問卷與回饋分析

你將學到什麼

• 如何使用 Claude 對開放式問卷回應進行編碼、分類和量化主題
• 從大量非結構化回饋中提取情感和可行動信號的技巧
• 如何將原始回饋轉化為產品、行銷和支援團隊可以行動的優先洞見

使用情境

開放式問卷回應和客戶評論是最豐富的產品情報來源之一——也是最未被充分利用的，因為在規模上分析它們既緩慢又昂貴。手動編碼 500 個開放式回應的質性研究人員可能需要幾天時間，而 Claude 可以在一個下午處理完。更重要的是，Claude 可以識別人類編碼員在逐一處理時會錯過的跨回應模式。

這種能力帶來超額價值的場景：包含數千個開放式「原因」回應的年度 NPS 問卷、揭示客戶為何流失的產品取消問卷、顯示反覆挫折的支援工單匯出、你想挖掘產品方向的 App Store 或 G2 評論集，或你需要在下次團隊會議前總結的活動後回饋表。

關鍵洞見是 Claude 不只是摘要回饋——它可以對非結構化文字施加分析結構。給定 100 個客戶回應，Claude 可以：識別反覆出現的主題集群、估計每個主題的相對頻率、為每個主題提取最具代表性的引文、區分正面和負面信號，並按緊迫性或影響力排列主題。這將原始的客戶心聲數據轉化為可以真正推動決策的東西。

逐步指南

第一步：清理和準備你的回饋數據

首先移除雜訊。對於問卷數據，去掉回應 ID、時間戳記和你不需要的元數據列——只保留受訪者的文字。對於評論，除非與你的分析相關，否則移除評論者姓名和日期。如果回應在試算表中，匯出為純文字或逐列貼上。

預先決定每個回應需要多少背景資訊。對於 NPS 問卷，你可能想要將數字分數與開放式評論配對：「分數：9——『喜歡入門流程，但報告功能令人困惑。』」 將分數與評論配對讓 Claude 可以將情感與定量評分交叉比對。

對於非常大的資料集（500 個回應以上），你有兩個選項：批次分析（每次貼上 50–100 個回應並請 Claude 編碼主題，然後跨批次彙總）或代表性抽樣（貼上 100 個回應的隨機樣本並請 Claude 識別主題，然後對照完整集合進行驗證）。

第二步：定義你的分析目標

告訴 Claude 這份回饋分析將支持什麼決策。這決定了它優先考慮哪些模式。常見目標：

• 產品路線圖：哪些痛點最常見且最嚴重？
• 降低流失：客戶為什麼離開，什麼會改變他們的決定？
• 行銷訊息：客戶使用什麼語言來描述他們獲得的價值？
• 支援偏轉：哪些反覆出現的問題可以用更好的文件解決？
• NPS 改善：在語言上，是什麼區分了推薦者和批評者？

每個目標需要分析中的不同側重點。產品團隊需要按頻率和嚴重程度排列的主題。行銷團隊需要客戶使用的具體詞彙和短語（逐字引文）。支援團隊需要產生最多工單的具體問題。

第三步：請 Claude 識別和編碼主題

核心分析步驟是主題編碼。請 Claude 閱讀所有回應並識別反覆出現的主題，然後將每個回應歸入一個或多個主題。這個的結構化提示：

「請閱讀以下 80 個客戶回饋回應並識別反覆出現的主題。對於每個主題：描述性地命名它，提供提到它的回應的估計百分比，給出 2–3 個最能代表它的逐字引文，並將其分類為正面信號、痛點或功能請求。」

Claude 擅長創建既不太細粒度（50 個重疊的微主題）也不太寬泛（3 個失去所有細節的主題）的主題分類法。如果初始主題太粗略，問：「你能把 ‘[主題名稱]’ 主題分解成更具體的子主題嗎？」

第四步：提取情感和緊迫性信號

除了主題之外，請 Claude 分析回饋的情感基調和緊迫性：

• 「哪些主題在最強烈的負面回應中最頻繁出現？這些代表我們最高優先的痛點。」
• 「哪些痛點被客戶描述為『阻礙因素』或『交易破局者』，而不是『修復後會很好』？」
• 「是否有在正面和負面回應中都出現的主題——一些客戶喜歡而其他人討厭的事情？」

