AI Synthetic User Lab (ASUL)

在证券和经纪行业，产品团队验证一个新功能方向通常需要 4~8 周的用户调研周期，调研成本高，覆盖用户类型有限，导致产品决策延迟。本方案是一套面向产品经理、用户研究员和增长团队的 AI 用户洞察平台，基于企业已有的用户行为埋点数据、历史访谈记录和账户交易数据，通过大语言模型（LLM）构建带真实标签的虚拟用户，并在虚拟用户上模拟访谈问卷，输出带可信度评分、证据溯源和洞察报告的研究结论。系统部署在客户自己的亚马逊云科技账户内，数据全程不出客户账户，帮助团队将用户洞察周期从数周压缩至数小时，让产品决策以真实用户数据为锚点，而非依赖经验判断。

1. 行为标签体系建设：上传行为宽表，系统自动解析列字段，构建用户行为标签，并由智能体在沙箱中完成层次聚类，产出 L1/L2/L3 三层标签体系草稿，经用户研究团队审批后正式入库。
2. 访谈标签抽取与验证：上传访谈转录文本，利用大模型依据标签框架自动抽取动机标签，每条标签附证据原文、置信度和推断说明，并配套提供抽取质量评估框架。
3. 全量用户标签补全：针对无访谈记录的用户，系统用全局 KNN 算法将已有访谈标签扩散到相似用户，形成覆盖全量用户的完整画像，来源字段明确标注区分真实访谈与 AI 推断。
4. 访谈知识库检索：访谈记录与研究报告沉淀为知识库，支持自然语言问答、语义检索和多维度过滤，每条结果附证据来源，可下钻查看完整访谈原文。
5. 辅助问题推荐与虚拟用户模拟：产品经理输入功能描述，系统智能推荐访谈问题；选定目标人群和数量后，系统以每个用户的真实标签为基础构建画像并批量模拟答题，输出整体分布、分群剖面和可信度评分。
6. 个体下钻与证据溯源：从汇总结果下钻到单个虚拟用户，查看其答题理由、行为标签、访谈标签和证据原文，支持追加追问（多轮对话），结论可溯源到真实访谈数据。
7. 决策陪跑：上传需求文档、文案或设计稿，选定人群，由多个用户画像给出带标注的接受度分析报告，辅助产品和业务决策。