一种用户反馈分析方法
tags
Design
Speech
date
‣
自查清单
🗒️ 全局信息
- 观众是谁：同事，对反馈的分析没有太多经验和方法
- 演讲目的：介绍分析方法，探索获取反馈的更多可能性
- 预计时长：6 分钟
🖼️ 直观
三段式框架
舍弃与主题关联不大的内容
将生僻且非核心的概念舍弃或更换名词
让内容变成故事
幽默、有趣
引入典型例子，可以用现场观众举例，调动注意力，加强互动
加入图片、视频、演示（演示注意准备充分）
内容是否存在不严谨的问题（特别是数据分析相关的）
加入小结、总结
↔️ 互动
观众可能有哪些疑问
向观众提哪些问题
为什么要看用户反馈
- 发现问题，针对已上线的需求了解用户的反响、改版前挖掘可优化项
- 创造机会，挖掘用户的痛点完善产品功能/体验
S 情境——现状与问题
问题发生的背景、当时的内外部情况等信息
用户可以在应用内提交反馈，我们可以通过一个网站获取反馈数据
为了方便大家查看和检索，我一般会导出为表格发到群里。
每月的反馈数量大致是几千条，半年有几万甚至十几万条。面对海量的反馈，显然逐条查看、仅检索已知业务已经不能满足需求。
T 任务
在此情境下我要解决的问题、要达到的目标是什么
是否存在一种更高效的用户反馈分析方法，除了检索关键词获取功能反馈外，可以做到发现问题、创造机会？
A 行动——解决方案
我采取了哪些行动、制定了什么方案，为什么采取这些行动。如何开展这些行动，遇到哪些问题，我是如何解决的。
请教用研同学后获取了一个可行的方向：
- 对反馈内容做拆分单词处理
- 对单词标记词性 🌟
- 筛选核心词性 🌟
- 统计单词出现次数
- 根据出现次数获得用户反馈的核心讨论点
- 在数据中检索核心讨论点
举个例子：
输入语句：今天天气真好啊
拆分单词：今天 天气 真 好 啊
标记词性：今天t（时间词） 天气n（名词） 真d（副词） 好a（形容词） 啊y（语气词）
尝试一下，删掉尽可能多的单词，并且尽可能保留原意
然后对词性进行筛选，只查看关键词性——名词、动词、形容词，例如上面的例子中，只保留名词、形容词依然可以保留大部分含义：天气n好a
方案的优势
- 拆分单词并标记词性，剔除了助词、语气词等无意义信息 ，降低了信息的噪音
- 拆分单词，细化信息颗粒度，使得讨论的主题可被统计分析。
例如：
今天天气真好啊
今日天气真不错
在单纯的重复次数统计中，是完全不同的 2 条反馈听到这里，可能有人有疑问，表格的去重、排序这类操作比较容易，但拆分单词、词性标注要怎么实现？需要借助 Python 的 Snownlp 「插件」，需要一点点编程的能力。
实际案例
PC 客户端改版，希望通过用户反馈发现一些问题和机会，于是获取了近半年的用户反馈数据进行处理。
通过 Python 的 Snownlp 「插件」就可以获得单词词性，存储到表格中，获得了这样一个表格
筛选只保留名词、动词和形容词
最后用 Excel 的公式统计出每个单词出现的次数，排序后就能看到哪些单词出现的次数最多
发现「登录」被讨论的次数比较多，定位到了核心讨论点，在表格中筛选关键词「登录」发现了一个比较集中出现的问题：用户在登录游戏客户端时，PC 客户端会自动弹出，对用户造成严重的干扰。后续会进一步了解用户、讨论解决方案。
如果没有此方法，很难想到、发现还会有这样的问题。
总结
以上就是分享的全部内容，我们来总结一下，用户反馈分析的核心步骤：
对反馈内容进行分词 > 标记单词词性 > 根据词性筛选关键单词 > 统计单词出现的次数 > 根据出现次数了解核心讨论点 > 在数据中检索核心讨论点
草稿
最关键的就是标记单词的词性和筛选核心词性，这使得对用户反馈的处理实现「原子化」，从单条用户反馈的粗颗粒度进化到原子单词的颗粒度，从而可以根据词性过滤无用的单词，降低反馈内容的噪音。
情感分析：根据机器学习，判断文本内容的正面/负面情绪。缺点是不适合用户反馈的场景，原因是反馈基本都是负面的。🙅🏻♀️ （有个场景适用——筛选出正面情绪的反馈）