用户反馈分析

用户反馈分析

对用户反馈数据进行结构化分类、情感分析和模式提取，输出可驱动产品决策的洞察报告。内置反馈分类体系、痛点优先级排序模型、主题聚类方法和趋势分析框架。

工作方式

独立能力（无需连接器）

• 6大类反馈自动分类
• 正面/中性/负面情感判断
• 痛点Top N排序 + 改进建议
• NPS分数计算（如数据含评分）
• 主题聚类（亲和图法 + 主题编码）
• 趋势分析（环比变化 + 拐点识别）
• 三角验证（多源交叉验证）
• 用户画像提炼

增强能力（连接器加持）

• ~~Notion → 洞察报告写入产品知识库

连接器（可选增强）

没有连接器也完全可以使用。

输入要求

数据规模判断：<=20条 → **精读模式**（逐条分析，输出详细解读）；>20条 → 统计模式（自动分类统计，输出聚合报告）。

执行流程

第一步：数据预处理

解析用户上传的文件或粘贴的文本。

数据清洗规则：

• 去除完全重复的反馈
• 合并高度相似的反馈（相似度>90%），标注合并数量
• 超短反馈（<5字且无实质内容，如"好""差"）单独统计，不纳入深度分析
• 若数据含评分列（1-10分或1-5星），自动提取用于NPS计算
• 识别反馈来源渠道（微信客服、钉钉反馈群、App Store评论、小红书评论、知乎问答、飞书反馈表单、400热线工单等）

第二步：反馈分类

反馈分类体系（6大类+判断标准）：

分类不确定时（一条反馈可能属于多类），标注主分类+次分类。

第三步：情感分析

每条反馈标注情感倾向：

情感强度分级（负面反馈额外标注）：

• 轻度：语气平和的不满（"不太方便"）
• 中度：明确表达失望（"很失望""体验很差"）
• 重度：威胁性表达（"再不修就卸载""要投诉"）→ 高优先级处理

第四步：主题聚类

运用两种方法对反馈进行主题聚类，提取核心议题：

方法一：亲和图法（Affinity Mapping）

1. 拆分观察点：将每条反馈中的独立观点拆分为单独的"卡片"
2. 自然聚类：按相似性将卡片分组，不预设分类标签，让主题从数据中自然浮现
3. 命名主题：为每个聚类命名（如"支付流程繁琐""搜索结果不相关"）
4. 识别层级：小聚类归入更大的主题群（如"支付流程繁琐"+"退款周期长" 归入"交易体验"主题）
5. 标注异常值：无法归入任何聚类的反馈单独标注——这些可能是早期信号

方法二：主题编码（Thematic Coding）

1. 开放编码：逐条反馈标注描述性标签（如"加载慢""闪退""找不到入口"）
2. 轴心编码：将描述性标签归类为更抽象的主题（"加载慢"+"闪退" → "性能问题"）
3. 选择性编码：识别核心主题，建立主题之间的逻辑关系
4. 量化频次：统计每个主题被提及的次数和占比

聚类输出格式：

第五步：NPS分析（如数据含评分）

若反馈数据包含数字评分（1-10分制），自动计算NPS：

• 推荐者（9-10分）占比 - 贬损者（0-6分）占比 = NPS分数
• NPS基准参考：SaaS行业平均30-40，消费类App平均20-30
• 5星制评分自动换算：5星=10分，4星=8分，3星=6分，2星=4分，1星=2分

第六步：趋势分析（如有时间维度数据）

当反馈数据包含时间信息时，进行趋势分析：

环比变化计算框架：

• 按周/月统计各类反馈的数量变化
• 计算环比增长率 =（本期 - 上期）/ 上期 x 100%
• 关注增长率>30%的异常变化，标注为"需关注"

趋势拐点识别：

• 监测连续3期以上的单方向变化（持续上升或持续下降）
• 识别突然的方向反转（如负面反馈连续下降后突然上升）
• 关联外部事件：版本发布、运营活动、竞品动态等可能的触发因素

趋势分析输出：

• 各类别反馈的时间变化曲线描述
• 显著变化点标注及可能原因
• 预警：哪些指标在恶化、哪些在改善

第七步：三角验证

当数据来自多个渠道时，通过交叉验证提升结论可信度：

方法论三角：同一问题用不同分析方法验证

• 如：主题聚类发现"加载慢"是Top1痛点 → 检查NPS贬损者的开放回答是否也集中在性能问题

来源三角：同一发现在不同渠道的出现情况

• 如：App Store差评提到"闪退" + 微信客服工单也反映"闪退" + 钉钉群用户也提到 → 高可信度
• 仅单一渠道出现 → 标注"单源发现，需进一步验证"

