第四步·分析：从一千条噪音提炼洞察
现在你手里有一张已甄别、带可信度权重的数据表。这一步，把这上千条原始声音提炼成几条能拍板的洞察——并且每条都有数据支撑，不是拍脑袋。
回到白酒案例：1000 条帖子和评论摊在面前，没人能一条条读完得出结论。你要让 AI 帮你回答：年轻人到底偏好多少度？接受什么价位？喜欢什么口味/场景？倾向什么规格？而且要给出"多少人这么说"的量化依据。
难点：数据量超过一次对话能装下的量
上千条文本，远超 AI 一次能读进去的容量。硬塞会让它读不全、抓不准。专业解法是"化整为零，再合并"：
- 分批：把 1000 条切成若干批（比如每批 100 条）。
- 各批同法处理：每批用同一套结构化要求提取（提到的度数、价格、口味、规格、情感倾向）。
- 汇总：把各批结果合并，做总体统计和归纳。
Claude Code 可以把这些批次分给多个子任务并行跑，再汇总，又快又不丢数据。
关键：分析也要"结构化输出"
别让 AI 给你"一段感想"。让它对每条/每批提取成固定字段并打标：度数（具体数值或区间）、价格敏感度、口味关键词、场景、情感（正/负/中）。这样最后才能做量化统计——"63% 提到希望低于 100 元""'果味/微甜'是出现最多的口味词"。量化的结论，才扛得住老板追问。
跟我做一遍：分批分析 + 量化汇总
第一步 · 定义统一的"分析模板"
复制
我们要从已甄别的数据中提炼年轻人对白酒的真实偏好。
先定义一个统一的分析模板：对每条记录提取——
提到的度数、可接受价格、口味/风味关键词、饮用场景、情感倾向(正/负/中)；
并按"可信度权重"参与统计（真实声音权重高）。
先把模板和统计口径定清楚。
第二步 · 分批处理大数据（化整为零）
让它分批并行，避免一次读不全
数据有约 1000 条，超出一次处理量。
请按每批 100 条切分，对每批用上面的模板做提取打标，
可并行处理多批，最后把所有批次结果合并成一张完整的标注表。
第三步 · 出量化结论 + 关键洞察
从数据到洞察
基于合并后的标注表，按可信度加权统计并回答：
1) 度数偏好分布（哪个区间提及最多）；
2) 价格接受度分布；
3) 口味/场景关键词 TOP 榜；
4) 规格倾向（如有相关讨论）。
每个结论给出占比/频次，并各附 2-3 条有代表性的真实原话作证据。
✓ 你刚刚学会的
把"读不完的上千条"变成"几条带百分比和原话佐证的洞察"。核心是分批 → 统一模板提取 → 加权汇总 → 量化呈现。这套方法对任何大规模文本分析（用户评价、问卷开放题、舆情）都通用。
⚠ 警惕"样本偏差"和"过度解读"
小红书用户≠所有目标人群（平台有自己的人群结构）。下结论时让 AI 标注局限性：数据来自哪些平台、可能偏向哪类人。另外，占比 51% vs 49% 别当成铁律——区分"明显趋势"和"势均力敌"，后者要谨慎下判断。
这一讲记住什么
- 大数据分析的解法：分批 → 统一模板提取 → 加权汇总。
- 分析要结构化、可量化，结论带占比 + 真实原话佐证。
- 用 Claude Code 把批次并行分发，快且不丢数据。
- 标注样本局限，区分"明显趋势"与"势均力敌"。