pm-skills 用户反馈分析实战用 /analyze-feedback 命令把海量反馈转成结构化洞察【免费下载链接】pm-skillsPM Skills Marketplace: 100 agentic skills, commands, and plugins — from discovery to strategy, execution, launch, and growth.项目地址: https://gitcode.com/GitHub_Trending/pm/pm-skills/analyze-feedback是 pm-skills 市场PM Skills Marketplace中pm-market-research插件提供的一条命令式工作流专门解决产品经理反馈太多、洞察太少的问题它把应用商店评论、NPS 问卷、支持工单、调查回复等大规模非结构化文本转化为带情感评分、主题聚类和用户分群的结构化分析报告。读完本文你将掌握这条命令的完整调用方式、四步分析工作流、底层依赖的 sentiment-analysis 技能的实现细节以及如何把分析结果继续衔接到用户画像、需求分级和深度访谈等后续环节。命令定位它是谁解决什么问题在 README.md 中pm-market-research被定义为市场研究插件用户画像、市场细分、情感分析和竞争分析。该插件一共包含7 个技能Skills和 3 条命令Commands其中三条命令分别是/research-users—— 综合用户研究用户画像 分群 旅程地图对应 research-users.md/competitive-analysis—— 竞争格局分析对应 competitive-analysis.md/analyze-feedback—— 用户反馈情感分析与分群洞察即本文主题对应 analyze-feedback.md在 pm-skills 的架构中技能Skill是构建块承载领域知识与分析框架命令Command是用户主动触发的端到端工作流负责把若干技能串联起来。/analyze-feedback正是这种设计的一个典型例子它本身不重复实现分析逻辑而是把核心分析委托给 sentiment-analysis 技能命令只负责定义接收什么输入 → 问什么问题 → 输出什么报告 → 推荐什么下一步。调用方式Invocation/analyze-feedback支持三种典型输入形态对应 analyze-feedback.md 中的调用示例/analyze-feedback [upload a CSV of NPS responses] /analyze-feedback [paste app store reviews or survey responses] /analyze-feedback [upload support ticket export]即上传结构化文件例如 NPS 回复的 CSV 导出直接粘贴文本应用商店评论、问卷回复、Slack 里的用户反馈上传文档/导出包来自反馈工具如 Zendesk、Intercom的支持工单导出。根据 README.md 的安装说明在 Claude Code 中安装pm-market-research插件后即可使用这条命令claude plugin marketplace add phuryn/pm-skills claude plugin install pm-market-researchpm-skills说明在 Claude Code / Cowork 中命令以/command-name触发例如/analyze-feedback部分环境下也可使用带插件前缀的全限定名/pm-market-research:analyze-feedback。命令文件是 Claude 特有的slash-command 语法但技能文件skills/*/SKILL.md遵循通用技能格式可复制到 Gemini CLI.gemini/skills/、OpenCode.opencode/skills/、Cursor.cursor/skills/等其他工具中仅作为技能使用。Step 1接收反馈数据命令启动后首先进入数据接收阶段接受任意格式的反馈输入CSV/Excel包含反馈文本以及可选的元数据列日期、用户分群、评分等粘贴文本评论、问卷回复、Slack 消息等上传文档反馈工具导出的文件。在正式分析前命令会主动澄清三个问题以确保分析方向与用户诉求一致这部分对应 analyze-feedback.md 的 Step 1这是什么类型的反馈NPS、评论、支持工单、问卷……——不同类型反馈的分析口径不同例如 NPS 有专门的 0-10 分群规则是否有需要单独分析的分群维度用户层级、套餐、地域……——为后续 Segment Analysis 提供切片依据你希望从中得到什么总体主题、特定问题、随时间变化的趋势……——决定分析是广撒网还是定点深挖。这一步的价值在于它把模糊的分析一下反馈需求收敛成带明确分析口径和输出预期的任务避免生成一份方向错误的报告。Step 2分析 —— 底层 sentiment-analysis 技能拆解数据分析阶段由sentiment-analysis技能承担。该技能的定义文件 SKILL.md 中写明其用途是大规模分析用户反馈数据识别市场分群、衡量满意度、发现产品改进机会并明确要求分析者以专家级用户研究员与反馈分析师的身份工作。