1. B端产品探索期调研工作量大
我们经常做调研应该知道，B 端产品探索期常做的调研包含 4 种：
- 市场调研：了解市场需求和用户反馈，分析市场竞争格局和发展趋势
- 需求调研：了解目标用户的需求、期望和反馈，分析用户的使用场景、行为习惯和痛点
- 竞品调研：了解竞品产品的优势和不足，分析竞品的用户群体、使用场景和功能特点
- 体验调研：了解用户对产品的使用体验、满意度和建议，分析用户的痛点和需求
调研中检索信息数据，整合资源、体验复杂产品、形成体验报告等工作量极大，项目时间短，很难完成。
2. 设计调研存在困难点
难点 1：探索全新的领域，入手难
行业、平台、业务都是全新的，我们需要好好理解平台和体验平台。同时，还需要收集尽可能多的信息，并在信息中判断整理出对我们有用的信息，但是庞大复杂的网络资源中，充斥着碎片化的信息，体系化知识较难获取。这就造成了，探索全新领域业务入手难的问题。
难点 2：脱离设计师生活，理解难
在前期探索阶段，设计师不是业务员，没有既往经验，并且，全新探索的业务里，从存量客户中较难找到合适的客户进行调研。这就造成了，脱离我们生活的业务理解难的问题。
难点 3：摸清 B 端竞品，时间短
我们的业务在市面上的竞品不多，资讯相对较少，想要找到合适的竞品需要不断体验，需要时间。B 端竞品多数要付费，在找竞品-注册-体验竞品，也比较耗费时间，一旦发现产品需要付费，那么前面的工作无疑浪费了时间（多数竞品会引导“免费”试用，但其实绑定海外信用卡才能真正试用，free 是一种忽悠手段）。不过，业务迭代发展快，我们需要快速完成。这就造成了，摸清 B 端竞品时间短的问题。
3. 试试ChatGPT吧！
根据我们调研工作量大、设计存在的困难点，我们思考可以尝试使用 ChatGPT 来做辅助工作，帮助我们快速整合资源信息、节约时间成本、精力、降低对 B 端业务的理解成本。
1. 帮我们快速了解行业&业务
这里取决于我们想了解行业的什么内容，由于我们产品的本质是想帮助外贸人做好营销，那么我们的用户就是外贸人，需要了解外贸人对营销的诉求。比如：营销对我们用户来讲意味着什么、我们的用户一般都用什么营销方式、为什么要用平台、为什么更愿意用某某平台、营销能给我们的用户带来什么商业价值/收益等等。我们向 ChatGPT 提问这些问题，它根据大数据整合信息吐给我们，多轮体验下来，ChatGPT 对于行业的相关信息质量还不错。
2. 帮我们快速了解竞品
用 ChatGPT 找到合适的竞品
尝试问 ChatGPT，同类型的竞品都有哪些，同时让它提供竞品介绍。但是！它提供的并不一定是符合我们的竞品，我们会针对它提供的竞品，提问竞品介绍、定位、功能等内容。这样，我们就会找到合适的竞品，再开始实际体验，这种方式比以往的方式快多了。
体验竞品时，用 ChatGPT 查缺补漏
当向 ChatGPT 询问相关竞品列表后便开始体验，我们的竞品基本都是海外产品，产品较为成熟，结构信息复杂，要摸清竞品的功能，入口，使用流程，耗费时间长。结构复杂的，功能隐藏深。这时候，我们在体验竞品后作为查缺补漏，会让 ChatGPT 将竞品是否有 xxx 功能？功能入口在哪里提供出来。
举个例子：B 端竞品有免费试用，实际在注册时才提示要绑定银行卡才能体验，而绑定银行卡这个要求并未在竞品官网中体现。而后，我们就“试用产品是否需要绑定银行卡”的问题询问 GPT，ChatGPT 居然能回答出只有在使用产品流程中才能获取的信息（当然，也可能它是从一些论坛中获得的信息。）
3. 帮我们快速获取数据
我们在前期调研时的诉求是，希望它能快速的帮我们找到一些专业研究报告，以及对应的研究数据，以辅助我们设计师总结。
