从一堆反馈到一份有信号的调研报告。
第 1 条：导入 30 份用户访谈录音转写稿，提炼痛点主题。
主题保真
主题有原文片段支撑。
第 2 条：「把应用商店的差评按问题聚类。」
样本代表性
标注样本量与来源分布。
第 3 条：「调研结论对产品决策意味着什么？」
结论边界
区分「用户说的」与「建议做的」。
提问：小样本能下结论吗？
统计纪律
标注样本量，只下探索性结论。
示例为说明检查流程的演示，不是任何产品的实测结果。
AI 做调研的正确分工：AI 管聚类、提炼与格式化，人管样本设计、访谈执行与结论边界。验收就看三件事——主题是否有原文支撑、样本是否标注、建议是否越权。
8 款工具，找到你的起点。
对比真正影响决策的差异。
8 款调研工具的定位、数据来源与产出，价格为站内档案口径。
| 工具 | 工作流定位 | 数据来源 | 产出 | 访问与价格 | 使用前复核 |
|---|---|---|---|---|---|
| Divinate | 用户研究聚合 | 访谈/反馈数据 | 主题与洞察报告 | 免费增值 | 主题是否附原文片段。 |
| OpinioAI | 观点验证 | 假设 + 反馈 | 验证结论 | 免费增值 | 样本是否支撑结论强度。 |
| Phron.io | 调研数据透视 | 调研数据集 | 快速分析结果 | 免费增值 | 分析口径与样本匹配。 |
| Competely | 竞品自动对比 | 竞品清单 | 维度对比报告 | 免费增值 | 数据来源与更新时间。 |
| CrowdView | 社区意见聚合 | 社区/论坛话题 | 观点聚类 | 免费增值 | 社区样本的偏差说明。 |
| Andi | 定向检索追踪 | 追踪关键词 | 检索摘要 | 免费增值 | 摘要与原帖一致性。 |
| Census GPT | 统计数据问答 | 人口/统计问题 | 数据答案 | 免费 | 统计口径与年份。 |
| TurboSeek | 多源并查核验 | 问题清单 | 多源对比 | 免费 | 来源间的一致性。 |
8 款工具逐个细看。
Divinate
- 免费增值
- 适合的场景
- 访谈材料多到读不完。
- 再想想的场景
- 聚类结果要回听原始录音。
- 开始之前
- 统一转写稿的质量标准。
OpinioAI
- 免费增值
- 适合的场景
- 要验证一个产品假设。
- 再想想的场景
- 结论强度受样本量限制。
- 开始之前
- 写清假设与判定标准。
Phron.io
- 免费增值
- 适合的场景
- 调研数据要快速出透视。
- 再想想的场景
- 口径漂移的常规风险。
- 开始之前
- 样本结构先于分析确认。
Competely
- 免费增值
- 适合的场景
- 要快速拉一份竞品对比。
- 再想想的场景
- 自动抓取的数据会滞后。
- 开始之前
- 关键维度去官网核实。
CrowdView
- 免费增值
- 适合的场景
- 要看社区真实讨论。
- 再想想的场景
- 社区样本不代表全体用户。
- 开始之前
- 明确社区的人群画像。
Andi
- 免费增值
- 适合的场景
- 定向话题持续追踪。
- 再想想的场景
- 检索结果有收录延迟。
- 开始之前
- 把追踪词整理成清单。
Census GPT
- 免费
- 适合的场景
- 需要人口统计佐证。
- 再想想的场景
- 统计口径易被误用。
- 开始之前
- 确认数据的年份与口径。
TurboSeek
- 免费
- 适合的场景
- 调研发现要多源核验。
- 再想想的场景
- 核验成本随源数上升。
- 开始之前
- 挑 2-3 个权威源即可。
从收集到洞察。
先定调研问题
调研为决策服务：先写下「这个调研要回答什么决策问题」，再设计问题与样本。没有决策目标的是闲聊不是调研。
样本结构先行
收集之前明确样本构成：新老用户比例、渠道来源、样本量。事后补救样本偏差几乎不可能。
AI 聚类人工验证
让 AI 把反馈聚成主题，每个主题必须附 3 条以上原文片段。没引语支撑的主题是脑补。
区分事实与建议
报告里「用户说了什么」和「建议做什么」分开放。AI 爱越权替产品拍板，读者要的是证据。
标注样本与局限
封面就写清样本量、构成与已知偏差。12 人访谈只支撑探索性结论，别让报告被误读成普查。
给调研分析一个清晰的分析契约。
主题要有原文支撑，结论要有样本边界——调研报告的两条底线。
目标 [调研要回答的决策问题]
数据 来源：[访谈 N 份 / 差评 N 条 / 问卷 N 份]
样本构成：[新老比例 / 渠道分布]
时间：[收集区间]
分析 1. 主题聚类：每主题附 ≥3 条原文片段
2. 频次与强度：各主题的提及分布
3. 矛盾与例外：不吻合的声音单独列
输出 1. 发现清单（事实层）
2. 建议（单独成节，标注依据）
3. 样本与局限说明
约束 区分「用户说的」与「建议做的」。
主题无原文支撑则删除。
结论强度与样本量匹配。使用前复核
开始调研之前的问题。
AI 能替代用户访谈吗？
不能替代访谈本身，但能替代访谈后的整理劳动。聚类、打标签、找模式这些活它干得又快又稳。
多少反馈才够分析？
主题层面 15-30 条就能出雏形，频次判断需要更大样本。关键看结论类型——探索性结论门槛低，量化结论要统计纪律。
差评分析有什么坑？
差评只见不满，会系统性高估问题严重度。要结合评分分布与使用场景，别拿差评聚类直接定路线图。
会漏掉重要信号吗？
会。长尾但关键的声音常被聚类吞掉。让 AI 单独输出「未归类的例外声音」清单，人工过一遍。
结论怎么写才不被误读？
每条结论标样本量与置信度，报告封面写局限。诚实标注边界比漂亮的百分比更值钱。
参考来源
上述对比依据各产品官网公示信息，工具档案持续复核更新。
