一个关键洞察值得关注：在提取用户需求方面，大模型确实已经开始超越部分专业分析师。这为产品开发和营销策略带来了全新的思路。

从事用户洞察的专业人士，常将挖掘用户需求视为核心能力，认为这比定量分析更考验功力、更体现研究深度。定性研究门槛高，需要深刻的理解和细腻的感知——本质上，依赖的是人的语言能力。

然而，大模型的崛起可能正在改变这一格局。有趣的是，大模型最擅长语言理解和文本处理，因此在“定性”分析方面反而能率先取得突破。至于定量研究？由于需要统一维度、生成图表、处理格式不一的数据，工作流程比定性复杂得多，目前大模型反而没那么得心应手。

今年2月，西北大学和MIT联合发布的一篇预印本研究，专门对比了不同大模型和专业分析师在用户需求提取上的表现。研究结果显示，经过监督微调的大模型在提取客户需求方面表现相当出色，甚至在某些维度上超越了专业分析师。这不仅提升了效率，更意味着大模型能够覆盖更广泛的客户需求范围，为产品开发、管理和营销策略提供了新的自动化工具。

那么，这项研究具体是如何进行的呢？

研究材料：两大核心数据来源

用户生成内容（UGC）

涵盖在线评论、博客、论坛等渠道，这些内容已被广泛用于挖掘客户体验和需求。以木材染色剂产品为例，研究者直接选取了14,341条在线评论，从中筛选出1000条具有信息价值的评论，交由分析师和大模型提取需求。

访谈记录

这部分来源于客户的体验式访谈数据，包括与行业专家、研究人员及客户的深度对话。研究中使用了20份访谈记录，这些记录被拆分为语义相关的句子群组，同样供分析师和模型提取需求。

可见，两种材料差异明显：UGC内容分散、简短，而访谈记录信息密度更大、上下文更丰富。这恰恰是定性研究的经典难题之一——如何有效处理不同形态的原始材料。

研究设计：盲测与样本构建

评估采用盲测方式：专业分析师在评判需求提取质量时，完全不知道这些需求是由人还是机器提取的。这能最大程度避免主观偏差。

样本举例说明：
- 木材染色剂产品：从1000条筛选评论中随机抽取150条，包含90条明确客户需求的评论（verbatims）、30条信息性评论、30条无信息评论。这种分层抽样设计，可全面评估模型在不同类型文本上的表现。
- 口腔护理产品：先整理出86个专业访谈中的最终需求，再将UGC评论与这些需求进行匹配测试。

评估维度：三大核心指标

评估专家从三个维度进行打分：

· 是否属于客户需求：判断提取的内容是否真正表达了用户想要的利益，具备概念化表达能力。
· 是否足够具体：需求陈述需要细节、有指导性，不能太模糊（如“要更好用”）也不能太具体（如“按一次按钮”），要能为产品开发提供方向。
· 是否基于原始文本：这个维度专门检查大模型是否存在“编造”内容——即业界常说的幻觉问题。需求陈述必须能从原始评论或访谈内容中找到合理依据。

结果对比：微调模型表现亮眼

· 基础LLM：表现较为勉强，提取的需求要么泛泛而谈，要么直接复述原始评论，与专业标准差距较大。

· 监督微调LLM：表现相当出色，在准确性、细节捕捉和忠实于原文方面达到了专业水准。更重要的是，它能从海量数据中提取出更广泛的需求，包括那些容易被忽略的小众需求和情感需求。

· 专业分析师：表现稳定，但在覆盖范围和效率上略逊于经过微调的大模型。

值得特别指出的是，这项研究使用的基础模型是Vicuna 13B——一个仅有13B参数的小模型。试想，如果换成如今更强的DeepSeek v3等模型，效果只会更上一层楼。

然而，科研与实际工作终究有所差异。如果你希望真正将大模型应用于实践，还需要针对自身业务场景设计专属工作流程。后续的需求分层、优先级排序等步骤，依然需要大量背景信息和商业判断，目前仍需人工完成。大模型更像一位高效的助手，而非替代人类思考的万能工具。