看看如何借助 LLM，将客户、专家和竞争对手的数据转化为可用洞察，从而让内容更具人性化。
在谈到大型语言模型（LLM）时，规模化内容创作往往是最常被提及的话题之一，但它也很容易变成一种依赖。
我们都时间紧张，渴望让工作更轻松——那么，是否可以使用 Claude、ChatGPT 这类工具来重新设计流程，让网站内容工作更加贴近人性、减轻日常负担，而不是削弱创意本身？
本文将探讨如何：
-
大规模分析客户反馈与常见问题
-
自动化获取来自领域专家的详尽且独特的信息
-
分析竞争对手
这些工作理论上都可以手动完成，而且在某些情况下仍然需要人工参与，但它们本质上是大规模、以数据为核心的任务，非常适合在一定程度上实现自动化。
掌握这些信息，有助于你真正立足于客户或市场视角，而不是陷入自我强化的回音室。
大规模分析客户反馈
LLM 最强大的特性之一在于它们能够：
-
大规模处理数据
-
发现模式
-
揭示那些原本可能需要人工花费数小时、数天甚至数周才能发现的趋势
除非你身处全球性大型企业，否则你大概率不会拥有具备这种能力的数据团队，因此，LLM 就成了次优但非常有效的选择。
而在这个具体场景中，我们关注的是客户反馈——毕竟，谁愿意逐条阅读 1 万份 NPS 调查或自由文本反馈表呢？
不是我。你大概也不想。
你当然可以直接将原始数据上传到项目知识库中，让你选择的 LLM 在其界面内直接分析这些信息。
但我个人更偏好将所有原始数据先上传到 BigQuery（如果你有其他偏好的平台，也完全可以使用类似工具），然后再与 LLM 配合，编写相关的 SQL 查询来切分和分析原始数据。
我这样做主要有两个原因：
-
它能让我“窥探幕后”，在潜移默化中学习一些底层语言（这里指 SQL）
-
它为防止幻觉提供了另一道屏障或安全阀
当原始数据直接被上传到 LLM 中，并在界面里直接提出分析问题时，我往往会对结果更持怀疑态度。
因为这种情况下，它更有可能是在“编造答案”。
而当原始数据被独立存放，并且你是通过与 LLM 协作来编写查询、审问数据时，更有可能得到真实、可靠、对业务有帮助的洞察，而不是被带进一场徒劳的“寻宝游戏”。
从实际操作层面来看，除非你处理的是规模极其庞大的数据集，否则 BigQuery 基本是免费的（虽然创建项目时可能需要绑定信用卡）。
而且，在与 LLM 进行结对编程时，也完全不必害怕 SQL——它可以为你生成完整可用的查询语句。
我通常的工作流程是：
-
使用 LLM 生成 SQL 查询
-
调试并检查数据结果
-
将 SQL 查询结果输入回 LLM
-
在 LLM 中或通过 SQL 查询生成可视化
-
重复以上流程
自动化领域专家访谈
领域专家身上似乎有一个共同特征：时间极其有限。
他们真的不想再花一个小时，和市场人员反复讨论一个新功能——这个功能他们可能已经和制造商来回聊了八个月。
这也完全可以理解。换作任何人，大概早就把这件事讲到“说烂了”。
但作为市场人员，我们仍然需要这些信息，用来制定网站呈现策略，并为客户提供规格表之外、真正有价值的细节。
那我们该如何高效地获取专家的信息呢？
创建一个充当采访者的自定义 GPT。
先提醒一句：要最大化这个流程的价值，最好为你正在推进的每一次发布、每一个产品或服务，创建一个独立的版本。
它未必需要精细到“每篇文章一个 GPT”，但最终很可能会接近这个程度。
要实现这一点，你至少需要 ChatGPT Plus 订阅。
具体的指令会因行业不同，以及领域专家或销售团队的性格差异而有所不同，但通常应包括：
-
角色与语气：这个“采访者”应以什么样的方式与人交流
-
背景：你想了解什么，以及为什么要了解
-
采访结构：如何开场、核心话题、如何深入追问
-
节奏控制：一次提一个问题，等待回复，再逐步扩展
-
收尾方式：如何结束，以及最终需要产出什么
完成这些设置后，最好先亲自测试一轮，假装自己是一名 SME（领域专家），再根据体验不断优化指令。
这样一来，你就能在专家两次会议之间的 5 分钟空档 内高效获取信息。
随后，还可以借助 LLM 从他们的回答中提炼关键要点，甚至直接生成文章草稿。
分析竞争对手以获取战略洞察
这一部分可能稍显“取巧”，也需要一些灰色思维。
但在规模化使用竞争数据方面，确实有不少方法可以帮助你理解竞争格局以及自身的差距，例如：
-
如果你能收集到竞争对手的用户评价，就可以洞察他们的核心卖点、价值主张、常见抱怨以及薄弱环节。
-
如果你能整理他们的网站文案，就能识别其市场定位、隐含目标受众、正在做出的承诺，以及通过案例推断他们重点覆盖的行业。
-
结合网站文案与 Wayback Machine，你还可以借助 LLM 分析他们的信息传递在不同时期是如何演变的。
-
招聘信息往往能透露他们的战略重点，或正在尝试和测试的方向。
-
当我们明确了对方的定位后，就可以进行对比：哪些信息我们在说同样的内容？哪些地方实现了差异化？
-
如果还能收集他们在社交平台上的互动与参与数据，我们就能再次在规模层面上理解：他们在哪些方面有效满足了用户需求，又在哪些地方表现不足？有哪些问题是他们始终无法回答的？
在不失人性视角的前提下规模化研究
与 LLM 进行结对编程，借助大规模数据真正贴近客户，是一种几乎无穷的机会，可以相对快速地获取可执行、具体的洞察。
上述三个方向是非常稳妥的起点，但绝不是终点。
如果进一步延展，可以思考你所拥有或可以获取的其他数据来源，例如：
-
销售电话录音或文字转录
-
Google Search Console 中的搜索查询数据
-
站内搜索数据
-
用户路径分析工具生成的热力图数据
尽管你可能会很想把 Google Analytics 或其他分析工具的数据也纳入其中，但建议保持谨慎，更倾向于使用定性数据或以客户为主导的数据，而非纯粹的量化指标。
祝你探索顺利！
