shield_lock
JinDaGe
← Back to skills
extension
Category: Data & AnalyticsNo API key required

VOC 全链路分析看板

VOC（客户声音）全链路分析看板生成技能。与客服数据看板（运营指标）不同，本技能聚焦于从客户反馈中挖掘洞察：主题聚类、情感分析、趋势追踪、行动闭环。支持多数据源接入（Excel/CSV、腾讯文档、API接口、非结构化文本等）和多格式输出（HTML交互式看板、腾讯文档、PPT报告或用户指定格式）。触发词：VOC分析、客户声音分析、用户反馈看板、VOC dashboard、voice of customer、feedback analysis、NPS分析、用户痛点分析。

personAuthor: user_3ef5c419hubcommunity
downloadDownload package

VOC全链路分析看板

概述

本技能提供从原始VOC数据到可执行洞察的完整分析流程。覆盖从数据接入、文本分析、洞察生成到看板输出的全链路，适用于任何需要理解"客户在说什么"的场景。

与客服数据看板的区别：

  • 客服数据看板 = 运营效率指标（工单量、响应时长、客服绩效）
  • VOC分析看板 = 客户声音洞察（说了什么、痛点是什么、情感如何、趋势怎样）

触发场景

当用户提到以下任何内容时触发本技能：

  • VOC分析 / 客户声音分析 / 用户反馈分析
  • 生成VOC看板 / VOC dashboard
  • 分析App评价 / 问卷开放题 / 客服工单备注
  • 用户痛点聚类 / 情感趋势分析
  • NPS文本分析 / 满意度开放意见分析
  • 社交媒体舆情分析（用户反馈维度）

全链路分析工作流

整个分析流程分为四个阶段，按顺序执行。每个阶段产出明确的产物，作为下一阶段的输入。

阶段1：数据接入与结构化

目标： 将分散在多源的VOC数据统一为结构化数据集。

支持的数据源：

| 数据源 | 接入方式 | 注意事项 | |--------|----------|---------| | Excel/CSV本地文件 | 直接读取 | 自动探测编码（UTF-8/GBK） | | 腾讯文档（表格） | mcp__tencent-docs__sheet 工具 | 通过sheet API读取 | | 腾讯文档（文档/智能文档） | mcp__tencent-docs__get_content | 提取文字内容 | | API接口 | WebFetch 或 Bash(curl) | 需要用户提供接口文档 | | 非结构化文本 | 直接粘贴或上传txt/docx | 按段落/条目分割 |

标准化输出字段（尽可能映射）：

至少包含以下字段中的3个，字段名可映射：

- id: 唯一标识
- date: 反馈日期（YYYY-MM-DD）
- source: 数据来源（App Store/客服工单/问卷/社交媒体等）
- channel: 接触渠道（如有）
- content: 反馈正文（核心字段）
- rating: 评分/星级（如有，1-5或1-10）
- sentiment_raw: 原始情感标注（如有）
- user_type: 用户类型（新/老/付费等，如有）
- product: 关联产品/功能（如有）
- status: 处理状态（如有）
- assignee: 负责人（如有）

执行步骤：

  1. 询问用户数据位置和格式（如果用户未提供）
  2. 读取数据，探测字段结构
  3. 将源字段映射至标准字段
  4. 输出数据概览：记录数、时间范围、来源分布、字段完整度

阶段2：文本分析与主题提取

目标： 对非结构化的content字段进行深度分析，提取可操作的洞察。

核心分析维度：

2.1 主题聚类（Topic Mining）

从反馈中自动识别高频主题和痛点类别。

操作方法：

  • 对于少量数据（<500条）：直接通读，手动归纳主题
  • 对于大量数据（≥500条）：先通读样本（50-100条）建立主题框架，再批量归类
  • 主题层级：先分大类（如"功能问题""体验问题""价格问题"），再分小类

输出格式：

## 主题分布
- 主题A（占比XX%）：典型表述、出现频次、情感倾向
- 主题B（占比XX%）：...

2.2 情感分析（Sentiment Analysis）

对每条反馈进行情感标注，支持多维度：

  • 整体情感：正向 / 中性 / 负向
  • 情感强度：弱 / 中 / 强（基于用词激烈程度）
  • 情感变化：对比不同时间段的情感分布

中文情感判断参考：

  • 正向关键词：好用、方便、喜欢、推荐、满意、超出预期
  • 负向关键词：卡顿、闪退、难用、贵、投诉、卸载、失望
  • 中性：询问类、建议类（无明显情感倾向）

