第2章 原始访谈数据清洗：去噪、关键信息提取、结构化标注

用户访谈是需求挖掘的核心手段，但原始访谈数据往往包含大量口语填充词、话题偏移片段和情绪化表述，无法直接用于PRD撰写。必须经过去噪 → 关键信息提取 → 结构化标注三步处理，才能将零散的对话转化为可复用的需求单元。本章建立一套可执行的清洗方法论，并给出统一的标注规范和交付模板。

2.1 访谈数据的三类噪声

原始访谈数据中的噪声主要来自三类来源，处理策略各不相同。下表列出每类噪声的典型特征、实例与应对方式：

2.2 关键信息提取四步法

去噪后的文本进入提取阶段。按照以下四个步骤逐层抽提，可以确保不遗漏核心需求：

1. 场景锁定：标记每段对话发生的业务场景（如“通勤路上”、“后台审核”、“客户现场汇报”），为后续需求排序提供上下文。
2. 痛点识别：提取用户明确表达的不满、障碍、效率损失等负面表述，这些是PRD中“问题定义”的核心来源。
3. 需求捕获：记录用户提出的期望、建议、理想方案，关注“希望…”“要是能…就好了”等句式。
4. 行为与目标关联：将用户的使用频率、操作习惯与最终业务目标对应，形成“行为 → 目标”的因果链。

2.3 结构化标注规范

标注环节将提取出的信息片段按统一标签体系进行分类。下表为推荐的五类核心标签：

2.4 清洗质量校验指标

为保证清洗结果的可信度，每批数据清洗完成后需按以下三项指标进行校验：

2.5 交付物模板：清洗后数据集

最终交付物为 JSON 格式的访谈数据集，每行为一条独立的 utterance + tags 记录。以下为示例：

{
  "session_id": "INT_20250321_004",
  "utterance": "每次要手动导入数据，步骤太多，容易出错。希望系统能自动匹配供应商。",
  "scene": "财务月结",
  "tags": [
    { "label": "PAIN_POINT", "text": "每次要手动导入数据，步骤太多，容易出错" },
    { "label": "NEED", "text": "希望系统能自动匹配供应商" },
    { "label": "BEHAVIOR", "text": "手动导入数据" }
  ],
  "cleaning_log": {
    "removed_chars": 23,
    "noise_type": "口语填充词+情绪化表述",
    "operator": "PM-01"
  }
}

每个清洗后的数据集应包含 session_id（访谈会话标识）、utterance（清洗后文本）、scene（场景标签）、tags（结构化标注数组）以及 cleaning_log（清洗日志）五个核心字段。其中 cleaning_log 用于追溯清洗质量，便于后续复盘优化。