实操过程中，它的确可以按照我们的要求找到具体的研究报告，同时，我们会引导它从研究报告的角度，帮助我们摘取报告中提到的内容、罗列出具体的数据。但是，我们前期提问比较宽泛，尝试多次重复提问同一个问题，它给我们的研究数据都不一样。它给我们的数据只是罗列整合，而我们发现其实因为“不同的机构”“不同的研究报告时间”“不同的研究角度”“研究面向的人群”，都会导致几份数据报告结果不一致，这会干扰我们的判断。因此，我们后续继续从：哪些研究机构更权威、我只要近一年的报告、我要平台官方数据不要第三方数据等不断提问，获取到了我们需要的研究数据信息。
我们设计师最后需要做的是：通过 ChatGPT 提供的信息，我们自己去判断用哪个研究报告合适、以哪份数据为准、整理合并数据报告的信息、做分析比对工作，得出调研结论。这个过程就是用 Gpt 帮助我们获取合适的数据，节约我们找/查/读数据报告的时间。
1. 不做分析性的工作
原因一：它无法代入我们的业务属性，给出合适的分析结果
我们从 ChatGPT 上获取到的信息，是它从大数据训练而得的，但是我们无法判断它的分析逻辑是否是符合我们业务，也就是说，它的回答不具备“具体的业务属性”。而我们去做调研分析，一定会代入我们的业务属性，明确业务背景和方向前提下的。以下是它的回答：
原因二：它给出的设计层面的分析偏点状，不够有递进性和系统性
我们尝试让他分析如何在一款 xx 产品里，让用户感受到节约时间成本、效果更好。它给出的答案都是点状的，缺少“分析”思路。相比来讲，我们可能会从关键点、目标、思路、设计递进分析。从关键点入手，再去针对性的拆解出设计的目标、方案思路等等。
2. 不做总结性的工作
ChatGPT 给出的总结中，存在部分我们不需要的信息，但是它会融进自己的逻辑中总结出来。举个例子，当我们想对 xxx 内容进行总结，ChatGPT 会按照自己某种逻辑给出数据、以及总结。我们向它溯源它的数据，发现它的数据来源并不是最新、最权威的报告，那么总结的内容就不符合我们的要求。所以，建议我们将 ChatGPT 给出的信息进行二次筛选，选出最专业、最新、最全的信息，再人工做最终的总结。
1. 答案不是你想要的？可以转换提问方式
怎么换提问方式呢，简单粗暴的方案，我们对他说：重新换个答案，这不是我想要的；或者我们思考转化问法，比如：问 ChatGPTxxx 营销的目的是什么，如果答案不合适，我们可以换成问：用户在营销时会做什么，想做什么？实际上都是针对用户类似的心理提出的问题。
2. 下钻提问，可以不断深挖信息
举个例子，比如我们想知道 5 款社媒平台对帖子内容的建议，它给出汇总性的答案。我们会继续分开提问每一个社媒平台的建议，再继续提问建议的来源是什么，再提问来源渠道是否专业准确。从而去反向证明，它最先汇总给出的答案是不是合适。
3. 校验答案是否准确
这种校验很简单，比如它给出了链接，我们去点击看下是不是符合它所说的，比如它告知的结果，我们去实际体验下产品。下图就是 ChatGPT 给出的错误答案，由我们自己校验而得出，官网链接错误以及产品是付费的但是它说免费。
4. 深入提问它的答案依据，判断它是否专业
在它给出答案后，我们会继续提问答案的来源依据，方法是这样的：
- 「正向提问给结果」我们问 ChatGPT 问题，它会给出一个结果
- 「从结果中反向提问」向 ChatGPT 正向提问的结果中，找到关键词反向提问，以看正反向结果是否差别不大
- 「追问结果的来源」追问它给出的答案的来源，判断来源是否权威、专业
举个例子：
我们先正向提问：“如何衡量营销效果”，而后，我们从正向答案中提到的关键词是某些数据，再反向提问：“某数据对营销效果的影响”，最后，在它给的结果中包含数据，我们追问数据是从哪些报告或机构中得来的。这一套方法下来，基本可以判断出 ChatGPT 给出的结果是否专业了。
5. 追问答案时间，确定是否是最新答案
在给出的答案中，若我们对信息的时效性有要求，那么就需要追问 ChatGpt 提供的信息的时间，如果它也无法提供信息来源时间，我们就得需要自己再去检索。
最后的最后，不要完全相信它的答案，一定要：正反提问！多次检验！多重筛选！
