20万条机器人讨论,怎样变成产品判断
你准备做一台家庭机器人,拿到一份 20 万条讨论的数据。最诱人的做法是按提及量排需求:清洁最多,就做清洁;人形很热,就做人形。但这个顺序跳过了两个问题:是谁在说,话里有没有实际使用经历?
对产品经理来说,数据的价值是帮助决定下一步找谁、测什么、暂缓什么。这篇沿着这三个决策,解释怎样把公开讨论变成可验证的产品判断。
目录
一、先分清你数的是什么
这批研究保留了 2023 年 1 月至 2026 年 8 月的 208,755 条公开讨论记录。一个人可以发多条,一个帖子也可以收到多个回复,所以记录数不是用户数。
其中,带扫地机标签的记录有 44,288 条,人形为 2,595 条。形态是多标签字段,同一条可以同时提到两者;大量记录只谈场景或行业,没有具体形态。不能把 20 万条都说成家庭机器人的使用评价。
这一步会改变后面的工作:想研究污水箱维护,就去找已有产品的使用经验;想研究人形在家庭里是否省事,就需要连续试用记录。一个总数再大,也不能替代对这两种材料的区分。
二、两类记录不能拼成购买漏斗
| 本样本的规则标签 | 扫地机 | 人形 |
|---|---|---|
| 价格或购买意向线索 | 2,134 | 358 |
| 自述购买、拥有或使用线索 | 1,289 | 4 |
这里最容易做错的是用第二行除以第一行,写出 60.4% 和 1.1% 的“转化率”。两行不是同一批人的前后轨迹,没有建立用户匹配、购买时间和观察窗口,结果不能这样解释。
而且“我买了”只说明作者自述购买;它不自动证明用了半年、再次购买或愿意推荐。原始规则会用购买、持有和使用等关键词筛候选记录,尚未逐条人工核实。
这些数量仍然有用。1,289 条是寻找扫地机真实使用者的线索池,可以优先核实维护、退换和复用;4 条人形线索提醒研究者,当前采样里家庭使用证据薄弱,下一步应该补试用观察。它们决定研究投入的方向,不证明购买转化或行业成熟度。
三、标签要翻译成问题,不能翻译成能力
以两种常见误读为例。
关键词命中不等于用户痛点。 原筛查把 clean、wash、hair 等放进清洁维护词组;clean 可能只是在说“打扫得干净”,不是“清理机器很麻烦”。因此原来的 32.1% 不能写成“32.1% 用户抱怨维护”。要判断维护是否影响复用,需区分提及、抱怨、实际行为和影响,再抽样复核。
场景共现不等于产品能力。 扫地机拥有/使用线索中,535 条同时标了家务清洁,44 条标了老人照护,37 条标了取送/归位。一个用户说“给父母买了扫地机,仍需要有人帮忙取物”,就可能同时出现多种场景。它不证明扫地机能照护或取物。
这两类问题对应不同动作:关键词先帮助找原文,原文再拆出谁遇到什么困难、现在怎样解决、付出什么代价。只有任务、行为和对象明确,才进入产品讨论。
因此,不应给每个标签都配一个功能建议。比如“给父母买”更可能引出购买者、使用者与维护者的责任分工;“失败恢复”则要看中断后谁来救场。这比简单增加一个老人模式或智能按钮更接近问题。
四、人形产品要比较组合任务
扫地机与人形不是同一品类。把两者放在一起,是为了比较家庭劳动怎样被转移,而非谁的讨论量更大。
扫地机主要替代地面清洁。人形的额外价值应体现在一个有限场景内连续完成多种任务,例如客厅整理中的识别、分类、拾取、归位。分别演示四个动作,不能证明四个动作可以连起来完成。
比较时,把用户时间分成四段:准备、设备运行中的看护、故障接管、收尾维护。再记录任务切换时需要人做什么。如果每换一个任务都要重新摆物、下指令、换工具,多个技能未必变成更省事的产品。
现有评论缺少同一家庭连续任务的观察,不能用场景标签代替这项测试。这也是为什么“没有找到使用线索”不等于“现实中没有能力”。
五、把研究带到下一次试用
选一个明确的人群和场景,比如双职工家庭晚间整理客厅,把目前使用的人力和设备写成基线。机器人跑同一组任务,保留全程记录,记录完成情况、接管位置、恢复时间和收尾劳动。
若只是某个动作更快,却增加了整套流程的准备工作,优先改流程;若任务切换总要人干预,优先改切换与恢复;若完成得稳定但用户不愿再用,则回访频率、噪声、空间和维护代价。
公开讨论帮助你挑问题,连续使用帮助你判断产品。下次拿到一份大样本报告,可以先找其中一条最影响决策的结论:它对应的是一句表达、一次行为,还是同一用户的一段经历?
六、复现附录
输入与字段
- 严格样本:
strict_master_2023plus.jsonl.gz,208,755 条。 - 关键字段:
product_form(列表)、demand_evidence_level(E0—E5)、corpus_role、scene_labels。 - 数据窗口:2023-01-01 至 2026-08-16。
- 本次复核日期:2026-11-05;未重新采集,未改动源文件。
编码映射
| 正文说法 | 编码 |
|---|---|
| 场景上下文 | E0 |
| 任务/痛点 | E1 |
| 替代方案 | E2 |
| 接受方案 | E3 |
| 购买意向/价格讨论 | E4+ |
| 拒绝或负面购买线索 | E4- |
| 自述购买、拥有或使用线索 | E5 |
复核脚本
import gzip, json
from collections import Counter
forms, ownership_candidates = Counter(), Counter()
total = 0
with gzip.open("strict_master_2023plus.jsonl.gz", "rt", encoding="utf-8") as f:
for line in f:
if not line.strip():
continue
row = json.loads(line)
total += 1
forms_in_row = row.get("product_form", [])
if isinstance(forms_in_row, str):
forms_in_row = [forms_in_row]
for form in set(forms_in_row):
forms[form] += 1
if row["demand_evidence_level"] == "E5":
ownership_candidates[form] += 1
print("records", total)
for form, count in forms.items():
print(form, count, round(count / total * 100, 2), ownership_candidates[form])
旧报告与本次重数的差异:扫地机 44,150 → 44,288,人形 2,534 → 2,595,机器狗 1,097 → 1,133,陪伴 2,791 → 2,806;扫地机拥有/使用线索 1,285 → 1,289。差异来自数据版本和标签重算,不是新采集。
已知限制
- Reddit 占 88.1%,中文约 0.6%;
- 19 项质量检查 13 项通过、6 项未通过;
- 缺独立人工金标准;
- 规则编码不是逐条访谈结论。
来源:泛具身家庭场景研究,数据窗口截至 2026-08-16;2026-11-05 本地重数。