大规模用户声音分析

核心原则

1. 原声优先于总结——用户原话比AI概括更有说服力，每个痛点必须有代表原声支撑
2. 痛点分级而非平铺——按影响面×痛苦度×频率评分分级，不输出无优先级的痛点清单
3. 情感是信号不是噪音——负面情绪指向真实痛点，混合情感指向未满足期望，都需深入分析
4. 数据量决定可信度——反馈量<500条时结论降级为"探索性"，置信度上限0.5

交互模式

🤖 AI自动执行 — 无需人类介入，全程自动化完成

输入

输入格式

{
  "data_sources": [
    {
      "type": "app_reviews",
      "location": "string",
      "time_range": "string",
      "expected_volume": "number"
    },
    {
      "type": "support_tickets",
      "location": "string",
      "time_range": "string",
      "expected_volume": "number"
    },
    {
      "type": "social_mentions",
      "location": "string",
      "time_range": "string",
      "expected_volume": "number"
    },
    {
      "type": "community_posts",
      "location": "string",
      "time_range": "string",
      "expected_volume": "number"
    }
  ],
  "analysis_config": {
    "language": "string",
    "sentiment_model": "string",
    "clustering_method": "string",
    "min_cluster_size": "number"
  }
}

数据源说明：

• app_reviews：应用商店评论（App Store / Google Play / 其他）
• support_tickets：客服工单系统数据
• social_mentions：社交媒体提及（微博/小红书/Twitter等）
• community_posts：社区/论坛帖子

执行步骤

Step 1：数据采集与清洗

• 从各数据源拉取原始数据
• 去重（同一用户同一内容跨平台去重）
• 去噪（广告、水军、无关内容过滤）
• 语言检测与过滤
• 时间范围校验
• 输出：清洗后的反馈数据集，记录原始条数与清洗后条数

Step 2：情感分类

• 对每条反馈进行情感分类：正面 / 负面 / 中性 / 混合
• 提取情感强度（0-1）
• 对负面反馈提取情感维度：愤怒/失望/困惑/焦虑/其他
• 输出：每条反馈附带情感标签和强度

Step 3：主题聚类

• 对所有反馈进行语义聚类
• 生成主题标签（自动生成 + 人工可调整）
• 统计每个主题的反馈量、情感分布、趋势变化
• 识别跨主题的关联关系
• 输出：主题列表，每个主题包含反馈量、情感分布、代表原声

Step 4：痛点提取与分级

• 从负面反馈和混合反馈中提取痛点
• 痛点分级标准：
• P0（致命）：影响核心功能使用，大量用户受影响
• P1（严重）：影响重要体验，较多用户受影响
• P2（一般）：影响次要体验，部分用户受影响
• P3（轻微）：体验瑕疵，少量用户提及
• 痛点评分 = 影响面（受影响用户占比） × 痛苦度（情感强度均值） × 频率（提及次数/总反馈数）
• 输出：痛点列表，按评分降序排列

Step 5：用户分群洞察

• 基于反馈内容和情感模式进行用户分群
• 每个分群描述：核心特征、主要诉求、情感倾向、规模占比
• 识别分群间的差异和共性
• 输出：用户分群列表

输出

输出文件：output/pm-discovery/user-research-voice-analysis/voice-analysis.json

输出Schema：

{
  "type": "object",
  "required": ["summary", "metadata"],
  "properties": {
    "summary": {"type": "object", "description": "分析摘要，含反馈总量、情感分布、主题、痛点和用户分群"},
    "metadata": {"type": "object", "description": "元数据，含时间戳、数据质量标记和整体置信度"}
  }
}

输出校验规则：

{
  "summary": {
    "total_feedback_analyzed": "number",
    "data_sources_used": ["string"],
    "time_range": "string",
    "sentiment_distribution": {
      "positive": "number",
      "negative": "number",
      "neutral": "number",
      "mixed": "number"
    },
    "top_themes": [
      {
        "theme": "string",
        "feedback_count": "number",
        "sentiment_breakdown": {},
        "trend": "rising|stable|declining",
        "representative_quotes": ["string"],
        "confidence": "number"
      }
    ],
    "top_pain_points": [
      {
        "pain_point": "string",
        "severity": "P0|P1|P2|P3",
        "impact_score": "number",
        "affected_user_ratio": "number",
        "emotion_intensity_avg": "number",
        "frequency": "number",
        "related_theme": "string",
        "representative_quotes": ["string"],
        "confidence": "number"
      }
    ],
    "emerging_themes": [
      {
        "theme": "string",
        "frequency_change": "string",
        "current_volume": "number",
        "confidence": "number"
      }
    ],
    "user_segments": [
      {
        "segment_name": "string",
        "core_characteristics": ["string"],
        "primary_needs": ["string"],
        "sentiment_tendency": "string",
        "size_ratio": "number",
        "confidence": "number"
      }
    ]
  },
  "metadata": {
    "analysis_timestamp": "string",
    "data_quality_flags": ["string"],
    "confidence_overall": "number"
  }
}

决策规则

质量检查

降级策略

当上游文件不存在时，本Skill仍可独立执行：

数据获取说明

本Skill需要用户声音数据（评论、工单、社媒提及等），请通过以下方式之一提供：

1. 直接粘贴反馈文本内容
2. 上传CSV/Excel/JSON文件
3. 提供数据文件路径

• AI不负责外部数据采集，仅负责分析

上游变更响应

上游变更影响

本Skill为起始Skill，无上游文件依赖，不涉及上游变更影响。

下游通知机制