最後一個問題通常浮現出最有趣的產品決策——讓用戶兩極分化而不是讓所有人滿意的功能。

第五步：包裝洞見

將分析轉化為你的團隊可以使用的格式：

• 對於產品團隊：帶有頻率、嚴重程度和代表性引文的主題排列清單
• 對於領導層：包含前 3 個發現和建議行動的主管摘要
• 對於行銷：帶有客戶用來描述價值的確切語言的「客戶心聲」文件
• 對於支援：基於最常見問題和挫折的 FAQ 文件

直接從分析中請 Claude 起草你需要的任何格式。

提示範本

我有來自 [問卷類型：NPS 問卷 / 取消問卷 / 功能請求表 / 產品評論集] 的 [數量] 個開放式回應。

**背景資訊**：
- 這份回饋來自：[例如，2024 年 Q4 取消的 B2B SaaS 用戶]
- 這份分析將支持的決策：[例如，Q2 產品路線圖優先順序]
- 輸出的受眾：[例如，產品團隊和 CEO]

**回應**：
[在此貼上所有回應，每行一個或明確分隔]

**我需要的分析**：

1. **主題識別**：識別 5–10 個反覆出現的主題。對於每個主題：
   - 一個描述性名稱
   - 提到它的回應的估計百分比
   - 2–3 個最能代表它的逐字引文
   - 分類：正面信號 / 痛點 / 功能請求

2. **優先排列**：根據語言使用的頻率和明顯嚴重性/緊迫性的組合，對痛點主題進行排列。

3. **機會信號**：識別任何建議具體、可行動的產品或流程改善的主題。

4. **主管摘要**：寫一個適合與領導層分享的 3 段話的頂層發現摘要。包含最重要的逐字引文。

技巧與最佳實踐

1. 如果有的話包含數字分數 — 如果你在分析 NPS 數據，將每條評論與其分數（0–10）配對。請 Claude 分別分析批評者（0–6）、被動者（7–8）和推薦者（9–10）的主題。相同的詞語往往出現在所有三組中，但在不同背景下意義截然不同。

2. 請求逐字引文，而不是釋義 — 當 Claude 識別主題時，始終請求原始回應的直接引文。釋義摘要失去了使客戶心聲數據對行銷和銷售有價值的情感質感和具體語言。

3. 尋找缺失的東西 — Claude 識別主要主題後，問：「客戶沒有提到什麼，而你可能期望他們提到的，鑑於這是一個 [產品類型]？」 主題的缺失可以和它的存在一樣有資訊量。

4. 在可能的情況下按區隔交叉分析 — 如果你有區隔數據（企業 vs. 中小企業、新 vs. 長期用戶、不同方案層級），貼上帶有區隔標籤的回應。請 Claude 識別哪些主題是特定區隔的——只有企業客戶提到的問題，例如，在優先順序上與所有區隔都出現的問題非常不同。

5. 建立回饋詞彙表 — 主題分析後，請 Claude 生成「客戶心聲」詞彙表：客戶用來描述你產品的價值和你產品的問題的確切詞彙和短語。這對行銷文案和銷售賦能是黃金——使用客戶自己的語言可以大幅提高轉換率。

動手試試

前往任何公開評論平台（G2、Capterra、App Store、Product Hunt、Trustpilot），找到你行業中的一個產品。複製 20–30 個客戶評論，將它們貼入 Claude：

「這些是 [產品名稱] 的客戶評論。請：(1) 識別正面評論中前 5 個反覆出現的主題和負面評論中前 5 個反覆出現的主題，(2) 列出客戶提到最愛的最常見特定功能或使用案例，(3) 列出最常見的具體挫折或限制，(4) 寫 3 個要點總結這個產品做得特別出色的地方，以及 3 個要點總結根據客戶所說的最大弱點。」

這個練習需要 15 分鐘，是 Claude 能多快將非結構化定性數據轉化為結構化情報的生動展示。