Loading skill
Install any skill in seconds. Free to start, no credit card required.
Get Started Free →Analyze and synthesize user research findings into structured, actionable insights. Use when given user research data, interview transcripts, survey results, or user feedback that needs to be analyzed and summarised. Produces a themed synthesis with prevalence data, supporting quotes, pain points analysis, feature request prioritisation, and recommended next steps. For interview transcripts specifically use user-interview-synthesis instead.
.claude/skills/mohitagw15856-user-research-synthesis/SKILL.md| Test case | Without → With | Effect | Δ tokens | Δ turns |
|---|---|---|---|---|
| case-03 | ✗→✓ | ▲ Improved | 82% | 0% |
| case-04 | ✗→✓ | ▲ Improved | 50% | 0% |
| case-05 | ✗→✓ | ▲ Improved | 97% | 0% |
| case-06 | ✗→✓ | ▲ Improved | 32% | 0% |
| case-14 | ✗→✓ | ▲ Improved | 92% | 0% |
Esta habilidad ayuda a analizar datos de investigación de usuarios y transformarlos en insights accionables siguiendo una metodología estructurada.
Solicita al usuario estos elementos si no se proporcionan:
Si existe un professional-brain (brain/), úsalo antes de preguntar:
hypotheses/ (qué suposiciones esta investigación puede validar o invalidar) y context.md (quiénes son los usuarios).knowledge/users.md, y mantén las notas brutas en source/. Etiqueta las afirmaciones derivadas de entrevistas como [interview] — nunca las conviertas en [data].Organiza hallazgos en temas usando esta estructura:
Nombre del Tema
Apunta a 4-8 temas mayores por esfuerzo de investigación.
Para cada punto de dolor identificado:
Categoriza solicitudes:
Para cada solicitud:
Documenta flujos de trabajo reales observados:
Si la investigación revela segmentos de usuario distintos:
Si los usuarios mencionaron competidores o alternativas:
Recomendaciones priorizadas basadas en insights:
Alta Prioridad
Prioridad Media
Baja Prioridad / Consideración Futura
Brechas de investigación identificadas:
Al sintetizar entrevistas:
Al analizar citas:
Al identificar temas:
**Tema: Sobrecarga de Información Durante la Incorporación**
**Descripción**: Los usuarios expresaron consistentemente sentirse abrumados por la cantidad de información presentada durante la configuración inicial, lo que llevó a una incorporación incompleta y a retrasar el tiempo para valor.
**Prevalencia**: 9 de 12 participantes mencionaron este problema sin ser preguntados
**Citas de Apoyo**:
- "Solo quería empezar, pero sentía que necesitaba leer un manual primero" [P3, Gerente de Marketing]
- "Para la tercera pantalla de instrucciones, empecé a hacer clic en 'Siguiente' sin leer" [P7, Representante de Ventas]
- "Desearía que hubiera una opción de 'inicio rápido' para personas como yo que solo quieren probarlo" [P11, Diseñador de Producto]
**Implicación**: Nuestro flujo de incorporación actual prioriza la integridad sobre el engagement. Deberíamos considerar un enfoque de divulgación progresiva donde los usuarios puedan comenzar a usar el producto rápidamente y aprendan funciones avanzadas contextualmente.
**Acción Recomendada**:
- Diseña una ruta de "Inicio Rápido" que lleve a los usuarios al primer valor en <3 minutos
- Mueve la configuración avanzada a ayuda contextual dentro de la app
- Prueba con 5-10 nuevos usuarios antes del lanzamiento completo
- Impacto esperado: mejora de tasa de activación de +20-30%Al sintetizar investigación, usa esta estructura:
