پرامپت نویسی برای پرسونا و سفر کاربر (Persona and User Journey Prompt Engineering)، فرایند طراحی پرامپت‌هایی است که به مدل‌های زبانی بزرگ (Large Language Models یا LLM) کمک می‌کند از داده‌های واقعی کاربران، پرسونای دقیق و نقشه سفر معنادار بسازند. در تیم‌های محصول، تفاوت میان پرسونای داده‌محور و پرسونای تزئینی، تفاوت میان طراحی محصول برای کاربر واقعی و طراحی برای یک تصویر ذهنی است. پرامپت خوب می‌تواند این تفاوت را روشن کند و به تیم محصول دید عمیق‌تری بدهد. اگر پرامپت ضعیف باشد، خروجی به پرسونای کلیشه‌ای و نقشه سفر سطحی محدود می‌شود. برای درک این حوزه، ابتدا باید با پرامپت نویسی چیست و ساختار یک پرامپت مؤثر آشنا باشیم.

در پروژه‌هایی که تیم‌های محصول از مدل‌های زبانی برای ساخت پرسونا استفاده می‌کردند، مشاهده شد که بزرگ‌ترین مشکل، تولید پرسونای کلیشه‌ای است. پرسونایی که «کاربر ۲۵ تا ۳۵ ساله، شهری، علاقه‌مند به فناوری» توصیف می‌شود، به هیچ تصمیم واقعی کمک نمی‌کند. پرامپت دقیق می‌تواند پرسونایی بسازد که مبتنی بر داده‌های رفتاری، مصاحبه و الگوهای واقعی باشد. اگر با پرامپت نویسی برای نیازهای کاربر آشنا هستید، آماده‌اید تا به لایه پرسونا و سفر وارد شوید.

پرامپت نویسی برای پرسونا و سفر کاربر را می‌توان با نوشتن یک بریف پژوهشی برای تیم UX مقایسه کرد: هرچه بریف دقیق‌تر و داده‌محورتر باشد، خروجی نهایی معتبرتر است. در سامانه‌های LLM، این بریف همان پرامپت است. برای مطالعه بیشتر درباره مبانی، صفحه Persona در ویکی‌پدیا مرور مفیدی ارائه می‌دهد.

پرامپت نویسی برای پرسونا و سفر چیست؟

پرامپت نویسی برای پرسونا و سفر کاربر، فرایند طراحی پرامپت‌هایی است که به مدل زبانی کمک می‌کند از داده‌های واقعی کاربران، پرسونای دقیق و نقشه سفر معنادار بسازد. این پرامپت‌ها، در چند دسته اصلی قرار می‌گیرند.

دسته‌های اصلی

  • پرامپت‌های ساخت پرسونا: برای ساخت پرسونای داده‌محور.
  • پرامپت‌های اعتبارسنجی پرسونا: برای بررسی صحت پرسوناهای موجود.
  • پرامپت‌های ساخت نقشه سفر: برای ترسیم سفر کاربر.
  • پرامپت‌های شناسایی اصطکاک: برای یافتن نقاط اصطکاک در سفر.
  • پرامپت‌های بهینه‌سازی: برای پیشنهاد بهبود در نقاط بحرانی.

تفاوت با پرامپت عمومی

پرامپت عمومی، یک پاسخ توصیفی تولید می‌کند. پرامپت پرسونا و سفر، باید خروجی‌ای تولید کند که مبتنی بر داده، قابل‌ردیابی و به تصمیم‌های محصول متصل باشد.

نقش پرامپت در فرایند طراحی

پرامپت پرسونا و سفر، ابزاری برای تسریع مرحله تحقیق و طراحی در فرایند محصول است. اما این ابزار، جایگزین مصاحبه و مشاهده مستقیم نیست؛ ابزاری برای تحلیل داده‌های موجود است.

پرسونای داده‌محور، ابزاری برای تصمیم‌گیری است، نه یک تصویر تزئینی برای ارائه.

تفاوت پرسونای داده‌محور و تزئینی

یکی از مهم‌ترین مباحث در پرسونا نویسی، تفاوت میان پرسونای داده‌محور و تزئینی است. این تفاوت، مستقیماً بر کیفیت تصمیم‌های محصول اثر می‌گذارد.

ویژگی‌های پرسونای تزئینی

  • مبتنی بر حدس و فرض، نه داده.
  • توصیف عمومی بدون جزئیات معنادار.
  • بدون ارتباط با رفتار واقعی کاربر.
  • بدون اثر بر تصمیم‌های محصول.
  • مثال: «کاربر ۲۵ تا ۳۵ ساله، شهری، علاقه‌مند به فناوری.»

