Pogrupuj tysiące opinii klientów, ankiet NPS i ticketów w konkretne problemy

Wyjdź poza banalny podział 'pozytywne/negatywne' — policz, ile dokładnie skarg dotyczy kuriera, opakowania, rozmiaru czy błędu w aplikacji.

Jak przeprowadzić analizę głosu klienta (VoC), z której wynikają decyzje

  1. 01

    Stosuj analizę aspektową zamiast jednej ogólnej etykiety sentymentu

    Jedna ocena 'neutralna' dla zdania 'Kawa pyszna, ale paczka szła tydzień' ukrywa dwa ważne sygnały: pochwałę dla produktu i alarm dla logistyki.

  2. 02

    Najpierw odkryj słownik 10–15 kategorii na próbce 200 losowych opinii

    Nie wymyślaj kategorii z głowy — niech model przeczyta reprezentatywną próbkę i zaproponuje taksonomię tematów, którą zatwierdzisz przed klasyfikacją pełnych 5000 rekordów.

  3. 03

    Klasyfikuj rekord po rekordzie przez API zamiast wklejać 2000 opinii do jednego czatu

    Wrzucenie tysięcy komentarzy do jednego okna rozmowy kończy się szacowaniem 'na oko'; przetwarzanie wiersz po wierszu w arkuszu lub skrypcie daje dokładne liczby do wykresu.

  4. 04

    Zestawiaj częstość problemu z jego realnym wpływem na ocenę gwiazdkową lub NPS

    Czasem drobna uwaga pojawia się często u promotorów dających 9/10, a rzadszy błąd płatności odpowiada za połowę ocen 1/10 — waż tematy siłą spadku satysfakcji.

Przykład działania

Pojedynczy polski komentarz klienta z wieloma wątkami i ironią

"Zamówiłem biurko z regulacją wysokości. Stelaż ciężki, stabilny, nawet przy 115 cm nic się nie chwieje — tu mega plus. Natomiast instrukcja montażu to zagadka dla inżyniera NASA, a kurier zostawił 35-kilową paczkę pod klatką bez telefonu."

Wieloaspektowy zapis JSON do tabeli analitycznej

{ "aspekty": [ {"obszar": "JAKOSC_PRODUKTU", "sentyment": "POZYTYWNY", "szczegol": "Stabilność stelaża na pełnej wysokości"}, {"obszar": "INSTRUKCJA_MONTAZU", "sentyment": "NEGATYWNY", "szczegol": "Niejasny opis kroków składania"}, {"obszar": "DOSTAWA_KURIER", "sentyment": "NEGATYWNY", "szczegol": "Brak kontaktu i wniesienia ciężkiej paczki"} ] }

Dzięki rozbiciu komentarza na aspekty dział produktu poprawia instrukcję PDF w dwa dni, nie ruszając udanego stelaża.

Najczęściej zadawane pytania

Jak programy do analizy sentymentu AI radzą sobie z polską ironią typu 'No rewelacja, po dwóch dniach przestało działać'?

Starsze słownikowe analizatory widziały słowo 'rewelacja' i błędnie oznaczały opinię na zielono; współczesne modele LLM bezbłędnie odczytują sarkazm z drugiej części zdania.

Ile kosztuje sklasyfikowanie 10 000 krótkich opinii klientów przez API lekkiego modelu?

Przy średniej długości recenzji 40–60 słów wsadowe przypisanie aspektów i sentymentu dla 10 tys. rekordów kosztuje w Batch API równowartość około 10–30 zł.

Czy przed analizą zgłoszeń z helpdesku trzeba usuwać dane kontaktowe klientów?

Tak — przed eksportem CSV z systemu ticketowego wytnij kolumny e-maila i telefonu oraz przepuść treść przez prosty skrypt maskujący numery kont, adresy i nazwiska wpisane w stopce maila.

Dowiedz się więcej

Powiązane poradniki i wyjaśnienia do tego zadania