命令层面对技能能力的调用体现在五个分析动作上分析动作含义情感评分Sentiment scoring把每条反馈分类为 positive / neutral / negative主题提取Theme extraction识别反复出现的主题并把相关反馈聚类频次分析Frequency analysis统计每个主题出现的次数分群分析Segment analysis在有分群数据时按用户分群拆解情感与主题趋势检测Trend detection有日期字段时识别情感随时间的迁移技能的六步分析流程技能内部定义了逐步思考Think Step by Step的六步流程可作为命令行为的底层实现参照数据摄取Data Ingestion读取所有反馈来源建立工作清单分群识别Segment Identification从反馈中识别至少 3 个不同的用户分群或画像主题分析Thematic Analysis提取每个分群中反复出现的主题、痛点与正面反馈情感评分Sentiment Scoring为每个分群的总体满意度分配 -1 到 1 的情感分数影响评估Impact Assessment按频次、严重程度与业务影响对洞察排序综合输出Synthesis形成带统一洞察的分群画像。值得注意的是技能层面的情感评分采用-1 到 1 的连续区间而命令层面的报告模板采用positive/neutral/negative 三分法与百分比——两者并不矛盾三分法是对连续分数的聚合呈现技能还同时要求给出情感驱动因素与减分因素和NPS 代理指标见下节分群画像结构。技能输出的分群画像结构对每个识别出的分群技能要求输出完整的画像包括分群画像名称/标识、在数据集中的用户数或占比、主要使用场景Jobs-to-be-Done该分群要完成的核心任务、期望的结果情感分与满意度总体情感分-1 到 1、满意度驱动/减分因素、适用的 NPS 代理值TOP 正面反馈主题用户喜欢什么、核心优势、成功用例TOP 痛点与批评最常见的抱怨、未满足的需求、用户旅程中的摩擦点、直接引语产品-分群适配评估产品在多大程度上满足该分群需求、改进潜力、流失风险可执行建议每个分群 2-3 条高影响改进、速赢 vs 战略举措、优先级建议。技能的最佳实践要求SKILL.md 的 Best Practices 节还为命令背后的分析质量设定了底线所有结论必须建立在真实用户反馈之上并注明来源同时呈现分群内的多数派与少数派观点区分功能请求与根本性痛点这也呼应了analyze-feature-requests技能永远不要让客户设计方案、优先排序机会而非功能的原则详见 analyze-feature-requests关注用户面临的具体情境与约束对小样本分群或不确定的情感结论明确标注寻找跨分群的共性模式与普适痛点对产品优势与不足给出平衡的呈现。Step 3生成分析报告分析完成后命令按固定模板输出一份 Markdown 报告。模板完整定义在 analyze-feedback.md 的 Step 3 中核心结构如下## Feedback Analysis Report **Date**: [today] **Feedback analyzed**: [count] responses **Source**: [NPS survey / app reviews / support tickets / etc.] **Period**: [date range if available] ### Overall Sentiment - Positive: [X%] | Neutral: [Y%] | Negative: [Z%] - Average sentiment score: [X/10] - Trend: [improving / stable / declining] ### Top Themes | # | Theme | Mentions | Sentiment | Segments Most Affected | |---|-------|----------|-----------|----------------------| ### Theme Deep-Dive #### Theme 1: [Name] — [X] mentions, [sentiment] - **What users are saying**: [summary with representative quotes] - **Root cause**: [whats driving this feedback] - **Impact**: [how this affects retention, satisfaction, or revenue] - **Recommendation**: [what to do about it] [Repeat for top 5-8 themes] ### Segment Analysis | Segment | Volume | Avg Sentiment | Top Theme | Key Difference | |---------|--------|-------------|-----------|---------------| ### Notable Quotes [quote] — [segment, sentiment] ### Trends Over Time [If date data available: chart-ready data showing sentiment shifts] ### Actionable Insights 1. [Insight recommended action] 2. ... ### Gaps [What this feedback doesnt tell you — suggested follow-up research]模板的七个组成部分报告头日期、分析条数、来源类型、时间区间——保证报告的来源可追溯总体情感Overall