ویژگی‌های پرسونای داده‌محور

  • مبتنی بر داده‌های رفتاری، مصاحبه و تحلیل.
  • شامل جزئیات مشخص درباره نیازها و انگیزه‌ها.
  • مرتبط با تصمیم‌های واقعی محصول.
  • قابل اعتبارسنجی با داده جدید.
  • مثال: «کاربری که در ۷ روز گذشته بیش از ۵ بار جستجو کرده اما خرید نکرده است، به‌دلیل نبود اطلاعات مشخص در صفحه محصول.»

پرامپت تفکیک پرسونا

You are a senior UX researcher. Evaluate the following persona
and determine if it is data-driven or decorative.

Persona:
{persona_text}

Data available:
{available_data}

Provide:
1. Classification (data-driven / decorative / mixed)
2. Evidence supporting the classification
3. Specific issues with the persona
4. What data is missing
5. Suggested improvements
6. Alternative persona statement based on available data

Important:
- Be specific about what makes a persona actionable.
- Do not accept generic descriptions as valid personas.

ترکیب با نیازسنجی

پرسونای داده‌محور باید بر اساس نیازهای واقعی کاربر ساخته شود. برای مطالعه بیشتر، پست پرامپت نویسی برای نیازهای کاربر را ببینید.

ساخت پرسونا با پرامپت

ساخت پرسونا، یکی از پرکاربردترین حوزه‌های پرامپت نویسی در محصول است.

پرامپت ساخت پرسونا

You are a senior UX researcher. Create a data-driven persona
based on the following data.

Product: {product}
Target market: {market}
Available data:
- Interview transcripts: {interviews}
- Behavioral data: {behavioral_data}
- Support tickets: {tickets}
- Survey responses: {surveys}

Provide:
1. Persona name (memorable, not generic)
2. Role and context (specific, not generic age/gender)
3. Primary goals and motivations
4. Key frustrations and pain points
5. Current solutions and their limitations
6. Decision-making factors
7. Preferred channels and formats
8. Quote from real data
9. What would make this persona switch to another product
10. Confidence level in this persona (high/medium/low)

Important:
- Base EVERY statement on data.
- Cite specific evidence for each attribute.
- Avoid generic demographic descriptions.
- If data is insufficient for an attribute, state this.

چند پرسونا همزمان

در محصولات با چند گروه کاربری، ساخت چند پرسونا ضروری است. پرامپت می‌تواند این کار را با دقت انجام دهد.

Analyze the following user data and identify 3-5 distinct
personas.

Data: {user_data}

For each persona, provide:
1. Persona name
2. Defining behavioral characteristics
3. Evidence from data (at least 3 data points per persona)
4. Primary need
5. Size of segment (if estimable)
6. Business value of segment

Then provide:
- Overlap analysis between personas
- Which persona should be prioritized
- Recommendations for product design per persona

پرسونای مبتنی بر JTBD

پرسونای مبتنی بر Jobs To Be Done، به‌جای تمرکز بر جمعیت‌شناسی، بر وظیفه‌ای که کاربر انجام می‌دهد تمرکز می‌کند.

Create a JTBD-based persona for the following product.

Product: {product}
Data: {data}

For this persona, provide:
1. Job statement:
   "When [situation], I want to [motivation], so I can [outcome]."
2. Functional job
3. Emotional job
4. Social job
5. Current alternatives
6. Hiring criteria (why they choose a solution)
7. Firing criteria (why they abandon a solution)
8. Evidence from data
9. Product implications

Avoid demographic descriptions unless supported by data.

اعتبارسنجی پرسونا

پس از ساخت پرسونا، باید آن را اعتبارسنجی کرد. پرامپت می‌تواند این فرایند را ساختارمند کند.

پرامپت اعتبارسنجی

Validate the following persona against the provided data.

Persona: {persona}
Data: {validation_data}

Provide:
1. Confirmation: statements supported by data
2. Contradictions: statements contradicted by data
3. Uncertainties: statements without sufficient data
4. Missing attributes that should be added
5. Suggested refinements
6. Overall validity score (1-5)

For each confirmation or contradiction:
- Quote the relevant data
- Explain the connection

به‌روزرسانی دوره‌ای

پرسوناها باید به‌صورت دوره‌ای به‌روزرسانی شوند، زیرا نیازهای کاربران تغییر می‌کند. برای مطالعه بیشتر، پست نسخه‌بندی پرامپت را ببینید.

