转化客户之声：用于识别客户需求的大型语言模型
计算与语言
2026-04-10 v2 人工智能
人机交互
综合经济学
经济学
摘要
识别客户需求（CNs）是产品创新和营销战略的基础。然而，三十多年来，客户之声（VOC）应用一直依赖专业分析师手动解读定性数据并制定“待完成工作”。这项任务对认知要求高、耗时且难以扩展。虽然当前实践使用机器学习来筛选内容，但精确制定客户需求的关键最后一步仍依赖专家人工判断。我们与市场研究专业人士进行了一系列研究，以评估大型语言模型（LLMs）能否自动化客户需求抽象。在各种产品和服务类别中，我们证明，监督微调（SFT）的LLMs的表现至少与专业分析师相当，且显著优于基础LLMs。这些结果可推广到替代基础LLMs，并且需要相对“小”的模型。抽象出的客户需求表述良好，具有足够的特异性以指导创新，并且基于源内容而无幻觉。我们的分析表明，SFT训练使LLMs能够学习专业客户需求表述的底层句法和语义约定，而非依赖记忆的客户需求。繁琐任务的自动化通过实现大规模高杠杆洞察的发现，并将分析师重新聚焦于更高附加值的任务，从而转变了VOC方法。
引用
@article{arxiv.2503.01870,
title = {Transforming the Voice of the Customer: Large Language Models for Identifying Customer Needs},
author = {Artem Timoshenko and Chengfeng Mao and John R. Hauser},
journal= {arXiv preprint arXiv:2503.01870},
year = {2026}
}