大规模用户反馈分析：按用户分群提炼情感得分、JTBD…

当你需要规模化分析用户反馈（评论、问卷、社交聆听等），识别用户分群并量化满意度、挖掘改进机会时使用。

适用场景

解决思路

1. 读取所有反馈来源（CSV、PDF、问卷回答、评论数据、社交聆听报告等），建立一份工作清单（inventory）
2. 从反馈中识别至少 3 个不同的用户分群或用户画像（persona）
3. 按分群提取反复出现的主题、痛点与正面反馈
4. 为每个分群的整体满意度打情感分（-1 到 +1）
5. 按出现频率、严重程度和业务影响对洞察进行优先级排序
6. 综合形成分群画像，整合各项洞察
7. 为每个分群输出分群画像：名称/标识、共同特征、在反馈数据集中的用户数或占比、主要使用场景或情境
8. 为每个分群输出 Jobs-to-be-Done：该分群要完成的核心任务及期望结果
9. 为每个分群输出情感得分与满意度水平：整体情感分（-1 到 +1）、关键满意驱动因素与不满因素、如适用给出 NPS 代理指标
10. 为每个分群输出主要正面反馈主题：用户喜爱之处、用户视角的关键优势、成功用例示例
11. 为每个分群输出主要痛点与批评：最常见的抱怨或挫败、未满足需求或缺失功能、用户旅程中的摩擦点、如有则附直接引用
12. 为每个分群输出产品-分群契合度评估：产品对该分群需求的满足程度、通过产品改动提升契合度的潜力、流失或不满意风险
13. 为每个分群输出可执行建议：2-3 项最高影响的改进、快赢 vs 战略举措、应优先或降级的分群
14. 所有结论都基于真实用户反馈并引用来源
15. 识别分群内的多数派与少数派观点
16. 区分功能请求与根本性痛点
17. 考虑用户面临的情境与约束
18. 标记样本量小或情感不确定的分群
19. 寻找跨分群模式与普遍性痛点
20. 对产品优势与劣势给出平衡的视角

适用边界 · 注意事项

• 没有可用的用户反馈数据源时
• 需要实时或流式情感判断而非批量综合分析时
• 样本量极小、无法形成有意义分群时