پرسونای ضد

در برخی پروژه‌ها، تعریف پرسونای ضد (Anti-Persona) نیز مفید است: گروهی از کاربران که محصول برای آن‌ها طراحی نمی‌شود. این تعریف، از تلاش برای راضی کردن همه جلوگیری می‌کند.

Based on the following data, define an anti-persona for the
product.

Product: {product}
Data: {data}

Anti-persona should describe:
1. User type that seems like a fit but is NOT
2. Reasons they are not a fit
3. Behaviors that indicate misfit
4. How to handle their requests
5. Evidence from data

نقشه سفر کاربر با پرامپت

نقشه سفر کاربر (Customer Journey Map)، ترسیم مسیر کاربر از اولین تماس تا هدف نهایی است. پرامپت می‌تواند این نقشه را ساختارمند کند.

پرامپت ساخت نقشه سفر

You are a senior UX researcher. Create a customer journey map
for the following product and persona.

Product: {product}
Persona: {persona}
Data: {data}

For each stage, provide:
1. Stage name (Awareness, Consideration, Decision, Purchase,
   Onboarding, Retention, Advocacy)
2. User's goal at this stage
3. User's actions
4. Touchpoints with our product
5. Channels used
6. Thoughts and questions
7. Emotional state (from data if available)
8. Pain points and friction
9. Opportunities for improvement
10. Internal teams involved

Output format: structured table with all stages.

Important:
- Base analysis on data, not assumptions.
- Cite evidence for each pain point.
- Mark stages where data is limited.

نقشه سفر مبتنی بر داده

نقشه سفر باید مبتنی بر داده‌های واقعی باشد. منابع داده می‌توانند شامل:

  • تحلیل قیف تبدیل: نقاط ریزش در مسیر.
  • Session recording: رفتار واقعی کاربران.
  • مصاحبه: نظرات و احساسات.
  • تیکت پشتیبانی: مشکلات واقعی.
  • تحلیل احساسات: وضعیت عاطفی کاربران.

ترکیب با قیف تبدیل

نقشه سفر می‌تواند با قیف تبدیل هماهنگ شود. برای جزئیات، پست Conversion Funnel چیست را ببینید.

مراحل سفر و نقاط اصطکاک

شناسایی نقاط اصطکاک در سفر کاربر، یکی از مؤثرترین راهکارها برای بهبود تجربه است.

پرامپت شناسایی اصطکاک

Analyze the following journey map and identify friction points.

Journey Map: {journey_map}
Data: {data}

For each friction point:
1. Stage where it occurs
2. Description of friction
3. Severity (1-5)
4. Frequency (how often it happens)
5. Evidence from data
6. Root cause (if identifiable)
7. Impact on conversion/retention
8. Suggested solution
9. Confidence level

Rank friction points by impact × frequency.

نقاط اصطکاک رایج

  • پیچیدگی فرم: تعداد زیاد فیلد.
  • نبود اطلاعات: کاربر نمی‌داند چه انتظاری داشته باشد.
  • کندی سایت: انتظار طولانی.
  • نبود اعتماد: نشانه‌های اعتماد کافی نیست.
  • پیچیدگی ناوبری: کاربر گم می‌شود.
  • نبود بازخورد: کاربر نمی‌داند آیا اقدام او انجام شده است.

اولویت‌بندی اصطکاک

پس از شناسایی، نقاط اصطکاک باید اولویت‌بندی شوند. پرامپت می‌تواند در این مرحله کمک کند.

Prioritize the following friction points using the Impact/Effort
matrix.

Friction points:
{friction_points}

For each friction point, estimate:
1. Impact on user (1-5)
2. Impact on business (1-5)
3. Effort to fix (1-5)
4. Priority score = (Impact_user + Impact_business) / Effort

Sort by priority score.

Provide:
- Quick wins (high impact, low effort)
- Strategic improvements (high impact, high effort)
- Low-priority items

نقاط تماس و کانال‌ها

نقاط تماس (Touchpoints)، مکان‌هایی هستند که کاربر با محصول در تعامل است. پرامپت می‌تواند این نقاط را نقشه‌برداری کند.

پرامپت نقشه‌برداری نقاط تماس

Map all touchpoints between the user and the product across
the journey.

