用户调研洞察自动化分析工作流

工作流名称

用户调研洞察自动化分析工作流

主要功能和亮点

该工作流能够自动从Google Sheets中导入大量调研问卷的参与者回答数据，利用OpenAI生成文本向量并存储于Qdrant向量数据库，基于K-means聚类算法识别出回答中的主要群组，再借助大型语言模型（LLM）对每个群组的回答进行智能摘要和情感分析，最终将生成的详尽洞察结果自动导出回Google Sheets，形成结构化的调研洞察报告。

解决的核心问题

传统调研数据分析常常面临回答量大且分散，人工分析耗时且难以发现深层次共性及情绪倾向的问题。本工作流通过向量化和聚类技术，自动发现回答中的模式和群组，结合LLM生成精准且具洞察力的总结，极大提升调研数据解读效率和质量。

应用场景

• 市场调研数据分析
• 用户体验反馈汇总
• 员工满意度调查总结
• 各类问卷调查结果精细化洞察
• 任何需要从大量文本回答中提炼关键见解的场景

主要流程步骤

1. 导入调研问卷回答 — 通过Google Sheets节点获取参与者回答数据。
2. 数据预处理 — 将问卷回答转换为“问题-回答”对，方便后续向量化。
3. 文本向量生成与存储 — 使用OpenAI的text-embedding-3-small模型生成文本向量，存入Qdrant向量数据库。
4. 创建分析专用工作表 — 在Google Sheets中新建独立Sheet存储分析结果。
5. 提取调研问题列表 — 获取问卷中所有问题，逐一处理。
6. 聚类分析回答 — 对每个问题的回答向量应用K-means聚类，筛选至少包含3个回答的群组。
7. 群组回答摘要与情感分析 — 利用OpenAI GPT-4o-mini模型对每个群组回答进行智能总结和情绪判定。
8. 导出洞察结果 — 将生成的洞察摘要和情感评分写入新建的Google Sheets工作表中。

涉及的系统或服务

• Google Sheets：作为调研数据的来源和结果存储端。
• OpenAI API：用于生成文本向量与自然语言智能总结。
• Qdrant Vector Store：高效存储和检索文本向量，实现基于向量的聚类分析。
• n8n工作流自动化平台：连接和协调以上服务，自动执行整个流程。

适用人群或使用价值

• 市场调研分析师和数据科学家，希望快速获得有深度的调研洞察。
• 产品经理和UX设计师，需对用户反馈进行系统性总结与情感判断。
• 企业HR和管理层，利用员工调查数据快速识别共性问题和情绪趋势。
• 任何需要处理大量文本问卷，提升分析效率和洞察质量的团队或个人。

此工作流通过自动化和智能化技术的融合，实现了调研数据的高效处理与深度洞察，极大节省人工分析时间，助力决策者基于真实用户声音做出精准判断。