15c - AI 辅助用户访谈分析

你的访谈场景是什么？
│
├── 线上会议（Zoom/Meet/Teams）
│   ├── 需要实时转录 + 团队协作 → Fireflies.ai / Otter.ai
│   ├── 需要多语言支持（>10 种语言）→ tl;dv
│   └── 需要剪辑高亮片段分享 → Grain
│
├── 线下面对面访谈
│   ├── 录音后上传转录 → Otter.ai / Rev
│   └── 隐私敏感（医疗/金融）→ Whisper 本地部署
│
└── 大批量历史录音
    ├── 预算充足 → Rev 人工转录
    └── 预算有限 → Whisper API 批量处理

pip install openai-whisper
# 或使用更快的 faster-whisper
pip install faster-whisper

from faster_whisper import WhisperModel
import os
import json
 
model = WhisperModel("large-v3", device="cuda", compute_type="float16")
 
def transcribe_interview(audio_path, output_dir="transcripts"):
    """转录单个访谈录音，输出带时间戳和说话人的文本"""
    os.makedirs(output_dir, exist_ok=True)
    
    segments, info = model.transcribe(
        audio_path,
        language="zh",  # 中文访谈
        vad_filter=True,  # 过滤静音段
        word_timestamps=True
    )
    
    transcript = []
    for segment in segments:
        transcript.append({
            "start": round(segment.start, 2),
            "end": round(segment.end, 2),
            "text": segment.text.strip()
        })
    
    # 保存为 JSON（便于后续 AI 分析）
    base_name = os.path.splitext(os.path.basename(audio_path))[0]
    output_path = os.path.join(output_dir, f"{base_name}.json")
    with open(output_path, "w", encoding="utf-8") as f:
        json.dump({
            "file": audio_path,
            "language": info.language,
            "duration": info.duration,
            "segments": transcript
        }, f, ensure_ascii=False, indent=2)
    
    return output_path
 
# 批量转录目录下所有音频文件
audio_dir = "interviews/"
for filename in os.listdir(audio_dir):
    if filename.endswith((".mp3", ".wav", ".m4a")):
        print(f"转录中: {filename}")
        transcribe_interview(os.path.join(audio_dir, filename))

def format_transcript_for_analysis(json_path):
    """将转录 JSON 格式化为适合 LLM 分析的纯文本"""
    with open(json_path, "r", encoding="utf-8") as f:
        data = json.load(f)
    
    lines = []
    for seg in data["segments"]:
        timestamp = f"[{seg['start']:.0f}s]"
        lines.append(f"{timestamp} {seg['text']}")
    
    return "\n".join(lines)

录音/视频
    ↓
AI 转录（Otter.ai / Whisper / Fireflies）
    ↓
转录文本清洗（去除填充词、修正错误）
    ↓
AI 结构化分析（Claude / ChatGPT）
├── 关键发现摘要
├── 主题编码（自动标签）
├── 情感分析（正面/负面/中性）
├── 用户引述提取（原话高亮）
└── 行动建议
    ↓
人工审查与补充
    ↓
存入用研知识库（Dovetail / Notion）