Product: {product}
Persona: {persona}
Journey: {journey}

For each touchpoint:
1. Stage in journey
2. Touchpoint name
3. Channel (web, mobile, email, phone, physical)
4. User's goal at this touchpoint
5. What works well
6. What could be improved
7. Owner (team responsible)
8. Consistency with brand

Then provide:
- Touchpoint gap analysis
- Recommended new touchpoints
- Touchpoints to eliminate

کانال‌های ارتباطی

هر کانال، مزایا و محدودیت‌های خاص خود را دارد. پرامپت می‌تواند در انتخاب کانال مناسب برای هر مرحله کمک کند.

انسجام تجربه

تجربه کاربر باید در همه نقاط تماس منسجم باشد. پرامپت می‌تواند ناسازگاری‌ها را شناسایی کند.

ساختار پرامپت پرسونا و سفر

یک پرامپت پرسونا و سفر مؤثر، ساختار مشخصی دارد.

اجزای پرامپت

  1. نقش: تعریف تخصص مدل (پژوهشگر UX).
  2. محصول: معرفی محصول و زمینه آن.
  3. مخاطب: توصیف مخاطب هدف.
  4. داده: ورودی داده (مصاحبه، رفتار، بازخورد).
  5. وظیفه: تعریف دقیق خروجی.
  6. چارچوب: چارچوب تحلیل (JTBD، Journey Stages).
  7. قالب: ساختار خروجی.
  8. محدودیت‌ها: الزام به استناد داده.

نمونه‌ای از پرامپت ساختاریافته

Role: You are a senior UX researcher with expertise in
persona development and journey mapping.

Context:
- Product: {product_name} in {category}
- Target audience: {audience}
- Business goal: {goal}

Data:
{input_data}

Task: Create a data-driven persona and comprehensive
journey map.

Framework: JTBD + Journey Stages (Awareness to Advocacy)

Output:
1. Primary Persona
   - Name and role
   - Goals and motivations
   - Frustrations and pain points
   - Evidence from data
   - Confidence level

2. Customer Journey Map
   - Stages with goals and actions
   - Touchpoints
   - Emotional states
   - Pain points
   - Opportunities

3. Priority Friction Points
   - Top 5 with impact/effort
   - Quick wins
   - Strategic improvements

Constraints:
- Base EVERY statement on data.
- Cite specific evidence.
- Mark confidence level.
- If data is insufficient, state clearly.

ترکیب با تکنیک‌های پیشرفته

در تحلیل‌های پیچیده، می‌توان از تکنیک‌های پیشرفته مانند زنجیره تفکر استفاده کرد. برای جزئیات، پست زنجیره تفکر در پرامپت نویسی را ببینید.

ارزیابی خروجی پرامپت

ارزیابی خروجی، بخش حیاتی پرامپت پرسونا و سفر است.

معیارهای ارزیابی

  • شواهد: آیا هر ادعا به داده‌ای مشخص ارجاع می‌دهد؟
  • قابلیت اقدام: آیا پرسونا و نقشه سفر به تصمیم‌های عملی منجر می‌شوند؟
  • کامل بودن: آیا همه مراحل سفر پوشش داده شده‌اند؟
  • دقت: آیا جزئیات با داده‌های موجود سازگار است؟
  • منحصربه‌فردی: آیا از کلیشه‌ها پرهیز شده است؟

روش‌های ارزیابی

  • آزمون A/B: مقایسه دو نسخه پرامپت. برای جزئیات، پست آزمون A/B برای پرامپت‌ها را ببینید.
  • مدل داور: استفاده از مدل جداگانه برای ارزیابی.
  • ارزیابی انسانی: بازبینی توسط پژوهشگر UX.
  • اعتبارسنجی با داده: تطبیق با داده‌های جدید.

خطر پرسونای کلیشه‌ای

یکی از خطرات اصلی، تولید پرسونای کلیشه‌ای است. برای جلوگیری، پرامپت باید مدل را به استناد به داده و پرهیز از توصیفات عمومی ملزم کند.

ملاحظات امنیتی و حریم خصوصی

داده‌های کاربران معمولاً شامل اطلاعات حساس است. استفاده از LLM برای تحلیل این داده‌ها، ملاحظات خاصی دارد.

ریسک‌های امنیتی

  • افشای داده کاربر: ارسال داده به سرویس‌های بیرونی.
  • استفاده آموزشی: برخی سرویس‌ها از داده‌ها برای آموزش استفاده می‌کنند.
  • تزریق پرامپت: اگر پرامپت شامل متن آزاد کاربر باشد. برای جزئیات، پست تزریق پرامپت چیست را ببینید.
  • نشت پرامپت: برای جزئیات، پست نشت پرامپت و خطرات آن را ببینید.

