Discy.ai
AI 驱动的定性研究平台
Discy AI 是一个面向用户研究和产品团队的 AI 平台，用来自动分析用户反馈、访谈和研究数据，并生成洞察（insights）。它的核心目标是把原本非常耗时的研究分析过程自动化。
作为 Discy.ai 的UXUI设计师，我主导了旗舰产品 Insight Studio 的改版。这个项目希望将 Insight Studio 从手动标注工具升级为 AI 驱动的洞察工作空间，把数据探索、叙事生成与可视化分析整合到同一流程中。
新版Insight Studio模块上线四周内，用其进行分析的用户比例较旧版提升。
上线后调研显示，82% 的用户表示新模块改善了他们的研究分析工作流程。
AI 带来了新能力，却没有带来更好的工作流
用户
- 咨询顾问
- 研究团队
CAPTURE 数据输入
- 访谈记录
- 调研笔记
- 文档报告
DATA STUDIO 数据整理与归类
- 分析大量质性数据
- 识别关键主题与模式
INSIGHT STUDIO 生成结果
- 生成结构化主题
- 可视化分析
- 可追溯的发现
2024 年中，越来越多 SaaS 产品开始接入 AI，尝试用大模型处理文本、总结信息并提升知识工作效率。对研究和咨询类工具来说，AI 也开始被用于加速质性数据分析。
Discy 原本通过标签、主题和可视化帮助团队分析访谈与文档，但流程仍较依赖人工。随着 AI 能力成熟，团队开始尝试用 semantic classifier、AI summarisation 和 chatbot 提升分析效率。
启动目的
作为 Discy 中承接分析、归纳与报告输出的核心工作区，团队通过产品数据和内部反馈发现，Insight Studio 的实际使用率较低，而新加入的 Ask AI 也未能真正融入用户的日常工作流。项目因此启动，旨在重新审视 Insight Studio 的整体结构与使用方式，并重新定义 AI 在整个分析与报告流程中的角色。
理解问题与用户需求
项目初期，我们回顾了 Insight Studio 的原有设计，并通过用户感受分析Empathy Map梳理用户在数据分析过程中的行为与痛点。基于这些发现，我们进一步提炼关键洞察与用户任务，为后续产品策略与设计方向奠定基础。
Insight studio 原设计
Insight Studio 是 Discy 中用于整理研究结果和生成洞察的核心分析界面。原有设计将主要功能拆分为四个不同的标签页：Chart、Table、Ask AI 和 Saved。这种结构为数据浏览、表格查看和 AI 总结提供了不同工具，但也使分析流程被拆分在多个视图中。
展示单一维度的分布。以柱状图展示标签的数量分布，可以按用户定义的 Themes 来查看。支持筛选、排序和多类图表类型。
用户感受分析 Empathy Map
为了更深入理解用户在 Insight Studio 中的真实使用体验，我们与团队开展了一次“用户感受分析 Empathy Map” Workshop。通过梳理用户在分析过程中的「说、想、做、感」，我们整合了团队已有的用户认知，并共同识别出当前体验中的关键问题。
- 分析流程被多个标签页割裂，用户难以保持连续的分析思路。
- 可视化类型少，难以支持用户从不同维度理解数据。
- AI 生成内容较为泛化，与具体证据之间缺乏清晰关联。
- 用户需要反复进行筛选、分组等操作，分析过程较为重复。
- 跨维度对比能力受限，难以发现数据之间的关联。
- 用户常常需要借助外部工具完成洞察整理和报告撰写。
用户诉求（Jobs-To-Be-Done）
基于 Workshop 的讨论结果，我将六条关键发现按用户目标归类，合并指向同一需求的问题，整理并与团队确认了四条核心用户诉求（Jobs-to-be-done）。
连续工作流
我希望能在一个连续的工作流中探索和理解研究数据，这样在分析过程中不会不断丢失上下文
数据探索与可视化
我希望系统能够提供更多样的可视化方式，并支持多个维度的同时对比，这样我可以从不同角度探索数据并发现关键模式。
AI 辅助洞察
我希望 AI 生成的洞察能够链接到具体证据，并可以通过对话进行调整，这样我可以验证结论并逐步完善分析。
报告转化与输出
我希望分析结果能够自然转化为报告内容，这样可以更快地从分析进入报告输出。
竞品分析
从竞品中可以看到，市场已经具备研究仓库、自动总结和基础 AI 分析能力，但在多视角可视化探索，以及从分析到输出的一体化体验上仍存在明显空白。
| Dovetail | Aurelius | Condens | Loopanel | |
