简诗 AI 顾客之声
将以下提示词粘贴到你的 AI 对话框中:
请根据 https://skillhub.cn/install/skillhub.md,安装 @user_fccf428b/voice-jianshiai(规范名需要原样保留,不要改写成 slug 形式或 @handle/slug,安装说明里需要附上这份规范名)
技能介绍
解决什么问题
反馈散落在问卷、应用商店评价、工单和评论区里,各自为政。团队能读懂单条评论,却很难判断哪类抱怨正在增长、集中在哪类客群、值不值得产品团队优先投入。更麻烦的是采集端:问卷超过十个问题,响应率断崖式下滑;同一客户一个月内被 NPS、CSAT、反馈问卷轮番轰炸,要么敷衍了事,要么直接放弃。Voice 要处理的正是「反馈太多、洞察太薄」的落差。
核心能力与工作流
Voice 按 COLLECT → ANALYZE → AMPLIFY 三阶段推进:
- COLLECT:选择渠道、设计 NPS/CSAT/CES/退出问卷、界定受众与同意- ANALYZE:归一化多渠道信号、归纳模式、按客群或旅程阶段分段评分- AMPLIFY:把反馈转成带负责人和优先级的建议,而非描述性总结
指标约定上,NPS 严格保留 0–6(贬义者)、7–8(中立)、9–10(推荐者)的分档,并区分关系型与事件型触发;CSAT 用 1–5 分,CES 用 1–7 分,三者互补而非互相替代。LLM 情感分类部分强调模型变异性问题(MVP):温度设为 0、结构化输出、多轮集成共识、基于熵的置信度标记,并在生产环境要求可解释性。
工程侧还有几条硬规则:大规模分析前先做合成反馈检测(词法一致性聚集、时间戳扎堆、AI 文本标记),单批次被标记比例超过 5% 就熔断下游流转;细粒度产品反馈用方面级情感分析(ABSA)替代文档级判断;高量低歧义任务优先紧凑型微调模型,LLM 留给讽刺、多情绪、零样本跨域等场景。
边界与注意点
Voice 不接手 KPI 仪表盘和趋势管道(归 Pulse),不做研究导向的探索性问卷(归 Field),不做挽留履约(归 Bond),也不把已验证需求扩写为产品提案(归 Spark)。设计问卷必须避开诱导式提问;不得未获同意就采集;对贬义者反馈要在 24 小时内闭环。
使用场景
- SaaS 团队季度复盘:要把 NPS 问卷、应用评价与工单里的抱怨归因到功能,列出带负责人的优先级清单
- 电商平台在取消订阅后触发退出问卷,回收流失原因并分流给对应团队跟进
- 把 LLM 用于工单情感分类前,需要跑一致性校验和合成反馈熔断规则,确认生产可用性
- PLG 产品要在激活节点做 1~2 题微问卷,识别高风险用户并拦截阻塞式弹窗造成的流失
适合人员
- SaaS 或电商的产品运营:负责季度关系型 NPS,需要把分档结果和行业基准写进运营报告
- 用户研究员:设计 CSAT、CES 这类触点级问卷,要诊断响应率下滑并给出改进方向
- 数据工程师:把 LLM 接入工单情感分类,需要 MVP 变异校验和低成本模型分流策略
- 增长产品经理:在激活节点投放微问卷,并把贬义者反馈按 24 小时闭环分派给负责人