用户需求洞察

要解决的问题

在做用户需求洞察时，常见困难不是没有数据，而是数据散落、口径不一、结论难以落地。营销、客服、产品各自维护关键词表和Excel，分析依赖人工阅读与归纳，周期长且不可复现；问卷和访谈的开放题缺乏统一的编码规则，模型输出难以评审；竞品与社媒反馈更新快，人工报告赶不上节奏。

核心能力与关键步骤

market-insight 将异构输入统一为结构化洞察，便于复现与对比：

• 数据接入与清洗：支持常见的 CSV、JSON、纯文本粘贴，去重、裁剪无效字符，保留来源与时间戳，减少噪声。
• 主题聚类：围绕用户需求、痛点、期望等维度做主题聚合，输出主题词与代表性片段，方便人工抽查。
• 情感与意图标注：对每条反馈标注情绪极性与意图类别（如购买、抱怨、功能建议），并给出依据片段。
• 证据链回溯：结论关联原始条目ID，避免“断章取义”，便于追溯。
• 摘要与优先级建议：生成可读的洞察报告与优先级排序，同时提示需人工复核的不确定样本。

典型工作流：

1. 准备输入（问卷开放题、客服记录、访谈纪要、应用商店评论等）。
2. 明确分析目标（例如“识别新功能需求Top5”）。
3. 调用技能，将原始数据交给 llm 进行主题聚类与标注。
4. 获取结构化结果（主题、证据、情绪分布、优先级建议）。
5. 人工评审关键主题与证据，必要时调整口径后重跑。

适用边界与注意点

• 数据质量决定上限：重复、模板化、语种混杂的输入会影响聚类稳定性。
• 避免将模型输出直接作为决策依据：对高影响结论进行人工二次验证与抽样核对。
• 隐私与合规：避免提交可识别个人信息，遵守数据合规要求。
• 评估建议：关注证据覆盖率、假阳性比例、长尾需求是否被遗漏。
• 可复现性：固定样本与提示词，保留运行记录，便于回归对比。