|---|---|---|---|---|
| 定位 | 企业级 customer intelligence 质性+多源数据分析 | UX 研究仓库与综合分析工具 | UX 研究仓库（Insights Magazine） | 以录音为核心的 AI 质性分析与仓库 |
| 工作流连续性 | 项目内可在数据、Canvas、图表、洞察之间切换，但Channels与项目分析独立运行，无统一视图 | 按固定步骤推进：Notes → Tags → Analysis Board → Report，流程线性，无法自由跳转 | 分屏模式支持左侧看原文、右侧写洞察，可跨项目搜索拖入证据，最接近统一工作空间 | 以访谈提纲为核心组织分析，按问题或标签分组查看，适合访谈项目但对非结构化数据支持弱 |
| 可视化探索 | 支持Bar/Pie/Treemap/Radar，Canvas支持AI自动聚类 | 仅柱状图和饼图，Analysis Board提供看板式亲和图 | 仅柱状图和饼图，Whiteboard可手动聚类 | 无传统图表，AI 自动聚类主题，数据分析视图 |
| AI 辅助能力 | Magic Search摘要附带引用链接，但用户反馈存在不准确问题 | AI Assist可生成摘要和主题，但无逐句引用、无原文链接，追溯依赖用户手动关联，四个工具中最弱 | AI建议标签但从不自动应用，所有AI内容可编辑，每条高亮保持到原文的链接，明确"human-in-the-loop"设计 | 最强：AI标签有✦图标区分，每条笔记链接到转录位置和视频片段，AI summar可生成摘要 |
| 输出方式 | Insights文档支持富文本、嵌入高亮/视频/图表，有全屏演示模式。导出格式PDF和JPEG。 | Key Insights自动汇入报告，导出PDF或分享链接，集成Jira和Zapier | 最灵活：Artifact系统支持报告、人物画像、旅程地图等模板，导出PDF/PNG/Excel，支持复制到PPT | Insights Summary面板支持拖拽排序，但正式报告需外部工具 |
| 产品截图 |   |   |   |   |
竞品分析表格
市场已具备研究仓库、AI 摘要和基础可视化能力。一些做法值得借鉴，比如 Condens 的模板系统帮助用户快速开始分析，Aurelius 的 Analysis Board 用拖拽卡片的方式做亲和聚类，Loopanel 的 AI 笔记可直接回溯到视频片段。但在多视角数据探索、AI 洞察追溯、以及从分析到报告输出的连贯体验上，仍存在明显空白。
设计机会点
基于这些洞察，我们进一步梳理出四个关键的产品策略，用于改善 Insight Studio 中从数据探索到洞察生成，再到报告输出的整体体验。
Product Tactic
通过构建连续的分析工作流，减少在不同工具与视图之间的切换
Product Tactic
通过提供更丰富和可定制的数据可视化方式，并支持多个维度的同时对比，帮助用户探索数据模式
Product Tactic
通过让 AI 生成的洞察与具体证据建立关联，并支持对话式调整
Product Tactic
通过支持分析结果直接转化为可交付的报告内容，缩短从洞察到输出的路径
Goal
让用户能够在 Insight Studio 中完成从数据探索到洞察输出的完整流程，减少对外部工具的依赖。
设计方向探索
聚类和整理想法
设计团队与 founder 基于前一步定义的设计机会点和竞品分析，共同开展了 Crazy 8 发散，快速探索 Insight Studio 的不同产品方向。在 ideation 结束后，我们进一步投票筛选出几个最有潜力的概念，继续进行可视化设计和后续假设验证。
1Canvas式洞察工作空间
对应 Tactic 1 & 4 以统一的画布作为分析空间，图表、洞察、引用共存于同一视图，支持从分析到报告输出的完整流程。
2预设好的模板化分析界面
对应 Tactic 2 以预设的分析卡片和多种可视化图表类型为入口，帮助用户快速从不同维度探索数据模式。
3AI辅助的叙事工作空间
对应 Tactic 3 由 AI 协助生成洞察内容，支持对话式追问和调整，并将生成结果链接到具体证据来源。
*发散过程中也产出了一些有价值但超出当前 scope 的想法，如实时协作编辑、跨项目知识库、版本回溯等（图中标记为 Parked），这些被纳入后续迭代的 backlog。
UI Development
在明确设计机会后，我从三种不同的分析工作流出发探索界面结构：空白画布驱动的探索、模板化分析面板，以及 AI 辅助的洞察叙事，并围绕这些概念快速草绘了多个界面变体。
