客户反馈分析

要解决的问题

客户反馈散落在 NPS 问卷、CSAT 评分、客服会话记录、应用商店评论、社媒提及、G2/Capterra 评价以及销售通话笔记里。各来源格式不一、评分口径不同，光是整理成统一 schema 就要花掉分析师大半天。更麻烦的是：开放文本里真正有价值的信号只占少数，人工通读上千条留言既容易漏掉正在上升的主题，也很难把评分变化与版本发布、调价这类事件对齐到时间线上。等报告写出来，趋势窗口往往已经过去了。

它如何工作

这个技能按六步流水线处理原始反馈：

1. 数据汇聚 — 聚合全部来源的反馈，并为每条记录打上 date、customer segment、plan tier、account tenure、source channel 元数据，保证跨源 schema 一致。
2. 清洗与规范化 — 跨渠道去重、把 1-5 的 CSAT 线性换算到 1-10 以便横向比较、剥离 PII、检测语言并翻译为英文同时保留原文、按文本重复度与可疑时间特征过滤 bot 和 spam。
3. 主题抽取 — 用主题建模把开放文本聚类为产品可靠性、易用性、具体功能反馈、价格/价值感知、支持质量、上手体验、竞品对比等类别；每条响应可归属多个主题并带置信度，同时摘取代表性原文引用。
4. 量化打分 — 计算 NPS（推荐者占比减贬损者占比）、CSAT 均值与主题频次分布，按套餐、行业、账号规模、合作时长拆分，并对组间差异做显著性检验，避免把噪声当成结论。
5. 趋势识别 — 做月度/季度环比，标记相对基线波动 ±20% 以上的主题，捕捉首次出现或跨过频次阈值的新主题，并把情绪变化与版本发布、调价、市场事件关联起来。
6. 生成报告 — 输出包含执行摘要（3-5 条要点）、量化记分卡、带引用的主题拆解、趋势分析、分群对比和推荐行动的结构化报告；每条建议都锚定到具体主题，按频次与业务影响排序。

适用边界与注意点

• 分开分析贬损者与推荐者，混在同一次主题分析里会稀释两组各自的信号。
• NPS 必须连同置信区间和样本量一起报告。15 条响应算出的 +60 并不具备可执行性。
• 用原文引用支撑结论，向上汇报时比统计摘要更有说服力，也能防止主题标签被误读。
• 按时间追踪主题频次，而不是对单一快照做出反应。连续三个季度上升的是结构性问题，单季尖峰可能只是某次发布的临时反应。
• 主题体系要把「功能缺失」和「功能坏了」分开：前者走产品路线图，后者走工程修复。
• 低回收率（<15%）会带来无应答偏差，应在报告中显著标注；每季度被问卷超过一次的账号会出现疲劳效应，表现为回收率下降与评分更负面。
• 讽刺与反讽文本会让朴素情感分析误判，需要把情绪分与 NPS 分相互冲突的响应标出交人工复核。
• 单次故障可能主导整个调查周期，应按事件发生前后拆分报告，或延长调查窗口以稀释近因效应。