数据分析师用 AI 分析用户评价：提示词与分析示例
作为负责取数、做报表和业务分析的数据分析师，你可能也有同感：大量时间花在写取数语句、调整表格格式和把结论翻译成业务语言上。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。下面以数据分析师的真实场景为例，演示用 AI 分析用户评价的完整流程：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。
使用场景
数据分析师手上有几百条业务部门的评价和反馈，好评、差评、建议混在一起。业务负责人想知道大家最不满意的是什么、应该先改哪里。而且数据分析师手上通常同时压着“优化看板查询性能”之类的事情，如果每次都从零开始，很容易顾此失彼。
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。
案例：一次完整的使用过程（虚构）
先看一个虚构但很典型的例子。阿杰是一位负责取数、做报表和业务分析的数据分析师，这周手头的事情包括“搭建渠道转化日报看板”和“输出新用户分层分析”，偏偏这时又需要分析用户评价。阿杰没有从空白页开始，而是先花几分钟把相关材料整理好，按下面的提示词交给 AI，拿到初稿后对照原始资料逐条核对，再补上自己的判断。整个过程中，阿杰特别留意不把用户明细、手机号和未公开的经营数据放进对话里。
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
- 让 AI 每类挑出有代表性的原话
- 根据频次和影响确定改进优先级
提示词示例
把方括号和括号里的内容换成你自己的信息即可：
【背景】身份：负责取数、做报表和业务分析的数据分析师；平时主要和业务部门和业务负责人打交道。
下面是 300 条业务部门评价（已脱敏），我是数据分析师。
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）
示例输出如下（虚构内容，仅演示 AI 大致会给出什么样的结果）：
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
注意示例中所有内容都是虚构的。实际使用时，AI 的输出质量取决于你提供的材料是否完整、要求是否具体。
实用技巧与常见坑
- 评价中可能包含个人信息，必须脱敏后再交给 AI。
- 改进后持续跟踪同一主题的评价变化。
给数据分析师的特别提醒
让 AI 同时给出分析假设和验证方法，避免直接跳到结论。同时要记住：AI 不了解你们的指标口径，写出的语句和结论都要用小样本核对一遍。
很多数据分析师还会这样做：给 AI 表结构和字段含义，而不是真实数据；需要样例时用脱敏或虚构的几行。
变体用法
- 竞品评价对比：用同样方法分析竞品的公开评价。
- 产品需求：把高频建议整理成需求清单交给相关团队。