Sentiment三分法占比 平均情感分模板按 10 分制展示与技能内部的 -1~1 评分互为换算口径 趋势判断TOP 主题表Top Themes主题、提及次数、情感、受影响最大的分群主题深挖Theme Deep-Dive对 TOP 5-8 个主题逐一展开用户在说什么含代表引语→ 根因 → 对留存/满意度/收入的影响 → 建议这是把知道了什么升级为该做什么的关键环节分群分析Segment Analysis各分群的体量、平均情感、头号主题与关键差异代表性引语Notable Quotes保留原始声音标注分群与情感可执行洞察与缺口Actionable Insights Gaps洞察必须绑定建议动作Gaps 节则诚实说明这份数据没告诉你什么并建议后续补充研究。输出产物报告保存为Markdown文件如果输入是结构化数据如 CSV额外输出一份带情感评分列enriched的 CSV方便用户拿到自己的工具里继续做透视分析或建模。这一设计对应命令 Notes 中的明确要求当输入为结构化数据时输出 enriched CSV以便用户在自己的工具中使用。Step 4推荐后续动作命令分析完成后并不会就此结束而是主动衔接 pm-skills 生态中的后续工作流原文档给出了三个衔接方向创建用户画像user personas基于反馈中暴露的行为模式与需求交给 user-personas 技能产出 3 个带 JTBD、痛点、收益与意外洞察的画像需求分级triage feature requests把 TOP 主题作为特性请求交给 triage-requests 命令做主题聚类、战略对齐评估与优先级排序设计深度访谈脚本interview script针对某个具体主题用 interview-script 技能生成遵循The Mom Test原则不引导、不推销、聚焦过去行为的结构化访谈脚本。这种命令之间相互衔接的设计正是 README.md 中强调的命令按 PM 工作流设计一条命令完成后会建议相关的下一条命令用户顺着提示即可连续推进整个研究流程。与之并列的research-users命令research-users.md则从另一角度切入它把同样的输入素材转成用户画像、行为分群与客户旅程地图两者可互为补充——一个从反馈文本入手做情感与主题一个从全量研究素材入手做人-群-旅程。注意事项与使用边界原文档的 Notes 部分是命令内置的质量控制条款也是读者在使用时应主动遵守的边界情感分析是近似值必须主动标注边缘情况——讽刺sarcasm、混合情感、非英语文本都会显著影响判断准确性主题提取应寻找需求而非表面话题用户提出想要深色模式时真正的需求可能是夜间使用场景下的可读性主题聚类应当下沉到需求层而不是停留在字面层小样本分群需标注置信度如果某个分群样本量过小必须注明置信度有限避免把噪声当信号NPS 数据要按三段拆解对 NPS 数据必须分别分析Detractors0-6 分、Passives7-8 分与Promoters9-10 分三段人群的行为含义完全不同结构化输入必须输出 enriched CSV让用户能把带情感分的增强数据拿到自己的 BI 或分析工具中继续使用。这些边界同时与底层技能的最佳实践形成呼应sentiment-analysis 技能要求标注小样本或情感不确定的分群、同时呈现多数派与少数派观点命令层的 Notes 正是把这些要求落到报告输出层面的体现。实战组合建议把反馈分析接入完整研究闭环基于以上实现一个推荐的使用路径是把/analyze-feedback放到研究流水线的中游上游先用 research-users 建立用户基线认知或在访谈后把 interview-script 产出的访谈记录作为反馈输入之一中游运行/analyze-feedback处理规模化的问卷/评论/工单数据得到情感分布、主题排名与分群差异下游TOP 主题交 triage-requests 进入需求池行为模式交 user-personas 沉淀为画像存疑之处再用 interview-script 做定性深挖。需要注意的是命令本身不包含任何运行时依赖或离线模型全部分析由接入的 AI 助手按技能指令实时执行情感评分的可靠性依赖提示词约束技能要求基于真实反馈、注明来源、标注边缘情况因此在解读输出时应把报告中的情感分、NPS 代理值、主题频次视为模型推断结果而非统计软件输出并结合 Gaps 节做人工复核——这正是原文档把情感分析是近似值写入 Notes 的根本原因。小结/analyze-feedback在 pm-skills 中的价值不在于引入新的算法而在于把分析海量反馈这一高频高价值任务固化成了一条可重复、可追溯、可衔接的工作流命令层定义输入口径、澄清问题、报告模板与后续衔接技能层sentiment-analysis提供 -1~1 情感评分、主题聚类、分群画像与影响排序的方法论。两者结合使产品经理可以在几分钟内把数千条评论或工单变成一份总体情感 主题深挖 分群差异 可执行建议 数据缺口的完整报告并顺势进入画像、分级、访谈的下一环研究。【免费下载链接】pm-skillsPM Skills Marketplace: 100 agentic skills, commands, and plugins — from discovery to strategy, execution, launch, and growth.项目地址: https://gitcode.com/GitHub_Trending/pm/pm-skills创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考