2.3 关键词与短语提取

提取高频词、短语和新兴话题。

操作方法：

  • 分词后统计词频（排除停用词）
  • 关注"突然增多"的关键词（可能是新问题的信号）
  • 提取用户原话中的生动表述（用于报告引用）

2.4 问题严重度评分

对识别出的问题按影响范围×严重程度评分，用于优先级排序。

评分矩阵：

          影响人数少    影响人数中等    影响人数多
影响小       P3            P3            P2
影响中       P3            P2            P1
影响大       P2            P1            P0

阶段3：趋势分析与行动闭环

目标： 将静态分析转化为动态洞察和可追踪的行动项。

3.1 时间趋势分析

  • 量趋势：每日/每周反馈量变化，识别异常峰值
  • 情感趋势：情感分布随时间的变化，判断改进效果
  • 主题趋势：各主题占比的时间变化，识别新兴问题
  • NPS/评分趋势（如有评分字段）：平均分随时间变化

3.2 细分维度对比

  • 按来源对比（App Store vs 客服工单：说的内容是否一致？）
  • 按用户类型对比（新用户 vs 老用户：痛点是否不同？）
  • 按产品/功能对比（如有product字段）

3.3 行动闭环设计

将分析结果转化为可追踪的行动项。在看板中包含以下模块：

┌─────────────────────────────────────┐
│ VOC行动闭环看板                      │
├──────────┬──────────┬───────────────┤
│ 发现问题  │ 分析根因  │ 改进措施      │
│ [主题A]  │ [根因X]  │ [措施1/2/3]  │
│ [主题B]  │ [根因Y]  │ [措施...]    │
├──────────┼──────────┼───────────────┤
│ 负责人   │ 截止日期  │ 验证方式      │
│ [姓名]   │ [日期]   │ [跟踪指标]    │
└──────────┴──────────┴───────────────┘

闭环追踪字段建议：

  • 问题ID（关联原始主题）
  • 改进措施描述
  • 负责人
  • 计划完成日期
  • 实际完成日期
  • 验证结果（重新分析同类反馈，看是否减少）
  • 状态（待处理/进行中/已上线/已验证）

阶段4：看板生成与输出

目标： 将分析结果以最适合用户需求的形式输出。

输出格式选择逻辑

用户是否指定了输出格式？
├── 是 → 使用用户指定的格式
└── 否 → 根据数据特点和建议自动选择
    ├── 数据量大（>1000条）+ 需要持续查看 → HTML交互式看板
    ├── 需要与团队协作文档 → 腾讯文档（智能文档或表格）
    ├── 需要向管理层汇报 → PowerPoint报告
    └── 数据量小 + 快速洞察 → 直接在对话中输出分析报告

4.1 HTML交互式看板

适用场景： 数据量大、需要持续/重复查看、需要筛选交互

看板应包含的核心模块（按优先级）：

  1. 总览页

    • 反馈总量、时间范围
    • 情感分布饼图（正向/中性/负向）
    • 来源分布
    • 时间趋势折线图（反馈量+NPS/评分）

  2. 主题洞察页

    • 主题分布柱状图/树图
    • 每个主题的情感分布
    • 点击主题可下钻查看原始反馈样本

  3. 趋势分析页

    • 情感趋势时间序列
    • 主题演变时间序列
    • 异常峰值标注（可点击查看当日具体反馈）

  4. 行动闭环页

    • 问题优先级矩阵（影响×严重度）
    • 行动项追踪表（可更新状态）

技术实现：

  • 使用 assets/dashboard_template.html 作为基础模板
  • 图表使用 Chart.js 或 ECharts（通过CDN引入）
  • 数据嵌入为JSON，无需后端
  • 确保中文显示正常（中文字体栈）

4.2 腾讯文档输出

适用场景： 需要团队协作、在线更新、权限管理

两种形式：

  1. 智能文档：适合分析报告（文字+图表+洞察结论）
  2. 智能表格：适合数据结构化展示（可按来源/主题/时间筛选）

操作方法：

  • 使用 mcp__tencent-docs 工具创建文档
  • 先创建文档，再分段插入内容
  • 图表使用 mcp__tencent-docs__create_flowchart_by_mermaid 或插入图片

