基于用户评论的新品市场趋势洞察

一、项目背景

新品的成功上市需要精准把握市场趋势和用户需求的变化。用户评论不仅反映了对现有产品的即时反馈，其随时间演变的趋势更能揭示市场偏好的动态。本项目旨在利用大语言模型（LLM）分析不同时期用户对某一品类商品的评论，洞察用户关注点、痛点和期望的演变，从而为（模拟的）“新品”提供更具前瞻性的定位和特性建议。

二、项目需求

基于提供的四个核心数据集，并侧重使用大语言模型，参赛者需要完成以下任务：

1.  研究时段与品类选择:

￮    利用 olist_orders_dataset.csv 中的 order_purchase_timestamp，选择一个感兴趣的商品类别 (product_category_name 来自 olist_products_dataset.csv)，并定义至少两个不同的时间段（例如，“早期”和“近期”），以便对比分析评论的演变。

2.  跨时期评论分析 (LLM应用):

￮    利用LLM分析各时期评论中的：

▪    主要讨论的产品特性/功能点。

▪    用户的主要痛点和不满。

▪    用户表达的期望和潜在需求。

▪    情感倾向的变化。

3.  市场趋势与“新品”机会洞察:

￮    总结用户关注点、痛点和期望随时间的变化趋势。

￮    基于这些趋势，分析未来市场可能的机会点，并构想一个能顺应这些趋势的“新品”概念。

￮    为构想的“新品”提炼核心卖点和关键特性建议。

4.  成果展示:

￮    清晰展示不同时期评论分析的结果对比。

￮    阐述如何利用LLM进行分析，并展示关键的分析过程或Prompt示例。

三、输入数据说明 (核心表及关键字段)

参赛者将使用Olist公开数据集的以下四个CSV文件。重点关注能体现用户反馈和时间演变的信息。

1.  olist_order_reviews_dataset.csv (订单评论表)

￮    review_id: 评论的唯一标识。

￮    order_id: 订单ID，用于关联到订单商品项表。

￮    review_score: 用户给出的评分 (1-5星)，反映满意度。

￮    review_comment_title: 评论标题 (可能为空)。

￮    review_comment_message: 核心文本数据，用户评论的具体内容，LLM分析的主要对象。

￮    review_creation_date: 评论创建的时间。

￮    review_answer_timestamp: 评论被回复的时间。

￮    用途: 提供用户对商品的直接文字反馈和评分。

2.  olist_order_items_dataset.csv (订单商品项表)

￮    order_id: 订单ID，连接到评论表和订单主表。

￮    order_item_id: 同一订单内商品的序号。

￮    product_id: 核心字段，商品ID，用于关联到商品信息表，从而知道评论针对哪个具体商品。

￮    seller_id: 卖家ID。

￮    shipping_limit_date: 卖家发货截止日期。

￮    price: 商品单价。

￮    freight_value: 运费。

￮    用途: 将订单评论与具体商品ID连接起来。

3.  olist_products_dataset.csv (商品信息表)

￮    product_id: 商品ID，连接到订单商品项表。

￮    product_category_name: 核心字段，商品类别名称（葡萄牙语），用于圈定分析的品类范围。

￮    product_name_lenght: 商品名称长度。

￮    product_description_lenght: 商品描述长度。

￮    product_photos_qty: 商品照片数量。

￮    product_weight_g, product_length_cm, product_height_cm, product_width_cm: 商品的物理属性。

￮    用途: 提供商品的基本分类和属性信息，帮助理解评论对象。

4.  olist_orders_dataset.csv (订单主表)

￮    order_id: 订单ID，连接到订单商品项表和评论表。

￮    customer_id: 顾客ID。

￮    order_status: 订单状态。

￮    order_purchase_timestamp: 核心字段，订单购买时间戳，用于划分不同分析时期，观察评论内容随时间的变化。

￮    order_approved_at, order_delivered_carrier_date, order_delivered_customer_date, order_estimated_delivery_date: 其他订单时间节点。

￮    用途: 提供订单发生的时间信息，是进行跨时期比较分析的关键。

四、参考数据说明

•   参赛者可从提供的四个CSV文件中，根据自己选择的商品品类和分析时段，自行筛选和组织所需数据。

•   建议选择评论数量相对充足的品类和时间段，以便分析结果更具代表性。

•   数据量方面，无需处理全部数据集，可根据分析需求和计算资源进行适当采样或筛选，确保能有效展示方法和洞察即可。重点在于方法和洞察的质量，而非处理数据的体量。

(示例数据表格部分省略，因为字段已在上方详细描述)

五、交付形式

excel插件，Web界面或者微信小程序，需要提供分析报告或者看板等等分析

六、评测标准 (主观评估)

评委将基于提交的内容，从以下方面进行评估：

1.  洞察的深刻性与启发性:

￮    分析是否能从评论演变中提炼出有价值、有深度的市场趋势和用户需求变化？

￮    洞察是否具有前瞻性，能否为新品开发提供有意义的启发？

2.  大模型应用的有效性与创新性:

￮    LLM的应用是否恰当，能否有效辅助洞察的产生？

￮    在利用LLM进行跨时期对比分析方面是否有巧妙或创新的思路？

￮    对LLM分析过程的阐述是否清晰？

3.  “新品”建议的逻辑性与潜力:

￮    构想的“新品”概念是否与分析出的市场趋势紧密相关？

￮    提出的核心卖点和特性建议是否具有说服力和潜在市场吸引力？

4.  表达与呈现的清晰度:

￮    分析逻辑是否清晰，论证是否有力（例如，有代表性评论支持）？

￮    报告/演示文稿的结构、视觉呈现是否易于理解和吸引人？