提示词模板（Claude / ChatGPT）：

你是一位资深 UX 研究员。请对以下用户访谈转录进行深度分析。

**产品背景**：[一句话描述你的产品]
**访谈目的**：[本次访谈想要了解什么]
**受访者信息**：[角色/背景简述]

---
[粘贴访谈转录文本]
---

请按以下结构输出分析报告：

## 1. 访谈摘要（3-5 句话）
概括本次访谈的核心发现。

## 2. 关键主题（按重要性排序）
对每个主题：
| 主题 | 描述 | 情感倾向 | 提及次数 | 关键引述 |
|------|------|---------|---------|---------|

## 3. 用户痛点（按严重程度排序）
| 痛点 | 严重程度（1-5） | 当前解决方案 | 产品机会 |
|------|----------------|-------------|---------|

## 4. 用户需求（显性 + 隐性）
- **显性需求**（用户直接表达的）：
- **隐性需求**（从行为和语境推断的）：

## 5. 情感分析
- 整体情感基调：正面 / 中性 / 负面
- 情感变化曲线：在哪些话题上情感明显变化？
- 高情感强度时刻：[列出关键时刻和原话]

## 6. 可操作洞察
| 洞察 | 支撑证据 | 建议行动 | 优先级 |
|------|---------|---------|--------|

## 7. 后续问题
列出 3-5 个需要在后续访谈中深入探索的问题。

提示词模板（Claude）：

请对以下访谈转录进行定性编码（Qualitative Coding）。

**编码框架**（如有预定义的编码体系，在此列出）：
- [代码类别 1]：[描述]
- [代码类别 2]：[描述]
- 如果没有预定义框架，请使用扎根理论（Grounded Theory）方法，
  从数据中自下而上地生成编码。

---
[粘贴访谈转录]
---

请输出：

### 开放编码（Open Coding）
逐段标注编码，格式：
| 段落/引述 | 编码 | 备注 |
|----------|------|------|

### 轴心编码（Axial Coding）
将开放编码归类为更高层次的类别：
| 类别 | 包含的编码 | 关系描述 |
|------|-----------|---------|

### 选择性编码（Selective Coding）
识别核心类别和主题：
- 核心主题 1：[描述]
- 核心主题 2：[描述]

### 编码频率统计
| 编码 | 出现次数 | 占比 |
|------|---------|------|

提示词模板（Claude / Gemini 2.5 Pro）：

你是一位产品洞察分析师。请综合以下多个来源的用户反馈，
生成统一的产品洞察报告。

**产品**：[产品名称和简述]
**分析时间范围**：[最近 30 天 / 季度 / ...]

---
### 来源 1：用户访谈摘要（N=X 场）
[粘贴访谈分析摘要]

### 来源 2：NPS 调查开放式回答（N=X 条）
[粘贴调查回答]

### 来源 3：客服工单主题统计（N=X 条）
[粘贴工单数据]

### 来源 4：应用商店评论（N=X 条）
[粘贴评论数据]

### 来源 5：社交媒体讨论（N=X 条）
[粘贴社交媒体数据]
---

请输出：

## 1. 跨渠道主题矩阵
| 主题 | 访谈 | 调查 | 工单 | 评论 | 社交 | 总提及 | 情感 |
|------|------|------|------|------|------|--------|------|

## 2. Top 5 用户痛点（跨渠道验证）
对每个痛点：
- 描述：
- 证据来源：[列出在哪些渠道被提及]
- 严重程度：（基于提及频率和情感强度）
- 代表性用户引述：
- 影响范围估算：

## 3. Top 5 功能请求（跨渠道验证）
| 功能 | 请求频率 | 来源渠道 | 竞品是否已有 | 实现难度估算 |
|------|---------|---------|-------------|-------------|

## 4. 情感趋势分析
- 整体情感分布：正面 X% / 中性 X% / 负面 X%
- 与上期对比：情感是改善还是恶化？
- 情感变化的驱动因素：

## 5. 用户细分洞察
按用户类型/角色分析差异：
| 用户群 | 核心痛点 | 核心需求 | 满意度 |
|--------|---------|---------|--------|

## 6. 产品决策建议
| 建议 | 优先级 | 预期影响 | 支撑证据强度 |
|------|--------|---------|-------------|

## 7. 数据盲区
列出当前数据无法回答的关键问题，建议补充调研方向。

┌─────────────────────────────────────────────────────┐
│           n8n 多源反馈综合分析工作流                   │
├─────────────────────────────────────────────────────┤
│                                                     │
│  触发器：每月 1 日自动执行 / 手动触发                  │
│      ↓                                              │
│  并行数据采集：                                      │
│  ├── Zendesk API → 近 30 天工单摘要                  │
│  ├── App Store Connect API → 近 30 天评论            │
│  ├── Typeform API → 近 30 天 NPS 回答               │
│  ├── Intercom API → 近 30 天对话标签统计             │
│  └── Notion API → 近 30 天访谈分析笔记               │
│      ↓                                              │
│  数据预处理节点：                                     │
│  - 统一格式（来源、文本、日期、情感标签）              │
│  - 去重和清洗                                        │
│  - 按主题预分类                                      │
│      ↓                                              │
│  AI Agent 节点（Claude Sonnet）：                     │
│  - 使用"多源反馈综合分析"提示词模板                   │
│  - 生成结构化洞察报告                                │
│      ↓                                              │
│  输出分发：                                          │
│  ├── Notion → 创建月度洞察报告页面                    │
│  ├── Slack → 发送摘要到 #product-insights             │
│  ├── Linear → 自动创建高优先级 Issue                  │
│  └── Google Slides → 生成月度汇报 PPT 草稿           │
│                                                     │
└─────────────────────────────────────────────────────┘

