可能性
    パワーユーザー1836%主要ペルソナ
    ビジネスユーザー1530%主要ペルソナ
    カジュアルユーザー1224%セカンダリペルソナ

  4. 主要な発見事項の抽出

    各テーマについて:

    • 発見事項の記述
    • 裏付けとなる証拠（引用、データ）
    • 頻度（X/Y参加者）
    • ビジネスへの影響
    • 推奨事項

  5. 機会の優先順位付け

    要素スコア 1-5
    頻度 (Frequency)これはどのくらいの頻度で発生するか？
    重大度 (Severity)どのくらい害になるか？
    広がり (Breadth)影響を受けるユーザー数は？
    解決可能性 (Solvability)これは修正できるか？

  6. 参考資料: 分析フレームワークについては references/persona-methodology.md を参照

ツールリファレンス

persona_generator.py

ユーザーリサーチデータからデータ駆動型ペルソナを生成します。

引数値デフォルト説明
format(なし), json(なし)出力形式

サンプル出力:

============================================================
ペルソナ: パワーユーザーのAlex
============================================================

📝 主に仕事目的で製品を毎日使用するユーザー

アーキタイプ: パワーユーザー
引用: 「自分のワークフローについていけるツールが必要です」

👤 デモグラフィック:
  • 年齢層: 25-34
  • ロケーションタイプ: 都市部
  • 技術習熟度: 上級

🎯 目標とニーズ:
  • タスクを効率的に完了する
  • ワークフローを自動化する
  • 高度な機能にアクセスする

😤 不満:
  • 読み込みが遅い（14/20のユーザー）
  • キーボードショートカットがない
  • APIアクセスが制限されている

💡 デザインへの示唆:
  → 速度と効率性を最適化する
  → キーボードショートカットとパワー機能を提供する
  → APIと自動化機能を公開する

📈 データ: 45人のユーザーに基づく
    確信度: 高

生成されるアーキタイプ:

アーキタイプシグナルデザインフォーカス
power_user毎日使用、10以上の機能効率性、カスタマイズ
casual_user毎週使用、3～5の機能シンプルさ、ガイダンス
business_user仕事での使用、チーム利用コラボレーション、レポーティング
mobile_firstモバイルがプライマリタッチ、オフライン、速度

出力コンポーネント:

コンポーネント説明
demographics年齢層、ロケーション、職業、技術レベル
psychographics動機、価値観、態度、ライフスタイル
behaviors使用パターン、機能の好み
needs_and_goals一次、二次、機能的、感情的なニーズ
frustrations証拠を伴うペインポイント
scenariosコンテキストに応じた使用ストーリー
design_implications実用的な推奨事項
data_pointsサンプルサイズ、確信度

クイックリファレンス表

リサーチ手法の選択

質問タイプ最適な手法サンプルサイズ
「ユーザーは何をしているか？」分析、観察100以上のイベント
「なぜそれをしているのか？」インタビュー8～15人のユーザー
「どの程度うまくできているか？」ユーザビリティテスト5～8人のユーザー
「何を好むか？」サーベイ、A/Bテスト50人以上のユーザー
「どう感じているか？」ダイアリースタディ、インタビュー10～15人のユーザー

ペルソナの確信度レベル

サンプルサイズ確信度ユースケース
5～10人のユーザー低探索的
11～30人のユーザー中方向性の確認
31人以上のユーザー高本番利用

ユーザビリティ問題の重大度

重大度定義アクション
4 - 致命的タスクの完了を妨げる即座に修正
3 - 重大著しい困難があるリリース前に修正
2 - 軽微ためらいを引き起こす可能なときに修正
1 - 表面的気づかれるが問題ない優先度低

インタビューの質問タイプ

タイプ例使用目的
コンテキスト (Context)「典型的な1日を教えてください」環境を理解する
行動 (Behavior)「Xをする方法を見せてください」実際の行動を観察する
目標 (Goals)「何を達成しようとしていますか？」動機を明らかにする
悩み (Pain)「最も難しい部分は何ですか？」不満を特定する
振り返り (Reflection)「何を変えたいですか？」アイデアを生成する

ナレッジベース

references/ ディレクトリにある詳細なリファレンスガイド:

  • persona-methodology.md: ペルソナの妥当性基準、分析フレームワーク
  • journey-mapping-guide.md: ジャーニーマップのテンプレートと例
  • usability-testing-frameworks.md: ユーザビリティテストの完全なガイド

これらのリファレンスの活用方法

ワークフローの最後に記載されている参考資料セクションを参照してください。scripts/persona_generator.py は提供されているJSONデータととも

に自動的に動作するように設計されています。

Individual skills in this repo

This repo contains 2 individual skills — each has its own dedicated page.

borghei/brand-strategist

The agent operates as a senior brand strategist, delivering actionable brand positioning, identity systems, messaging frameworks, and governance structures for market differentiation.

borghei/ui-design-system

Generate design tokens, create color palettes, calculate typography scales, build component systems, and prepare developer handoff documentation.

関連スキル

steipete/sag

ElevenLabs text-to-speech with mac-style say UX.

community

steipete/oracle

Oracle CLI second-model review/debug/refactor/design with selected files, dry-run token checks, API or browser engine.

community

steipete/peekaboo

Capture and automate macOS UI with the Peekaboo CLI.

community

mattpocock/design-an-interface

Generate multiple radically different interface designs for a module using parallel sub-agents. Use when user wants to design an API, explore interface options, compare module shapes, or mentions "design it twice".

community

mattpocock/prototype

Build a throwaway prototype to flesh out a design — a runnable terminal app for state/business-logic questions, or several radically different UI variations toggleable from one route.

community

mattpocock/grill-me

Interview the user relentlessly about a plan or design until reaching shared understanding, resolving each branch of the decision tree. Use when user wants to stress-test a plan, get grilled on their design, or mentions "grill me".

community