پرامپت نویسی برای نیازهای کاربر (User Needs Prompt Engineering)، طراحی پرامپت‌هایی است که به مدل‌های زبانی بزرگ (Large Language Models یا LLM) کمک می‌کند نیازهای واقعی کاربران را از داده‌های خام، مصاحبه‌ها، بازخورد و رفتار محصول استخراج و ساختاردهی کند. در محصولات دیجیتال، تفاوت میان «آنچه کاربر می‌گوید» و «آنچه واقعاً نیاز دارد» یکی از بزرگ‌ترین منابع شکست است. پرامپت خوب می‌تواند این شکاف را با تحلیل داده‌محور پر کند و به تیم محصول دید دقیق‌تری بدهد. اگر پرامپت ضعیف باشد، خروجی به تحلیل‌های سطحی و کلیشه‌ای 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 تحلیل نیازها استفاده می‌کردند، مشاهده شد که بزرگ‌ترین شکاف، تفاوت میان «خواسته» و «نیاز» است. کاربر ممکن است بگوید «دکمه را بزرگ‌تر کنید»، اما نیاز واقعی او سرعت انجام کار است. پرامپت دقیق می‌تواند این لایه پنهان را کشف کند. اگر با نقش زمینه و بافت در پرامپت نویسی آشنا هستید، آماده‌اید تا به لایه نیازسنجی وارد شوید.

پرامپت نویسی برای نیازهای کاربر را می‌توان با نوشتن یک بریف پژوهشی برای تیم UX مقایسه کرد: هرچه بریف دقیق‌تر، داده‌محورتر و ساختارمندتر باشد، نتیجه تحقیق معتبرتر است. در سامانه‌های LLM، این بریف همان پرامپت است. برای مطالعه بیشتر درباره مبانی، صفحه User-Centered Design در ویکی‌پدیا مرور مفیدی ارائه می‌دهد.

پرامپت نویسی برای نیازهای کاربر چیست؟

پرامپت نویسی برای نیازهای کاربر، فرایند طراحی پرامپت‌هایی است که به مدل زبانی کمک می‌کند نیازهای واقعی کاربران را از داده‌های خام استخراج، دسته‌بندی و اولویت‌بندی کند. این پرامپت‌ها، در چند دسته اصلی قرار می‌گیرند.

دسته‌های اصلی

  • پرامپت‌های تحلیل مصاحبه: استخراج نیاز از متن مصاحبه.
  • پرامپت‌های تحلیل بازخورد: استخراج نیاز از نظرات و تیکت‌ها.
  • پرامپت‌های تحلیل رفتاری: استخراج نیاز از داده‌های استفاده محصول.
  • پرامپت‌های دسته‌بندی: گروه‌بندی نیازها در دسته‌های معنادار.
  • پرامپت‌های اولویت‌بندی: رتبه‌بندی نیازها بر اساس اثر و فراوانی.

تفاوت با پرامپت عمومی

پرامپت عمومی، یک پاسخ توصیفی تولید می‌کند. پرامپت نیازسنجی، باید خروجی‌ای تولید کند که قابل‌استناد، قابل‌ردیابی و مبتنی بر داده باشد. هر نیاز باید به یک منبع مشخص ارجاع دهد.

نقش پرامپت در فرایند طراحی محصول

پرامپت نیازسنجی، ابزاری برای تسریع مرحله کشف (Discovery) در فرایند طراحی محصول است. اما این ابزار، جایگزین مصاحبه انسانی نیست؛ ابزاری برای تحلیل سریع‌تر داده‌های موجود است.

پرامپت نیازسنجی، ابزاری برای کشف نیاز واقعی، نه توجیه نیاز از پیش‌فرض‌شده.

تفاوت نیاز و خواسته

یکی از مهم‌ترین مباحث در نیازسنجی، تفاوت میان نیاز (Need) و خواسته (Want) است. کاربر معمولاً خواسته خود را بیان می‌کند، اما نیاز واقعی در لایه‌ای عمیق‌تر نهفته است.

نمونه‌ای از تفاوت

  • خواسته: «دکمه ورود را بزرگ‌تر کنید.»
  • نیاز واقعی: «ورود سریع‌تر و بدون خطا.»
  • خواسته: «یک فیلتر جدید اضافه کنید.»
  • نیاز واقعی: «پیدا کردن سریع محصول موردنظر.»

پرامپت کشف نیاز پنهان

You are a senior UX researcher. Analyze the following user
feedback and identify the UNDERLYING NEED behind each stated want.