Hi-fi 
Mid-fi 基于模板与 AI 的 Insight 工作空间
Canvas画布式洞察工作空间
- 集中管理：在同一个项目空间中统一管理多个报告或分析画布。
- 多标签与对比：支持在不同视图或画布之间切换与对比。
- 模板／延续：可以从画布模板开始，或基于过往项目继续分析。
模板化分析图文卡片
- 卡片化构建：将模块化分析卡片拖拽到画布上，逐步构建分析结构。
- 丰富的分析形式：从组件库中选择不同形式（叙事／图表）。
AI 辅助的叙事工作空间
- 即时生成：在画布中直接生成摘要与要点。
- 复用与优化：通过预设提示词快速生成，并可按语气或重点重新生成内容。
概念验证与改进
引导式原型测试
在确定 Insight Studio 的核心概念后，我希望验证一个关键问题：用户是否能够理解并接受这套由 canvas、模板化分析卡片和 AI 辅助叙事组成的分析工作流。为此，我和另一位设计师和18位用户进行了引导式原型测试，并结合 think aloud 的方式观察参与者如何理解和使用原型。
参与者在原型中依次完成以下关键步骤：
- 创建一个新的 Insight Canvas
- 浏览并选择模板
- 添加 graph / narrative cards
- 尝试使用 AI 生成功能
在过程中，我们重点关注：
- 用户是否理解 canvas 的作用与价值
- 模板是否能帮助他们快速开始分析
- graph / narrative cards 的组织方式是否清晰
- AI 功能在整个流程中的角色是否自然、可理解
测试结果
大多数参与者能够快速理解 Canvas 分析工作空间的作用
用户在进入画布后能够理解其结构。部分用户在空白画布时有短暂犹豫，但在看到模板入口后能顺利开始。现有用户主动对比旧版："不用在 tab 之间来回切了。"
图表与叙事卡片的组合被认为有助于将数据与洞察联系起来
用户在添加卡片后自发地把图表和叙事卡片放在一起对比。有参与者提到"以前要截图贴到 Word 里做的事情，现在在同一个页面就能完成。"
用户希望模板库中有更多分析图表和结构类型
模板作为起步方式被认可，但用户在浏览后表示现有类型不够用。现有用户反馈旧版希望能看到标签关系和跨参与者对比等分析视图。部分研究背景的用户还提到希望有类似 Persona、SWOT、Fish Bone 等结构化研究交付物的模板。
用户认为 AI 不应仅用于生成摘要
多位参与者在完成 AI 生成任务后主动追问"我能不能接着问它一个更具体的问题"，说明用户对 AI 的期望不是被动接收结果，而是能主动提问和调整。
改进
从固定结构的摘要输入到 AI 可交互的洞察笔记
原有设计中，Narrative 卡片主要围绕 Summary 与 Bullet points 两个固定结构展开，AI 的角色也主要是帮助生成这些内容。改进后的设计将 Narrative 卡片扩展为 AI 可交互的洞察笔记（Insight Note）。用户可以像与助手对话一样提问数据问题，AI 会结合当前画布中的图表和上下文生成分析建议。生成的内容可以直接编辑、修改或继续追问，从而逐步形成完整的洞察。
- Create Insight Note：用户可以从分析卡片库中选择 New Insight Note 并将其添加到画布。
- Ask questions and explore insights：在卡片中，用户可以通过自然语言提问数据问题，AI 会根据当前分析上下文生成洞察。
- Refine and insert insights：生成的内容可以继续编辑、追问或直接插入到洞察卡片中，从而逐步构建完整的分析结论。
可视化图表
基于用户反馈，我在模板库中做出了通用的图表和结构类型，如 Treemap、词云、柱状图和表格。
成果
Insight Studio 完成设计与 Figma 原型，并落地为可用版本。新工作空间整合了画布式分析、模板化图表和 AI 辅助洞察生成，使团队能够在同一空间中组织数据、生成洞察并快速形成报告。上线后，团队分析与报告效率明显提升，同时视频演示与原型也帮助团队获得更多内部支持，并推动了新的客户试点。
- 快速获得认可：该演示解锁了 3 个新的试点机会，并成为路演中的核心展示模块。
- 真实采用率：每周活跃用户 +34%。
- 用户反馈：上线后邮件调研显示，82% 的用户认为新模块改善了他们的洞察工作流程。
期待新机会 有好项目？
你好，我叫 ，你可以通过邮箱联系我 。我想和你聊聊 。
请使用另一台设备扫码
