产品数据科学家通常基于登录记录、账单历史和功能使用情况等行为数据构建模型。然而，隐藏在支持工单、评论和调查回复中的信号往往包含这些数据表无法捕捉的背景信息。本文解释了自然语言处理（NLP）如何填补这一空白，并增强传统的产品模型。
产品数据科学家专注于分析用户行为、优化功能，并通过建模、实验和指标设计推动业务增长。常见问题包括客户流失和客户生命周期价值（CLV）建模。这些问题并不时髦，但仍然是业务的核心，需要销售、营销及其他团队的利益相关者共同参与。
本文概述了在各类产品场景中反复出现的三类NLP技术：分类、主题与聚类分析，以及基于嵌入的检索或相似度计算。命名实体识别和基于嵌入的异常检测则间接适用于这些类别。
所涵盖的应用场景包括客户流失预测、CLV、客户细分、推荐系统、定价与价格弹性、需求预测、异常检测和潜在客户评分。作者认为，文本通常比行为数据更早提供信号，有助于填补行为数据稀少时的空白，并能解释“为什么”背后的“是什么”。文中还提供了样板代码和资源链接，帮助读者入门。
来源: Towards Data Science · 由HeadlinesBriefing整理摘要