Feedback:
{feedback_list}

For each item, provide:
1. Stated want (what the user asked for)
2. Underlying need (what they actually need)
3. Evidence from the feedback
4. Alternative solutions that might address the need better

Important:
- Do not assume needs without evidence from the text.
- If the underlying need is ambiguous, state this.
- Mark confidence level (high/medium/low) for each.

الگوهای رایج نیاز پنهان

  • سرعت: خواسته‌های مربوط به «ساده‌تر کردن» معمولاً نیاز به سرعت است.
  • کنترل: خواسته‌های مربوط به «تنظیمات بیشتر» معمولاً نیاز به کنترل است.
  • اطمینان: خواسته‌های مربوط به «نمایش بیشتر اطلاعات» معمولاً نیاز به اطمینان است.
  • صرفه‌جویی در زمان: خواسته‌های مربوط به «اتوماسیون» معمولاً نیاز به صرفه‌جویی در زمان است.

تحلیل مصاحبه کاربر

مصاحبه کاربر، یکی از غنی‌ترین منابع برای کشف نیاز است. پرامپت می‌تواند فرایند تحلیل مصاحبه را سرعت ببخشد.

پرامپت تحلیل مصاحبه

You are a UX researcher. Analyze the following user interview
transcript and extract structured insights.

Transcript:
{transcript}

Provide:
1. Summary of interview (3-5 sentences)
2. Key problems mentioned (with quotes)
3. Underlying needs (with evidence)
4. Current workarounds used
5. Emotional signals (frustration, delight, confusion)
6. Opportunities for product improvement
7. Open questions for follow-up

For each insight:
- Quote the exact text from transcript
- Mark confidence level (high/medium/low)
- Distinguish between stated want and underlying need

استخراج داده ساختاریافته

مصاحبه‌ها معمولاً متن طولانی و پراکنده دارند. پرامپت می‌تواند این متن را به داده ساختاریافته تبدیل کند.

Convert the following interview transcript into a structured
JSON format for further analysis.

Transcript: {transcript}

Output schema:
{
  "problems": [
    {"description": "...", "quote": "...", "severity": "..."}
  ],
  "needs": [
    {"description": "...", "evidence": "...", "confidence": "..."}
  ],
  "workarounds": [
    {"description": "...", "frequency": "..."}
  ],
  "emotions": [
    {"type": "...", "trigger": "...", "quote": "..."}
  ]
}

تحلیل چند مصاحبه همزمان

در پروژه‌های واقعی، معمولاً چند مصاحبه باید همزمان تحلیل شوند. پرامپت می‌تواند الگوهای مشترک را استخراج کند.

Analyze the following {n} interview transcripts and identify
common patterns.

Transcripts:
{transcripts}

Provide:
1. Common problems across interviews (with frequency)
2. Common needs across interviews
3. Unique insights per interview
4. Contradictions between interviews
5. Recommended product priorities based on evidence

For each common pattern:
- State the pattern
- Cite supporting quotes from at least 2 interviews
- Frequency count

تحلیل بازخورد و تیکت

بازخورد کاربران و تیکت‌های پشتیبانی، منبع غنی دیگری برای کشف نیاز هستند.

پرامپت تحلیل تیکت‌ها

You are a product analyst. Analyze the following support
tickets and categorize them by user need.

Tickets:
{tickets}

Provide:
1. Category breakdown (with counts)
2. Top problems by frequency
3. Top problems by severity
4. Underlying needs per category
5. Quick wins vs long-term fixes
6. Priority recommendation

For each category:
- Category name
- Number of tickets
- Common need
- Suggested solution direction

خوشه‌بندی نظرات کاربران

نظرات کاربران ممکن است هزاران مورد باشند. پرامپت می‌تواند این نظرات را خوشه‌بندی و دسته‌بندی کند. برای درک عمیق‌تر این رویکرد، پست پرامپت نویسی برای RAG را ببینید.

Cluster the following user reviews into semantic groups.

Reviews:
{reviews}

Provide:
1. Cluster name
2. Number of reviews in cluster
3. Representative quotes (2-3 per cluster)
4. Underlying need
5. Sentiment (positive/negative/mixed)
6. Suggested action

Order clusters by size (largest first).

تحلیل احساسات

تحلیل احساسات، لایه‌ای از اطلاعات را اضافه می‌کند که صرف دسته‌بندی نمی‌تواند ارائه دهد. برای مطالعه بیشتر، پست پرامپت نویسی برای تحلیل داده را ببینید.

تحلیل داده رفتاری

داده‌های رفتاری، لایه‌ای از نیازها را آشکار می‌کند که کاربران ممکن است بیان نکنند. پرامپت می‌تواند این داده‌ها را تحلیل کند.

