差评根因分析
把一批 CSAT/NPS 客户原话按两级编码归类,算出每个主题的频率和影响度,输出按优先级排序的待修问题清单。
功能与用途
满意度只有个分数,比如 3.8 分,知道有问题但不知道改什么。这个 Skill 的做法是把几百条客户原话逐条打上一级类别和二级子主题的标签,再算每个主题被多少条评论提到、提到它的工单平均分低多少,放进频率和影响的四象限里排出先后。最后给的不是描述而是动作:每个主题配负责人和修好后应该看到的数据变化。评论少于 30 条、或者混着推荐者和差评一起分析,结论都不可靠。
适用场景
- 季度结束攒了四百多条客户评论,老板追问这个季度的满意度为什么:季度结束攒了四百多条客户评论,老板追问这个季度的满意度为什么掉,需要给出能落到具体问题上的解释
- 客服团队天天救火却不知道先修哪个环节,想用评论数据排出真正该:客服团队天天救火却不知道先修哪个环节,想用评论数据排出真正该优先解决的问题
- 某类投诉最近明显变多,怀疑已经是系统性问题,需要对照阈值确认:某类投诉最近明显变多,怀疑已经是系统性问题,需要对照阈值确认是不是该立刻升级处理
适用人群
- 客户体验分析师
- 客服运营负责人
- SaaS 产品支持团队负责人
使用步骤
- 先把评论数据清洗干净:去掉空白、剔除单纯点名客服的评论,并把贬损者原话单独挑出来先分析。
- 把评论交给 AI,让它按一级类别加二级子主题给每条原话打标签,含多个抱怨的先拆开。
- 让它为每个主题算出现频率和提及工单的平均 CSAT,画进频率×影响的四象限矩阵。
- 拿到前 3-5 个优先主题,检查每个主题是否都配了具体动作、负责人和成功指标。
- 核对引用原话是逐字引用而非改写,并确认 15% 贬损者占比和 CSAT 低于 2.5 的升级阈值是否被检查过。
开始使用
将需求和 Skill 名称发送给已连接 SkillPX MCP 的 AI 助手,核对适用工具和安装要求。
技术信息
- 分类
- 商业运营
- 适用工具
- Codex、Claude Code、OpenClaw、Hermes、国内 Agent
- 使用难度
- 专业
- 版本
- main
- 最近更新
- 2026-09-12
- 文件数
- 3
- 安装包大小
- 自动生成 ZIP
- 安全检查
- 基础检查通过
Analyzes CSAT and NPS verbatims to surface root-cause themes and prioritize fixes by frequency and impact. Use when interpreting customer satisfaction data to inform product or process decisions.
使用前准备
- 需准备不少于 30 条已清洗的客户原话,并能区分 CSAT/NPS 的打分口径
依赖与权限
- 读取用户主动提供的内容