analyze-feedback

/analyze-feedback -- 用户反馈分析

将大量用户反馈（评论、问卷、支持工单、NPS 回复）处理为结构化洞察，包含情感分析和细分市场层面的规律。

调用方式

/analyze-feedback [上传 NPS 回复的 CSV 文件]
/analyze-feedback [粘贴应用商店评论或问卷回复]
/analyze-feedback [上传支持工单导出文件]

工作流程

第一步：接收反馈数据

支持以下任意格式：

• 包含反馈文本的 CSV/Excel（可选元数据：日期、细分、评分）
• 粘贴的文本（评论、问卷回复、Slack 消息）
• 上传的文档或反馈工具导出文件

询问用户：

• 这是哪类反馈？（NPS、评论、支持工单、问卷等）
• 是否需要单独分析某些细分市场？（用户层级、套餐、地区）
• 你想了解什么？（整体主题、具体问题、随时间变化的趋势）

第二步：分析

应用 sentiment-analysis 技能：

• 情感评分：对每条反馈进行分类（正面、中性、负面）
• 主题提取：识别反复出现的话题，将相关反馈归类
• 频率分析：统计每个主题出现的次数
• 细分分析：按用户细分拆解情感与主题（如有数据）
• 趋势检测：如有日期数据，识别情感随时间的变化

第三步：生成分析报告

## 反馈分析报告

**日期**：[今天]
**分析反馈量**：[数量] 条
**来源**：[NPS 问卷 / 应用评论 / 支持工单 / 其他]
**时间段**：[如有日期范围则填写]

### 整体情感
- 正面：[X%] | 中性：[Y%] | 负面：[Z%]
- 平均情感评分：[X/10]
- 趋势：[改善中 / 稳定 / 下滑]

### 主要主题
| # | 主题 | 提及次数 | 情感倾向 | 影响最大的细分市场 |
|---|------|----------|----------|------------------|

### 主题深度分析

#### 主题 1：[名称] — [X] 次提及，[情感倾向]
- **用户怎么说**：[摘要及代表性引用]
- **根本原因**：[是什么驱动了这些反馈]
- **影响**：[对留存、满意度或营收的影响]
- **建议**：[应对措施]

[对排名前 5-8 的主题重复上述结构]

### 细分市场分析
| 细分市场 | 数量 | 平均情感 | 首要主题 | 关键差异 |
|----------|------|----------|----------|---------|

### 典型引用
> "[引用内容]" — [细分市场，情感倾向]

### 随时间变化的趋势
[如有日期数据：可用于图表的情感变化数据]

### 可行洞察
1. [洞察 + 建议行动]
2. ...

### 盲点
[这批反馈未能回答的问题——建议跟进的调研方向]

保存为 markdown 格式。如果输入是结构化数据（CSV），同时保存附有情感评分的增强版 CSV 文件。

第四步：提供后续建议

• "要我基于这些反馈规律创建用户画像吗？"
• "要我将主要主题整理为功能需求吗？"
• "要我设计访谈提纲，针对某个具体主题深入挖掘吗？"

注意事项

• 情感分析具有一定误差——对边缘情况（反讽、混合情感、非英语文本）需标注说明
• 主题提取应挖掘需求背后的深层诉求，而非仅停留在表面话题
• 若每个细分市场的样本量较小，需注明置信度有限
• 对于 NPS 数据，需单独分析批评者（0-6 分）、被动者（7-8 分）和推荐者（9-10 分）
• 当输入为结构化数据时，输出增强版 CSV，方便用户在自己的工具中使用