提示词模板（Claude）：

请对以下访谈转录进行细粒度情感分析。
不仅分析整体情感，还要识别情感的变化和触发因素。

---
[粘贴访谈转录]
---

请输出：

### 情感时间线
按访谈进程标注情感变化：
| 时间段/话题 | 情感 | 强度（1-5） | 触发因素 | 关键引述 |
|------------|------|-----------|---------|---------|

### 情感维度分析
对以下维度分别评估：
| 维度 | 评分（-5 到 +5） | 证据 |
|------|-----------------|------|
| 对产品的满意度 | | |
| 对竞品的态度 | | |
| 对价格的接受度 | | |
| 对未来的期望 | | |
| 对团队/服务的评价 | | |

### 情感高亮时刻
列出情感最强烈的 3-5 个时刻：
1. [时间戳] [引述] — 情感：[描述] — 产品启示：[分析]

### 矛盾信号
列出用户言行不一致或自相矛盾的地方：
| 矛盾点 | 用户说的 | 实际行为/其他证据 | 可能的解释 |
|--------|---------|-----------------|-----------|

提示词模板（Claude / Gemini 2.5 Pro）：

我已完成 [N] 场用户访谈的单独分析。
请综合以下所有访谈的分析结果，提取跨访谈的共性主题。

**研究问题**：[本轮访谈想要回答的核心问题]

---
### 访谈 1 分析摘要
受访者：[角色/背景]
[粘贴单次分析的关键发现]

### 访谈 2 分析摘要
...

### 访谈 N 分析摘要
...
---

请输出：

## 1. 主题饱和度分析
| 主题 | 提及的访谈数 | 饱和度 | 是否需要更多数据 |
|------|------------|--------|----------------|

## 2. 核心发现（按证据强度排序）
对每个发现：
- **发现描述**：
- **支撑访谈数**：X/N
- **代表性引述**（来自不同受访者）：
  - 受访者 A："..."
  - 受访者 B："..."
- **反面证据**（如有不同意见）：
- **置信度**：高/中/低

## 3. 用户旅程痛点地图
按用户旅程阶段组织痛点：
| 阶段 | 痛点 | 频率 | 严重度 | 现有解决方案 |
|------|------|------|--------|-------------|

## 4. 意外发现
列出研究前没有预期到的发现：

## 5. 研究局限性
- 样本偏差：
- 未覆盖的用户群：
- 需要补充的研究方向：

提示词模板（Claude）：

基于以下 [N] 场用户访谈的分析结果，
请生成 [3-5] 个数据驱动的用户画像（Persona）。

**产品**：[产品描述]
**目标市场**：[市场描述]

---
[粘贴所有访谈的综合分析结果]
---

对每个画像，请按以下模板输出：

### 画像 [编号]：[画像名称]

**基本信息**
- 姓名（虚构）：
- 年龄范围：
- 职业/角色：
- 技术水平：
- 代表的受访者：[列出对应的受访者编号]

**背景故事**（2-3 句话）

**目标与动机**
1. 主要目标：
2. 次要目标：
3. 深层动机：

**痛点与挫折**
1. 最大痛点：
2. 日常困扰：
3. 未被满足的需求：

**行为模式**
- 典型使用场景：
- 使用频率：
- 决策因素：
- 信息获取渠道：

**对产品的态度**
- 期望：
- 担忧：
- 愿意支付的价格范围：

**代表性引述**
> "[从访谈中提取的最能代表此画像的原话]"

**设计启示**
- 为这个画像设计时应该优先考虑：
- 应该避免：

---

最后，请生成一个**画像对比矩阵**：
| 维度 | 画像 1 | 画像 2 | 画像 3 |
|------|--------|--------|--------|
| 核心需求 | | | |
| 技术水平 | | | |
| 价格敏感度 | | | |
| 使用频率 | | | |
| 决策因素 | | | |