4.3 PowerPoint报告

适用场景： 向管理层汇报、周期性总结（月度/季度VOC报告）

建议结构（10-15页）：

  1. 封面（VOC分析报告 + 时间范围 + 数据来源）
  2. 执行摘要（3-5条核心发现）
  3. 数据概览（量、来源分布、响应率等）
  4. 情感总览（整体情感分布 + 同比/环比）
  5. 核心痛点Top5（每个痛点：描述、占比、典型原话、趋势）
  6. 新兴问题预警（近期增多的主题）
  7. 正向反馈亮点（用户喜欢什么，用于强化）
  8. 行动建议（按优先级）
  9. 附录：方法论说明

操作方法：

  • 使用 pptx skill 生成PPT
  • 或先生成HTML报告，再转换为PDF/PPT

4.4 直接分析报告（对话输出）

适用场景： 数据量小（<200条）、快速洞察需求

输出格式：

  • 结构化Markdown报告
  • 包含核心图表（使用 show_widget 工具生成可视化）
  • 包含原始反馈样本引用
  • 包含具体行动建议

行业适配指南

本技能不绑定特定行业，但不同行业的VOC分析重点不同。分析时参考以下行业特点调整分析重点：

电商/零售

  • 重点关注：物流体验、商品质量、售后服务、价格感知
  • 典型来源：App评价、客服工单、售后退款备注
  • 特有指标：退货率关联分析、复购意向表达

SaaS/软件

  • 重点关注：功能缺失、Bug反馈、易用性、学习成本
  • 典型来源：应用内反馈、客服工单、NPS开放题、社区论坛
  • 特有指标：功能请求频次、Bug影响用户数

金融/支付

  • 重点关注：安全性感知、交易失败、客服响应、费用透明
  • 典型来源：客服工单、投诉渠道、App评价
  • 特有指标：合规相关反馈、情感强烈度（金融问题情感更强烈）

出行/旅游

  • 重点关注：预订体验、行程变更、退款政策、客服可达性
  • 典型来源：App评价、客服工单、社交媒体
  • 特有指标：季节性波动（节假日高峰）、紧急问题响应

通用适配原则

  • 如果用户未说明行业，先通读数据样本判断行业特征
  • 分析框架保持不变，但主题词典和关注重点随行业调整
  • 在输出中注明"基于XX行业特点，重点关注了..."

执行检查清单

完成分析后，对照以下清单确保质量：

数据完整性：

  • [ ] 已确认数据时间范围和记录总数
  • [ ] 已处理缺失字段（标注而非忽略）
  • [ ] 已识别并标注异常数据（刷评、重复反馈等）

分析深度：

  • [ ] 已提取至少5个核心主题
  • [ ] 已进行情感分析并验证准确性（抽样检查）
  • [ ] 已识别时间趋势和异常峰值
  • [ ] 已将发现转化为具体行动建议

输出质量：

  • [ ] 看板/报告包含数据概览、核心洞察、行动建议三大部分
  • [ ] 所有图表都有清晰标题和数据标注
  • [ ] 包含用户原话引用（增强说服力）
  • [ ] 行动建议按优先级排序，且具体可操作

资源文件说明

scripts/

包含可执行的Python脚本，用于批量数据处理和看板生成。

  • voc_text_analyzer.py：批量文本分析脚本，支持情感分析、关键词提取、主题聚类
  • dashboard_generator.py：从结构化分析结果生成HTML看板的脚本

references/

包含详细的方法论文档和行业参考。

  • analysis_framework.md：VOC分析的方法论详解，包含指标定义、采样方法、偏差修正
  • industry_templates.md：各行业VOC分析的重点主题词典和报告模板参考

assets/

包含输出模板文件。

  • dashboard_template.html：HTML看板的基础模板，包含Chart.js引入和响应式布局

注意事项

  1. 数据隐私：VOC数据可能包含用户个人信息，输出时注意脱敏（隐藏用户名、订单号等）
  2. 样本偏差：App评价通常是极端情感（非常满意/非常不满意），需结合其他来源综合判断
  3. 刷评识别：注意识别疑似刷评内容（重复表述、发布时间集中、内容与产品无关）
  4. 行动可行性：提出的行动建议需考虑成本和技术可行性，标注实施难度
  5. 持续追踪：VOC分析不是一次性工作，建议建立周期性分析机制（参考cx-data-dashboard技能的自动更新能力）