客户反馈主题与满意度洞察

解决什么问题

NPS 问卷、CSAT 评分、应用商店评论、客服对话、销售通话记录……客户反馈散落在多个渠道，格式不统一、语言混杂，还夹杂机器人刷量和重复提交。人工逐条翻看能提取的信息密度很低：很难回答"企业版和免费版的不满是不是同一类问题""某主题提及率环比涨了多少""十几条 9 分评价和整体 NPS 能否互相印证"。

核心能力

• 多源聚合：汇总 NPS、CSAT、应用商店、社媒、G2/Capterra、销售记录，统一打上日期、客户分层、套餐档位等元数据，保证 schema 一致。
• 清洗归一化：跨渠道去重；1-5 分 CSAT 换算为 1-10 分；剥离 PII；识别语言并翻译为英文但保留原文；模式检测剔除机器人与噪音。
• 主题抽取：对开放文本做主题建模，覆盖可靠性、易用性、功能反馈、价格感知、支持质量、引导体验、竞品对比等，每条响应关联主题并附置信度，摘取代表性原声。
• 量化计算：输出 NPS、CSAT 均值、主题频次，按套餐、行业、规模、时长拆分，组间差异做显著性检验，避免把噪声当信号。
• 趋势识别：环比与季度对比，标记波动超 20% 的主题，捕捉新兴主题，并将情绪变化与发版、调价对齐。

输出与边界

报告包含管理层摘要、量化计分卡、带引用的主题拆解、趋势分析、人群对比和按优先级排序的行动建议，每条建议挂靠具体主题。

边界：回复率低于 15% 时存在无应答偏差，需显著标注；问卷过频加剧疲劳并压低分数，应限频；讽刺性回答易被误判，情感分与 NPS 分矛盾时应标记人工复核；单次故障可能主导整个调查窗口，需按事件前后拆分；"功能缺失"与"功能坏了"应分两类主题追踪——前者走产品路线，后者走工程修复。