客服用 AI 分析用户评价：把几百条评价变成改进清单
负责在线咨询、售后处理和投诉跟进的客服专员，日常工作里同类问题反复回答，遇到情绪激动的客户还要斟酌措辞，知识库更新也跟不上。用户评价里藏着最真实的改进方向，但一条条看太慢，凭印象又容易被个别极端评价带偏。本文给出客服用 AI 分析用户评价的一套可直接照抄的做法：把脱敏后的评价批量交给 AI，按主题和情绪分类统计，再提炼出优先级明确的改进建议。
典型场景
客服手上有几百条顾客的评价和反馈，好评、差评、建议混在一起。客服主管想知道大家最不满意的是什么、应该先改哪里。尤其当客服主管同时还在等“处理在线咨询约 600 条”的结果时，能把这部分工作提速，就能腾出精力处理更重要的判断。
用什么工具
评价数量不多时可以直接粘贴给对话助手；数量较多时，用支持文件上传和代码运行的 AI 工具（如 ChatGPT 的数据分析功能）或表格内置的 AI 功能更合适。
上传前删除用户昵称、联系方式和订单号；评价分类结果要人工抽查。
一个虚构的例子
我们用一个虚构人物把流程串起来：阿美，客服，最近在忙“配合优化自动回复菜单”。一次客服周例会结束后，阿美意识到需要尽快分析用户评价，可当天还要处理“处理在线咨询约 600 条”。于是阿美把要求和背景一次性写进提示词，让 AI 先出一版，再花时间修改关键部分。最后交给客服主管的版本，结构和措辞都是阿美亲自把过关的。
分步操作
- 导出评价，删除昵称、联系方式和订单号
- 先让 AI 读一部分样本，提出分类体系
- 确认分类后让 AI 对全部评价分类并统计
- 根据频次和影响确定改进优先级
提示词示例
下面的提示词可以直接复制，按客服的实际情况替换细节：
【背景】当前的难点是：大促期间咨询量预计翻倍，排班需要提前调整。
下面是 300 条顾客评价（已脱敏），我是客服。
请：
1. 先阅读评价，提出 6-8 个主题分类（如质量、服务、价格、体验等），每类给出定义
2. 对每条评价标注主题（可多选）和情绪（正面 / 中性 / 负面）
3. 统计每个主题的提及次数和负面占比，用表格展示
4. 每个主题挑选 2 条有代表性的原话
5. 给出 3 条改进建议，按优先级排序，说明理由
统计结果请如实计算，不要估算。
评价：
（粘贴评价）
示例输出（仅供示意）
下面是演示用的输出示例，其中的人名、数字和事项均为虚构，实际使用时请以你自己的资料为准：
主题统计（示意）
主题 提及次数 负面占比 等待时间 86 72% 服务态度 64 25% 价格 41 46% 质量 58 31% 代表性原话
- 等待时间：“整体不错，就是等得太久了。”
- 服务态度：“工作人员很耐心，解释得很清楚。”
改进建议
- 优先解决等待时间问题——提及多且负面占比高
- 价格方面加强说明，减少“不划算”的误解
- 保持服务态度优势，把好的做法写进培训
如果结果不理想，不要急着换工具，先在提示词里补充客服主管的具体要求或给出一个参考样例，再生成一次。
避坑指南
- 评价中可能包含个人信息，必须脱敏后再交给 AI。
- 没有代码执行能力的 AI 统计数字可能不准，要求它展示计算或用工具计算。
给客服的特别提醒
让 AI 先识别客户情绪，再给出安抚加解决方案的回复结构。还有一点很关键：涉及退款金额、赔偿和责任认定的回复，必须按公司规则人工确认后再发出。
一个容易被忽略的习惯：把公司真实的售后政策贴给 AI，要求它只依据政策回答，不要自行承诺。
还可以这样用
- 月度追踪：每月固定一套提示词，观察主题变化趋势。
- 评价回复：针对负面评价批量起草个性化回复。