问大家数据洞察引擎

要解决的问题

电商详情页的「问大家」是用户下单前最后一次提问的地方，里面的回答往往比官方卖点更真实。但这类数据有三个麻烦：第一，Excel 由天猫/京东后台导出，问答列是 时间 : 昵称 : 内容 的复合格式，同一单元格里还塞了多条回答，直接用 split(":") 解析会因为时间戳自带冒号而静默错位；第二，问题措辞千奇百怪，同一件事可能有十几种说法，纯机械统计只会得到一堆无意义的分组；第三，里面混着商家或机器人的复述式回答，不剔除就直接算情感分布，结论会被污染。

它怎么工作

技能把流程拆成机械统计交给脚本、语义判定交给 LLM：

• 环节 1 01_prepare_data.py 先用完整时间戳正则提取回答，再定位 : 昵称 : 分隔符；问题合并走严格精确匹配，无效问题分两层判定（噪音规则库 + LLM 语义层），并产出质量报告。
• 环节 2 LLM 按 references/分析框架.md 的 Prompt 归纳 8-15 个一级标签（不预设），再逐条打二级标签、场景和购买触发类型。
• 环节 3 回答层做情感五分类加观点/场景标签，正负并存按 8 条规则定档，疑似商家或机器人回答单独标记、不计入统计。
• 环节 4 最终标签维护在 02_cross_stats.py 顶部品类配置区，规则兜底加 LLM 语义补全。
• 环节 5-6 从需求侧、供给侧、竞品、用户画像交叉推导，产出产品机会点。

输出是 9 个 sheet 的 Excel 统计表和单页 HTML 报告，每条结论都要求可溯源。

适用边界

• 只处理「问大家」这一个数据源，评价/追评、客服聊天记录不在范围内。
• 新品类首次使用需要改 02_cross_stats.py 的配置区，标签体系和词库不会自动适配你的品类。
• 零样本直接跑，分类质量依赖建标批次的人工确认和 10% 抽检，省掉这两步等于拿噪声当结论。
• 技能明确要求客观公正第一：不编数据、不硬凑结论，「其他」占比过高时必须标注可能反映旧版本状态。