راهکارهای حریم خصوصی

  • ناشناس‌سازی: حذف اطلاعات هویتی قبل از تحلیل. برای جزئیات، پست حریم خصوصی در پرامپت نویسی را ببینید.
  • استفاده از مدل‌های محلی: اجرای مدل در زیرساخت خود سازمان.
  • قرارداد محرمانگی: تعهد کتبی سرویس‌دهنده.
  • پاک‌سازی ورودی: برای جزئیات، پست پاک‌سازی پرامپت را ببینید.
  • حاکمیت: برای جزئیات، پست حاکمیت پرامپت را ببینید.

پرسش‌های پرتکرار درباره پرامپت پرسونا و سفر

تفاوت پرسونای داده‌محور و تزئینی چیست؟

پرسونای داده‌محور بر شواهد واقعی استوار است و به تصمیم‌های عملی منجر می‌شود. پرسونای تزئینی بر حدس و فرض استوار است و فقط برای ارائه استفاده می‌شود.

آیا LLM می‌تواند جایگزین مصاحبه انسانی شود؟

خیر. LLM ابزاری برای تحلیل داده‌های موجود است، نه جایگزین مصاحبه مستقیم.

چطور از پرسونای کلیشه‌ای جلوگیری کنیم؟

با پرامپت‌هایی که مدل را به استناد به داده و پرهیز از توصیفات عمومی ملزم می‌کنند.

نقشه سفر باید چند مرحله داشته باشد؟

بستگی به محصول دارد. معمولاً ۵ تا ۷ مرحله از Awareness تا Advocacy.

چطور نقاط اصطکاک را اولویت‌بندی کنیم؟

با ماتریس Impact/Effort: اثر بر کاربر و کسب‌وکار در برابر تلاش برای رفع.

آیا پرامپت پرسونا و سفر بر هزینه اثر دارد؟

بله. تحلیل داده‌های حجیم، هزینه توکن را افزایش می‌دهد. برای بهینه‌سازی، پست بهینه‌سازی هزینه در پرامپت نویسی را ببینید.

آیا RAG برای پرسونا و سفر مفید است؟

بله. RAG می‌تواند داده‌های تاریخی کاربران را بازیابی و به پرامپت تزریق کند. برای جزئیات، پست RAG چیست را ببینید.

آیا پرامپت پرسونا و سفر با امنیت تداخل دارد؟

بله. داده‌های کاربران معمولاً محرمانه هستند. برای جزئیات، پست بهترین روش‌های امنیت پرامپت را ببینید.

چطور پرسونا و سفر را در تیم نهادینه کنیم؟

با تعریف فرایندهای استاندارد، ایجاد کتابخانه پرامپت و آموزش تیم. برای جزئیات، پست کتابخانه‌های پرامپت را ببینید.

آیا پرسونا و سفر نیازمند حاکمیت است؟

در سازمان‌های بزرگ، بله. برای جزئیات، پست حاکمیت پرامپت را ببینید.

آیا می‌توان از چند مدل برای پرسونا و سفر استفاده کرد؟

بله. در سامانه‌های پیشرفته، از چند مدل با نقش‌های متفاوت استفاده می‌شود. برای جزئیات، پست مجموعه‌های پرامپت را ببینید.

نتیجه‌گیری کاربردی

پرامپت نویسی برای پرسونا و سفر کاربر، حوزه‌ای است که در آن، کیفیت پرامپت مستقیماً بر کیفیت تصمیم‌های محصول اثر می‌گذارد. از ساخت پرسونای داده‌محور و ترسیم نقشه سفر تا شناسایی نقاط اصطکاک و بهینه‌سازی تجربه، پرامپت می‌تواند سرعت و دقت کار تیم محصول را چند برابر کند. اما این ابزار، جایگزین پژوهش انسانی نیست؛ ابزاری برای تحلیل سریع‌تر داده‌های موجود است.

در پرسونا و سفر کاربر، پرامپت خوب، تفاوت میان تصویر تزئینی و ابزار تصمیم‌گیری است.

در پروژه‌هایی که تیم‌های محصول از پرامپت استفاده می‌کردند، طراحی دقیق پرامپت مهم‌ترین عامل موفقیت بوده است. توصیه می‌شود ابتدا با پرامپت‌های ساخت پرسونا شروع کنید و به‌تدریج به نقشه سفر و بهینه‌سازی گسترش دهید. اگر تجربه‌ای در استفاده از پرامپت در پژوهش UX دارید، برای ما جالب است بدانید کدام جنبه بیشترین تأثیر را در تصمیم‌های تیم داشته است.