如何在一周内摸清一个行业:ChatGPT + 麦肯锡关键词分析法

简介: 如何在一周内摸清一个行业:ChatGPT + 麦肯锡关键词分析法

💡大家好,我是可夫小子,关注AIGC、读书和自媒体。

说实话,在行业分析中「关键词分析法」最早见诸于冯唐,并非是麦肯锡公司的方法论。

冯唐作为麦肯锡前合伙人,讲了快速掌握一个行业的基本方法,一共有三个看似简单却妙用无穷的步骤:
第1步,是掌握这个行业100个左右的关键词。
第2步,是找三五个专家聊天聊,问各种问题。
第3步,是找三五本专业的书籍,非常仔细的看。

因为些,大家以讹传讹,把第1步的「100个关键词」归到麦肯锡的方法论里面了。我想,有了名企的加持,这套方法的可信度增加了不少吧。

抛开这些不说,不管怎么说,这个「冯氏方法」,也是一个分析行业的视角,看起来也不错,今天我们就借助ChatGPT来测试一下。

第1步,找出关键词

100个关键词太过分散,再加之ChatGPT输出Token过多,后面就有点凑字数了。所以我们在数量上只取20个,并用表格结构化输出。如下

用麦肯锡的快速了解行业方法,通过大量行业高频关键词来建立概念。现在我是一个智能家居行业的小白,请你给我整理出20个常用关键词,制作成Markdown表格,表头是:关键词(英文)、关键词(中文)、介绍(限50字)、应用场景。

看起来,基本上涵盖了这个行业的关键词。

第2步,对关键词分类

20个词都还是比较分散,只能建议一个基本概念,我们还需要把这些概念进行分类,建立概念之间的联系。
将刚才给出的关键词按照不同的应用场景进行分类,分类结果制作成Markdown表格,要求一行一个关键词,应用场景合并单元格展示,表头是:应用场景、关键词(英文)、关键词(中文)

第3步,推荐书籍

将刚才分类好的AI关键词列表进行二级分类,并站在一个刚接触智能家居行业的初学者角度上,给出学习每个关键字的相关书籍(引用真实数据),以及学习的优先级(优先级按照高、中、低排列),最终制作成Markdown表格,表头是:应用场景、二级分类、关键词(中文)、优先级、相关书籍

不得不说,大模型擅长瞎编。这些相关书籍,我谷歌了一下,基本上都是不存在的。我用GPT-4试一下,也没有提供相应的书籍,内容真实引用确实存在问题。这一步,现在的技术方案来看,基本不可用。

第4步,制作思维导图

帮我梳理智能家居行业的10个关键字,并根据应用场景进行分类,用Show me制作成思维导图,导图的第一层级是智能家居行业,第二层级是应用场景,第三层级是关键字

跟表格差不多,就是换了一种呈现方式。

总结

现在来看,这套「关键词」法,有一些可取的地方,但在书籍推荐部分缺乏事实依据。总得来看,我认为名过其实。另外我也探索了一些其他方法,也是借助ChatGPT帮我们摸清一个行业,后面再分享出来。欢迎关注。

📎解锁更多ChatGPT、AI绘画玩法。keeepdance

相关文章
|
1月前
|
数据挖掘 UED
ChatGPT数据分析——探索性分析
ChatGPT数据分析——探索性分析
|
1月前
|
数据可视化 数据挖掘 数据处理
ChatGPT数据分析应用——热力图分析
ChatGPT数据分析应用——热力图分析
|
1月前
|
数据挖掘
ChatGPT在常用的数据分析方法中的应用(分组分析)
ChatGPT在常用的数据分析方法中的应用(分组分析)
|
1月前
|
数据挖掘
ChatGPT在常用的数据分析方法中的应用(对比分析)
ChatGPT在常用的数据分析方法中的应用(对比分析)
|
1月前
|
SQL 安全 算法
ChatGPT高效提问—prompt实践(漏洞风险分析-重构建议-识别内存泄漏)
ChatGPT高效提问—prompt实践(漏洞风险分析-重构建议-识别内存泄漏)
|
2月前
|
SQL 搜索推荐 测试技术
ChatGPT与测试分析
本产品需求文档(PRD)针对论坛网站的搜索功能优化,旨在提升搜索结果的准确性和速度,增强用户体验。文档涵盖项目背景、目标、功能需求(如搜索结果准确性、搜索速度优化、过滤和排序等)、非功能需求(如兼容性、性能、安全性等)、用户界面设计和技术架构等内容,并制定了详细的测试和上线计划,确保项目顺利实施。
30 0
|
6月前
|
人工智能 自然语言处理
性能超ChatGPT-3.5,专用金融分析的多模态大语言模型
【4月更文挑战第18天】不列颠哥伦比亚大学与Invertible AI联合开发的FinTral模型,是一款专为金融分析设计的多模态大型语言模型,性能优于ChatGPT-3.5。FinTral能整合处理文本、数值、表格和图像数据,通过预训练和直接偏好优化(DPO)提升金融任务处理能力,如情感分析、命名实体识别等。在与GPT-3.5和GPT-4的对比中,FinTral在多项任务中表现出色。尽管有领域特异性和依赖实时数据的局限性,FinTral为金融分析提供了高效准确的解决方案,并减少了幻觉现象,增强决策可靠性。
49 2
性能超ChatGPT-3.5,专用金融分析的多模态大语言模型
|
6月前
|
机器学习/深度学习 存储 自然语言处理
ChatGPT原理分析
ChatGPT原理分析
49 1
|
6月前
|
机器学习/深度学习 人工智能 大数据
AI时代Python金融大数据分析实战:ChatGPT让金融大数据分析插上翅膀
AI时代Python金融大数据分析实战:ChatGPT让金融大数据分析插上翅膀
322 6
|
6月前
|
人工智能 自然语言处理
性能超ChatGPT-3.5,专用金融分析的多模态大语言模型
【4月更文挑战第19天】不列颠哥伦比亚大学与Invertible AI合作开发的FinTral模型,是一款专为金融分析设计的多模态大型语言模型,超越ChatGPT-3.5,具备处理文本、数值、表格和图像数据的能力。通过直接偏好优化(DPO)提升性能,FinTral能执行多种金融任务,如情感分析、股票预测等,且在与GPT-3.5和GPT-4的对比中胜出。然而,其金融领域的专注可能限制了其跨领域应用,且依赖准确的实时数据。FinTral为金融分析提供高效工具,提升理解和决策支持的可靠性。
97 1