把 300 条用户反馈用 AI 聚类成 5 类需求：一次落地复盘

背景：一堆积压的用户反馈

我们产品停了半年没专人看用户反馈，后台堆了约 300 条留言，长短不一：有吐槽卡顿的、有问功能的、有提具体改进点的。老板要的是"用户到底最想要什么"，而不是逐条读 300 句话。于是我用 AI 做了一次聚类复盘。

第一步：把数据整理干净

• 从后台导出 CSV，只留「反馈内容」和「提交时间」两列。
• 用表格过滤器删掉"很好""？"这类无信息量的空话，剩约 240 条有效。
• 把内容列粘进一个 txt，每条一行，前面加序号，方便回查。

第二步：让 AI 先做粗聚类

提示大致是："以下是 240 条用户反馈，请按主题聚成 5–7 类，每类给一个名称、一句话概括、并列出 representative 的 3 条原文序号。"

它第一次给出了 6 类：性能卡顿、功能缺失、上手困难、价格、特定场景需求、误报/误触。方向基本对，但"特定场景需求"里混进了不该有的条目。

第三步：人工纠偏 + 二次收敛

• 我指出第 88、112 条其实属于"上手困难"，让它重新归类。
• 要求对每一类估算占比（基于条数），并挑出"高频且能低成本解决"的 Top 3。

最终结论里最值钱的一条：性能卡顿占 31%，但其中 22 条集中在"列表页下滑到 500 条后明显变慢"——这是个具体可修的点，比"优化性能"这种空话有用十倍。

踩的坑

一是一次喂 240 条会超长，我分了两批跑，再人工合并，避免截断丢数据。二是 AI 给的占比是它"感觉"的，我只把它当排序参考，最终按真实条数重新数了一遍。

复盘结论

这次落地最大的收获不是那张分类图，而是把"用户想要什么"从模糊印象变成了可排期的清单：先修列表页性能，再补两个高频缺失功能，上手困难靠一篇引导文档解决。AI 负责把噪音压缩成信号，人负责验证信号真假——分工对了，复盘才落地。