# 用户反馈分析

> 上传用户反馈数据（Excel/CSV/文本），自动分类统计并提取高频模式，输出包含情感分析、痛点排序和改进建议的洞察报告。 支持主题聚类、趋势分析和三角验证，从反馈中提炼用户画像。 连接~~Notion后报告直接写入知识库。 当用户说"用户反馈"、"反馈分析"、"用户声音"、"VOC分析"、"NPS分析"、"用户评价分析"、 "应用商店评论"、"客诉分析"、"用户调研"、"满意度分析"、"差评分析"、"好评分析"、 "反馈聚类"、"反馈趋势"、"用户画像提炼"时触发。

- Skill: `ahang1598/skill-78` (Agent Skill)
- Install (CLI): `npx skillmds@latest add ahang1598/skill-78`
- Raw SKILL.md: https://api.skillmd.com/api/skills/ahang1598/skill-78/raw
- Safety review: pending (external: skill-scanner PASS, skillspector PASS)
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Data & Analytics
- Author: ahang1598 (https://skillmd.com/u/ahang1598)
- Updated: 2026-09-09
- Page: https://skillmd.com/skills/ahang1598/skill-78

---


# 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）

| 连接器 | 增强能力 |
|--------|---------|
| **Notion** | 洞察报告写入团队知识库 |

> 没有连接器也完全可以使用。

## 输入要求

| 字段 | 必填 | 说明 |
|------|------|------|
| 反馈数据 | 是 | Excel/CSV文件、粘贴文本、或应用商店评论截图 |
| 分析目的 | 否 | 产品改进/满意度评估/专题分析（如某功能上线后的反馈），默认"产品改进" |
| 时间范围 | 否 | 反馈收集的时间段，用于标注报告时效和趋势分析 |
| 数据来源渠道 | 否 | 如有多渠道数据可标注来源，便于三角验证 |

> **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）**：

| 类别 | 判断标准 | 示例 |
|------|---------|------|
| **功能需求** | 用户希望有但目前没有的功能 | "希望能支持批量导出" |
| **Bug报告** | 功能存在但表现异常 | "点击保存后数据丢失了" |
| **使用咨询** | 不知道怎么用，找不到功能 | "怎么修改密码？" |
| **体验吐槽** | 功能有但体验不好 | "加载太慢了""界面太复杂" |
| **正面评价** | 满意、好评、推荐 | "这个功能很好用，推荐！" |
| **其他** | 无法归类或与产品无关 | 灌水、广告、无意义内容 |

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 | 判断信号 | 校准规则 |
|------|---------|---------|
| **正面** | 点赞、好评、推荐、感谢、表扬 | 仅表述事实的好评（"功能可用"）判为中性而非正面 |
| **中性** | 陈述事实、提问、建议（语气平和） | 功能需求默认中性，除非带有明显不满语气 |
| **负面** | 抱怨、愤怒、失望、威胁 | "希望能支持XX"是中性，"为什么还不支持XX"是负面 |

**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**：

| 主题 | 子主题 | 提及次数 | 占比 | 代表性反馈 |
|------|--------|---------|------|----------|
| {主题1} | {子主题a} | {N} | {X%} | "原文引用" |

### 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**：
| 等级 | 条件 | 标注 |
|------|------|------|
| **高** | 多渠道+多方法+持续出现 | 可直接驱动决策 |
| **中** | 2种验证维度支持 | 建议补充数据后决策 |
| **低** | 单一来源或单一方法 | 仅作参考，需进一步验证 |

### 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**

| 维度 | 赋值标准 |
|------|---------|
| **频次** | 高频(>10次)=3, 中频(3-10次)=2, 低频(<3次)=1 |
| **严重度** | 致命(功能不可用)=3, 严重(影响核心流程)=2, 一般(体验不佳但可用)=1 |
| **用户权重** | 付费用户=1.5, 免费用户=1.0（如无用户类型数据则均为1.0） |
| **可信度** | 高(三角验证通过)=1.2, 中=1.0, 低(单源)=0.8 |

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

```markdown
# 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：

| 补充方式 | 获取周期 | 适用场景 | 预期补充量 |
|---------|---------|---------|----------|
| 应用商店评论爬取 | 即时 | C端产品 | 50-500条 |
| 客服工单导出 | 1天内 | 有客服体系的产品 | 100+条 |
| 产品内嵌反馈弹窗 | 1-2周收集 | 需定向收集某功能反馈 | 视DAU定 |
| 用户1v1访谈 | 1-2周 | 深度挖掘痛点 | 5-10人（质>量） |
| 社交媒体监测 | 即时 | 用户自发讨论多的产品 | 不定量 |

> 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）：

| 渠道 | 数据特点 | 适合分析维度 |
|------|---------|------------|
| **微信客服/企业微信** | 即时反馈，语境完整，可追问 | 深度痛点分析 |
| **钉钉反馈群/飞书反馈群** | B端用户为主，需求明确 | 功能需求提炼 |
| **App Store/应用宝评论** | 公开评分+文字，量大 | NPS计算、情感分析 |
| **小红书评论/笔记** | 真实体验分享，含竞品对比 | 竞品感知、体验洞察 |
| **知乎问答/讨论** | 深度讨论，专业用户 | 深层需求挖掘 |
| **400热线/工单系统** | 结构化记录，紧急问题 | Bug和紧急痛点 |
| **产品内嵌反馈入口** | 使用中即时反馈，场景明确 | 功能体验优化 |

## 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