客户反馈分析

要解决什么问题

产品团队手里往往堆着 NPS 开放题、CSAT、工单摘要和应用商店评论，但跨渠道口径不一致、重复响应和 PII 混在一起，很难回答「贬损者到底在骂什么」「哪个细分真的在变差」。把开放文本和评分硬塞进一张表，还容易把推荐者和贬损者的信号搅在一起，做出看起来合理、却没法排期的结论。

技能如何工作

本技能按固定工作流把原始反馈变成结构化洞察报告，而不是只做情绪打分：

1. 收集与打标 — 聚合 NPS（分+开放文本）、CSAT、应用内反馈、应用商店、社媒、G2/Capterra、销售通话等来源，统一元数据（日期、细分、套餐、存续期、渠道）。
2. 清洗与归一化 — 去重、统一评分尺度（如 CSAT 1–5 映射到 1–10）、剥离 PII、多语言检测并保留原文对照、用模式规则过滤机器人/垃圾响应。
3. 主题与量化 — 对开放文本做主题建模（可靠性、易用性、定价、支持、上手、竞品等），附置信度与代表性引语；计算 NPS、CSAT 及按细分的分布，并对群体差异做显著性检验。
4. 趋势与报告 — 环比/同比对比，标记体量变化 ≥20% 的主题与新兴主题；输出执行摘要、记分卡、主题拆解、细分对比，以及按频率与业务影响排序的建议动作。

使用方式：提供 CSV/JSON 或数据集描述，并说明分析范围（周期、细分、来源），Agent 返回上述结构化报告。

适用边界与注意点

• 低响应率（<15%） 时结果可能受无响应偏差影响，报告里应显著标注样本量与置信区间；小样本细分 NPS 不宜当作排期依据。
• 调查疲劳、近期故障窗口、讽刺/反讽文本 会扭曲主题频率与情绪标签，需限制频率、按事件前后拆分或标记评分矛盾项供人工复核。
• 主题分析应分开贬损者与推荐者；「功能缺失」与「功能损坏」应走不同响应路径（路线图 vs 工程修复）。