پرامپت تحلیل داده رفتاری

You are a product analyst. Analyze the following user behavior
data and infer user needs.

Data:
{behavioral_data}

Provide:
1. Key behavioral patterns
2. Friction points (where users drop off)
3. Workarounds users have created
4. Features that are ignored
5. Inferred needs based on behavior
6. Recommended experiments

For each insight:
- State the pattern
- Cite data evidence
- Distinguish between correlation and causation
- Mark confidence level

تحلیل قیف تبدیل

تحلیل قیف تبدیل، به شناسایی نقاط اصطکاک کمک می‌کند. برای جزئیات، پست Conversion Funnel چیست را ببینید.

تحلیل Session کاربران

داده‌های Session، جریان رفتار کاربر را نشان می‌دهند. پرامپت می‌تواند الگوهای رفتار را استخراج کند.

مدل‌سازی با Jobs To Be Done

چارچوب Jobs To Be Done (JTBD) یکی از مؤثرترین روش‌های کشف نیاز است. پرامپت می‌تواند در پیاده‌سازی این چارچوب کمک کند.

پرامپت JTBD

You are a product strategist. Apply the Jobs To Be Done framework
to the following product context.

Product: {product}
Target audience: {audience}
Available data: {data}

Provide:
1. Functional jobs (what users are trying to accomplish)
2. Emotional jobs (how users want to feel)
3. Social jobs (how users want to be perceived)
4. Current solutions and their limitations
5. Hiring criteria (what makes users choose a solution)
6. Firing criteria (what makes users abandon a solution)
7. Opportunities for our product

For each job:
- Job statement in format: "When [situation], I want to [motivation],
  so I can [expected outcome]."
- Evidence from data
- Confidence level

نقشه نیازها

پس از استخراج Jobها، می‌توان نیازهای مرتبط را نقشه‌برداری کرد.

Create a needs map based on the following jobs and pain points.

Jobs: {jobs}
Pain points: {pain_points}

For each job:
- Related needs
- Current satisfaction level (1-5)
- Importance level (1-5)
- Opportunity score (importance + (importance - satisfaction))
- Recommended action

Sort by opportunity score (highest first).

ترکیب با JTBD و Persona

برای تحلیل کامل‌تر، می‌توان JTBD را با Persona ترکیب کرد. برای جزئیات، پست پرامپت نویسی برای پرسونا و سفر کاربر را ببینید.

اولویت‌بندی نیازها

پس از کشف نیازها، باید آن‌ها را اولویت‌بندی کرد. پرامپت می‌تواند در این مرحله کمک کند.

پرامپت اولویت‌بندی

You are a product manager. Prioritize the following user needs
using the RICE framework.

Needs:
{needs_list}

For each need, calculate:
1. Reach: How many users will this affect?
2. Impact: How much will this impact each user? (0.25-3)
3. Confidence: How confident are we? (0-100%)
4. Effort: How much work is required? (person-months)

RICE Score = (Reach × Impact × Confidence) / Effort

Provide:
1. Table with all scores
2. Ranked list by RICE score
3. Top 5 recommendations
4. Items that should be deprioritized
5. Items requiring more research

چارچوب‌های اولویت‌بندی

  • RICE: Reach, Impact, Confidence, Effort.
  • ICE: Impact, Confidence, Ease.
  • Kano Model: Must-have, Performance, Delighter.
  • MoSCoW: Must, Should, Could, Won't.
  • Impact/Effort Matrix: اثر در برابر تلاش.

استفاده از Kano Model

Analyze the following user needs using the Kano Model.

Needs:
{needs_list}

For each need, classify as:
- Must-have (basic expectation)
- Performance (more is better)
- Delighter (unexpected delight)
- Indifferent (no impact)
- Reverse (causes dissatisfaction)

Provide:
1. Classification per need
2. Evidence from data
3. Recommended priorities
4. Features to deprioritize

Format: table with classification and reasoning.

ساختار پرامپت نیازسنجی

یک پرامپت نیازسنجی مؤثر، ساختار مشخصی دارد.

اجزای پرامپت نیازسنجی

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

نمونه‌ای از پرامپت ساختاریافته

Role: You are a senior UX researcher and product strategist.

Context:
- Product: {product_name} in {category}
- Target audience: {audience}
- Current stage: {stage}

Data:
{input_data}

Task: Analyze the data and provide structured insights about
user needs.

Framework: Jobs To Be Done + Kano Model

Output:
1. Executive Summary
2. Top 5 user needs with evidence
3. Jobs To Be Done (functional, emotional, social)
4. Kano classification per need
5. Prioritization recommendations

Constraints:
- Base analysis ONLY on the provided data.
- Quote exact text as evidence.
- Mark confidence level for each insight.
- Do NOT invent user needs without evidence.