项目名称：[产品名] 用户画像 - [画像名称]
项目说明：这是基于 [N] 场真实用户访谈数据构建的可交互用户画像。
你可以像采访真实用户一样与这个画像对话。

你现在扮演 [画像名称]，一位 [职业/角色]。

你的背景：[粘贴画像的背景故事]
你的目标：[粘贴画像的目标]
你的痛点：[粘贴画像的痛点]
你的行为模式：[粘贴画像的行为模式]

规则：
1. 始终以 [画像名称] 的身份回答，使用第一人称
2. 你的回答必须基于知识库中的真实访谈数据
3. 如果被问到访谈数据中没有覆盖的问题，
   请明确说"这个问题我不确定，在我们的访谈中没有讨论过"
4. 保持与真实受访者一致的语气和态度
5. 不要编造访谈中不存在的信息

示例对话：

PM："你觉得我们新增的批量导出功能怎么样？"
AI 画像："说实话，批量导出对我来说不是最急需的。
我更希望你们先把搜索功能做好，我每天要花很多时间
在里面找东西。就像我之前说的，'每次找一个文件
都要翻好几页，太浪费时间了'。"

PM："如果我们把价格从 $10 提到 $15，你还会续费吗？"
AI 画像："$15 的话我需要认真考虑一下。我现在用的
免费方案其实已经能满足大部分需求了，付费主要是
为了团队协作功能。如果涨价的话，我可能会去看看
[竞品名] 的方案。"

工具选择：Fireflies.ai（Pro 计划，$10/用户/月）
原因：自动加入 Zoom 会议、实时转录、说话人识别

配置：
- 自动加入所有标记为"用户访谈"的日历事件
- 开启说话人识别（区分访谈者和受访者）
- 开启 AI 摘要（每场访谈自动生成摘要）
- 设置自动导出到 Google Drive

工具：Claude Pro（$20/月）

流程：
1. 从 Fireflies 导出转录文本
2. 使用"单次访谈深度分析"提示词模板
3. Claude 输出结构化分析报告（约 5 分钟/场）
4. 人工审查 AI 分析，补充遗漏的洞察（约 15 分钟/场）
5. 将审查后的分析存入 Notion 用研数据库

每场访谈分析时间：约 20 分钟（传统方法需要 4-6 小时）

工具：Claude Pro（使用 200K 上下文窗口）

流程：
1. 将 12 场访谈的分析摘要合并为一个文档
2. 使用"跨访谈主题提取"提示词模板
3. Claude 输出跨访谈综合报告

关键发现：
- 主题饱和度：在第 8 场访谈后，新主题出现频率显著下降
- Top 3 痛点：
  1. 任务依赖关系可视化不足（10/12 场提及）
  2. 通知过多导致信息过载（9/12 场提及）
  3. 与 Slack 的集成不够深入（7/12 场提及）
- 意外发现：4 位受访者提到希望有 AI 辅助任务分配功能

工具：Claude Pro

流程：
1. 使用"从访谈数据生成用户画像"提示词模板
2. 生成 3 个核心画像：
   - "效率至上的技术主管"（代表 5/12 受访者）
   - "协作导向的项目经理"（代表 4/12 受访者）
   - "独立工作的远程开发者"（代表 3/12 受访者）
3. 为每个画像创建 Claude Project 可交互版本

产出物：
1. 12 场访谈的结构化分析报告（Notion）
2. 跨访谈综合洞察报告（Notion + Google Slides）
3. 3 个数据驱动的用户画像（Notion + Claude Projects）
4. V2 功能优先级建议（基于痛点严重度 × 提及频率）

决策结果：
- P0：任务依赖关系甘特图（痛点 #1）
- P1：智能通知过滤（痛点 #2）
- P1：Slack 深度集成（痛点 #3）
- P2：AI 辅助任务分配（意外发现，需要更多验证）

总成本：
- Fireflies.ai Pro：$10/月
- Claude Pro：$20/月
- Notion：$0（免费计划足够）
- 总计：$30/月（vs 传统方法需要外包研究员 $5,000+）

总时间：
- AI 辅助：约 2 人天（分散在 14 天内）
- 传统方法：约 8-10 人天