markdown# Síntesis de Investigación de Usuarios: [Tema de Investigación] ## Resumen de Investigación - **Fecha**: [Rango de fechas] - **Metodología**: [Entrevista/Encuesta/Pruebas] - **Participantes**: [Número] [Tipos de usuarios] - **Preguntas de Investigación**: 1. [Pregunta 1] 2. [Pregunta 2] 3. [Pregunta 3] ## Resumen Ejecutivo [Resumen en 2-3 oraciones de los hallazgos clave e implicaciones] ## Temas Clave ### Tema 1: [Nombre del Tema] [Documentación completa del tema como se muestra en el ejemplo anterior] ### Tema 2: [Nombre del Tema] [Documentación completa del tema] [Continúa con 4-8 temas] ## Resumen de Puntos de Dolor | Punto de Dolor | Severidad | Frecuencia | Solución Actual | |---|---|---|---| | [Dolor 1] | Alta | 10/12 usuarios | [Cómo lo manejan] | | [Dolor 2] | Media | 7/12 usuarios | [Cómo lo manejan] | ## Solicitudes de Funcionalidades ### Imprescindible 1. **[Solicitud]** - Mencionada por [X] participantes - Cita: "[Cita representativa]" - Necesidad subyacente: [Por qué la quieren] ### Alto Valor [Estructura similar] ### Agradable Tener [Estructura similar] ## Recomendaciones ### Alta Prioridad (0-3 meses) 1. **[Recomendación]** - Evidencia de apoyo: [Datos de investigación] - Impacto esperado: [Qué mejorará] - Estimación de esfuerzo: [Dimensionamiento aproximado] ### Prioridad Media (3-6 meses) [Estructura similar] ### Consideración Futura (6+ meses) [Estructura similar] ## Preguntas Abiertas 1. [Pregunta que requiere más investigación] 2. [Incertidumbre a validar] 3. [Estudio de seguimiento necesario] ## Apéndice - Guía de entrevista utilizada - Datos completos de participantes - Notas brutas/transcripciones (enlace)
| Case | Status | Duration (ms) | Turns | Tokens | Tool calls | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Without | With | Δ | Without | With | Δ | Without | With | Δ | Without | With | Δ | ||
case-01 | fail→fail | 36,183 | 9,551 | -74% | 1 | 1 | 0% | 4,989 | 2,852 | -43% | 0 | 0 | — |
case-02 | pass→pass | 9,509 | 8,017 | -16% | 1 | 1 | 0% | 803 | 3,188 | +297% | 0 | 0 | — |
case-03 | fail→pass | 16,696 | 12,389 | -26% | 1 | 1 | 0% | 1,767 | 3,222 | +82% | 0 | 0 | — |
case-04 | fail→pass | 18,685 | 8,600 | -54% | 1 | 1 | 0% | 1,794 | 2,694 | +50% | 0 | 0 | — |
case-05 | fail→pass | 11,502 | 7,927 | -31% | 1 | 1 | 0% | 1,673 | 3,302 | +97% | 0 | 0 | — |
case-06 | fail→pass | 23,638 | 12,536 | -47% | 1 | 1 | 0% | 2,455 | 3,252 | +32% | 0 | 0 | — |
case-07 | pass→pass | 20,964 | 13,839 | -34% | 1 | 1 | 0% | 2,485 | 4,026 | +62% | 0 | 0 | — |
case-08 | fail→fail | 20,274 | 19,264 | -5% | 1 | 1 | 0% | 1,976 | 4,076 | +106% | 0 | 0 | — |
case-09 | pass→pass | 15,371 | 9,287 | -40% | 1 | 1 | 0% | 1,866 | 3,622 | +94% | 0 | 0 | — |
case-10 | pass→pass | 17,748 | 13,840 | -22% | 1 | 1 | 0% | 1,761 | 3,654 | +107% | 0 | 0 | — |
case-11 | pass→pass | 19,656 | 24,501 | +25% | 1 | 1 | 0% | 2,073 | 3,971 | +92% | 0 | 0 | — |
case-12 | pass→pass | 23,727 | 14,748 | -38% | 1 | 1 | 0% | 2,672 | 4,571 | +71% | 0 | 0 | — |
case-13 | pass→pass | 20,539 | 19,617 | -4% | 1 | 1 | 0% | 2,128 | 4,076 | +92% | 0 | 0 | — |
case-14 | fail→pass | 21,741 | 19,785 | -9% | 1 | 1 | 0% | 2,111 | 4,060 | +92% | 0 | 0 | — |
case-15 | pass→fail | 17,936 | 9,814 | -45% | 1 | 1 | 0% | 1,905 | 3,026 | +59% | 0 | 0 | — |
case-16 | pass→pass | 15,124 | 12,113 | -20% | 1 | 1 | 0% | 1,351 | 3,320 | +146% | 0 | 0 | — |
case-17 | pass→pass | 19,380 | 26,056 | +34% | 1 | 1 | 0% | 2,124 | 3,912 | +84% | 0 | 0 | — |
case-18 | pass→pass | 11,949 | 7,817 | -35% | 1 | 1 | 0% | 1,493 | 3,358 | +125% | 0 | 0 | — |
case-19 | pass→pass | 20,362 | 21,102 | +4% | 1 | 1 | 0% | 2,662 | 4,813 | +81% | 0 | 0 | — |
case-20 | pass→pass | 20,190 | 20,332 | +1% | 1 | 1 | 0% | 2,502 | 5,401 | +116% | 0 | 0 | — |
case-21 | pass→pass | 18,595 | 16,899 | -9% | 1 | 1 | 0% | 2,046 | 3,897 | +90% | 0 | 0 | — |
case-22 | fail→pass | 18,852 | 11,001 | -42% | 1 | 1 | 0% | 2,068 | 3,150 | +52% | 0 | 0 | — |
DecimalAI ran this skill against gemini-3.6-flash twice over the same eval suite — once with the skill loaded and once without — and compared the two runs case by case. 22 cases were attempted. The headline lift of +23 percentage points is the difference between those two pass rates over the 22 comparable cases. 1 case got worse with the skill loaded, and it is included in that figure.
Without the skill loaded, the model failed this case. With it loaded, the same prompt on the same model passed. This is one improved case from the latest verified run; every case, including any that regressed, is in the table above.
Other measured skills in the registry, with their headline benchmark lift.