VOC-CTQ 质量需求分解

要解决什么问题

产品或服务质量改进往往从大量客户反馈开始，但原始 VOC（Voice of Customer）是零散的自然语言：投诉、建议、评价混在一起，很难直接变成可执行的关键质量特性（CTQ）和优先级。手工归纳词频、情感与需求类型，再画 VOC→CTQ 映射，成本高且容易漏项。

技能如何工作

本技能围绕 scripts/voc_analyzer.py 的多种 --mode 组织一条可分段也可一键跑通的流水线：

• VOC 录入：手动输入或从 JSON / CSV / TXT 导入（JSON 推荐，每条需含 text 等字段）。
• 文本分析：中文分词与词性标注（jieba）、关键词提取、需求分类，并用 snownlp 做情感倾向参考。
• CTQ 候选与确认：按词频与重要性抽出 CTQ 候选，可在输出 JSON 中人工增删改。
• 映射与优先级：建立 VOC 与 CTQ 的多对多关系；优先级综合频率权重（40%）、情感强度（30%）、明确重要性（30%）。
• 可视化：用 pyecharts 生成桑基图（VOC→需求类型→CTQ）、词云与 CTQ 优先级表格，输出 HTML 便于在浏览器里交互查看。

全流程可依次执行 analyze → extract-ctq → map → evaluate → visualize，也可使用文档中的快速全流程入口一次性跑完。

适用边界与注意点

• 情感分析对讽刺、反话识别有限，CTQ 与优先级结论建议人工复核后再用于决策。
• 领域术语可通过 user_dict.txt 自定义词典补充；单次数据量超过约 1000 条时建议分批处理。
• 输入输出格式细节见技能内 references/format_spec.md，避免字段名或结构不一致导致解析失败。