ترکیب با زنجیره تفکر

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

ارزیابی خروجی پرامپت

ارزیابی خروجی، بخش حیاتی پرامپت نیازسنجی است.

معیارهای ارزیابی

  • شواهد: آیا هر نیاز به داده‌ای مشخص ارجاع می‌دهد؟
  • کامل بودن: آیا همه داده‌ها تحلیل شده‌اند؟
  • عمق: آیا نیاز پنهان کشف شده یا فقط خواسته تکرار شده؟
  • قابلیت اقدام: آیا خروجی به تصمیم‌های عملی منجر می‌شود؟
  • بی‌طرفی: آیا تحلیل جانبدارانه نیست؟

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 واقعی: مقایسه با نتایج تصمیم‌های محصول.

خطر سوگیری تأییدی

یکی از خطرات اصلی در تحلیل نیازسنجی، سوگیری تأییدی است: تمایل به یافتن شواهدی که فرضیه‌های موجود را تأیید کند. برای جلوگیری، باید پرامپت را طوری طراحی کرد که مدل به‌دنبال شواهد متضاد نیز باشد.

As you analyze the data, explicitly look for evidence that
CONTRADICTS the common assumptions about this product.

For each major finding:
1. State the finding
2. Provide supporting evidence
3. Provide any contradicting evidence
4. If no contradicting evidence exists, state this explicitly
5. Mark the strength of evidence (strong/moderate/weak)

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: مهاجم ممکن است سعی کند داده کاربران را افشا کند. 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: پرامپت‌ها در چارچوب حاکمیتی مدیریت شوند. برای جزئیات، پست حاکمیت پرامپت را ببینید.

پرسش‌های پرتکرار درباره پرامپت نیازسنجی

پرامپت نیازسنجی چه تفاوتی با پرامپت عمومی دارد؟

پرامپت نیازسنجی باید داده‌محور، مستند و مبتنی بر شواهد باشد. هر نیاز باید به یک منبع مشخص ارجاع دهد.

آیا LLM می‌تواند جایگزین مصاحبه انسانی شود؟

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

چطور نیاز پنهان را از خواسته ظاهری تفکیک کنیم؟

با پرامپت‌هایی که از مدل می‌خواهند خواسته و نیاز را جداگانه تحلیل کند و شواهد هر یک را ذکر کند.

آیا تحلیل احساسات برای نیازسنجی مفید است؟

بله. احساسات کاربران می‌تواند نشانه‌ای از نیازهای ارضا‌نشده باشد که کاربران به‌صراحت بیان نمی‌کنند.

چطور از سوگیری تأییدی جلوگیری کنیم؟

با پرامپت‌هایی که از مدل می‌خواهند شواهد متناقض را نیز جستجو کند و قدرت شواهد را ارزیابی کند.

آیا پرامپت نیازسنجی بر هزینه اثر دارد؟

بله. تحلیل حجم بالای داده، هزینه توکن را افزایش می‌دهد. برای بهینه‌سازی، پست بهینه‌سازی هزینه در پرامپت نویسی را ببینید.

آیا RAG برای نیازسنجی مفید است؟

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

آیا پرامپت نیازسنجی با امنیت تداخل دارد؟

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

چطور پرامپت‌های نیازسنجی را در تیم نهادینه کنیم؟

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

آیا پرامپت نیازسنجی نیازمند حاکمیت است؟

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

آیا می‌توان از چند مدل برای نیازسنجی 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 نیازهای کاربر، حوزه‌ای است که در آن، کیفیت پرامپت مستقیماً بر کیفیت تصمیم‌های محصول اثر می‌گذارد. از تحلیل مصاحبه و بازخورد تا تحلیل داده رفتاری و مدل‌سازی JTBD، 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 نیازسنجی، پرامپت خوب، تفاوت میان کشف نیاز واقعی و تکرار خواسته ظاهری است.

در پروژه‌هایی که تیم‌های محصول از پرامپت استفاده می‌کردند، طراحی دقیق پرامپت مهم‌ترین عامل موفقیت بوده است. توصیه می‌شود ابتدا با پرامپت‌های تحلیل بازخورد شروع کنید و به‌تدریج به تحلیل رفتاری و مدل‌سازی JTBD گسترش دهید. اگر تجربه‌ای در استفاده از پرامپت در نیازسنجی دارید، برای ما جالب است بدانید کدام چارچوب بیشترین تأثیر را در کشف نیاز داشته است.