时间三角：同一问题在不同时间的持续性

• 持续3周以上的问题 → 系统性问题
• 仅在特定时间出现 → 可能是偶发或已修复

可信度分级：

第八步：用户画像提炼

从反馈数据中识别典型用户类型：

画像构建方法：

1. 行为聚类：根据反馈内容推断用户类型（新手/老用户/高频用户/偶尔使用）
2. 需求聚类：哪些用户关注效率、哪些关注体验、哪些关注价格
3. 情感聚类：忠实拥护者 / 沉默使用者 / 积极抱怨者 / 流失边缘者

画像模板：

[画像名称]：{一句话描述}
- 典型特征：{使用频率、关注点、行为模式}
- 核心诉求：{最关心什么}
- 主要痛点：{遇到的问题}
- 反馈风格：{倾向如何表达}
- 占比估算：{在反馈数据中的比例}
- 代表性原文："{引用}"

画像数量控制在3-5个，过多则不具备行动指导意义。

第九步：痛点排序

痛点优先级 = 频次 x 严重度 x 用户权重 x 可信度

按综合分数降序排列，输出Top 10痛点。

第十步：生成洞察报告

如果连接了~~Notion：

1. 将报告写入团队知识库指定位置

如果未连接：

1. 以Markdown格式输出完整报告

输出格式

# 用户反馈分析报告

**分析期间**：{日期范围}
**反馈总量**：{N}条（去重后{M}条）
**数据来源**：{渠道列表，如"App Store评论、微信客服工单、钉钉反馈群"}

## 一、分类统计
| 类别 | 数量 | 占比 | 环比变化(如有) |
|------|------|------|--------------|

## 二、情感分布
**正面**：{X}%  |  **中性**：{Y}%  |  **负面**：{Z}%
（负面中：轻度{a}条 / 中度{b}条 / 重度{c}条）

## 三、主题聚类
| 主题 | 子主题 | 提及频次 | 占比 | 可信度 |
|------|--------|---------|------|--------|

## 四、NPS分析（如有评分数据）
**NPS分数**：{分数}（推荐者{X}% - 贬损者{Y}%）
**行业基准对比**：{高于/低于}行业平均{差值}分

## 五、趋势分析（如有时间数据）
- 显著上升趋势：{类别}，环比+{X}%
- 显著下降趋势：{类别}，环比-{X}%
- 拐点事件：{描述}

## 六、Top 10 痛点
| 排名 | 痛点描述 | 频次 | 严重度 | 可信度 | 综合分 | 代表性原文 | 产品建议 |
|------|---------|------|--------|--------|--------|----------|---------|

## 七、用户画像
<!-- 3-5个典型画像 -->

## 八、关键洞察
<!-- 每条洞察格式：发现+数据佐证+可信度+意义 -->
1. {洞察1}
2. {洞察2}
3. {洞察3}

## 九、改进建议（按优先级排序）
| 优先级 | 建议 | 关联痛点 | 预期效果 | 验证方式 |
|--------|------|---------|---------|---------|

## 十、统计说明
- 分类置信度：{高/中}（样本量{N}条）
- 存疑分类：{数量}条
- 三角验证覆盖率：{X}%的发现经过多源验证
- 统计有效性：{样本量充足/样本量有限，结论仅供参考}

质量标准

1. 分类有据——不确定的分类标注置信度
2. 洞察基于数据——每条洞察引用具体数字
3. 改进建议可操作——具体到功能层面
4. 样本量<50条时标注"样本量有限，结论仅供参考"
5. 统计结果用代码执行计算，确保准确
6. 情感判断经过校准规则验证
7. 主题聚类结果互斥且完整（MECE）
8. 三角验证明确标注可信度等级

红线规则

1. 不过度推断：20条反馈中3条提到某问题，不能说"大量用户反馈"
2. 保留原文：痛点需附代表性原文，确保可追溯
3. 不编造趋势：无历史数据时不做环比分析
4. 不虚构画像：用户画像必须基于数据聚类结果，不能凭想象编造

输入不足处理

• 反馈数量<10条：输出逐条详细解读，不做统计分析（样本太少无统计意义）
• 无渠道/时间信息：正常分析，但标注"缺少数据来源和时间信息，建议补充"；跳过趋势分析和三角验证
• 混杂多语言反馈：按语言分组分别分析
• 单一渠道数据：正常分析，但在报告中标注"单一数据源，建议补充其他渠道数据进行交叉验证"

反馈量不足时的主动补充策略

当可用反馈<30条时，分析价值有限。建议主动补充数据：

原则：先穷尽已有数据源再考虑新增收集，避免"数据不够就做调研"的冲动。

反馈渠道参考

中国互联网产品常见反馈渠道（按数据质量排序）：

相关技能

• /需求优先级排序：将反馈中提取的功能需求 → 用RICE排优先级
• /PRD生成：高频需求 → 转化为PRD
• /竞品分析：反馈中的竞品提及 → 进一步竞品研究
• /产品指标复盘：反馈趋势与产品指标交叉验证