客户满意度调研评估

问卷设计靠经验耗时,数据分析手工做洞察产出慢,报告格式不统一可读性差

!
演示模式 · 可视化预演

本页展示的是「应该怎么跑、每一步看什么、交付什么」,用的是真实业务格式的脱敏构造数据, 不宣称已接入客户生产系统,也不承诺任何效率提升百分比。 案例设定:某餐饮连锁品牌(多门店),季度末。客服经理把 2026-Q2 的 1,280 份回收问卷(回收率 68%,已脱敏)扔进来 —— 综合满意度 4.1/5.0 环比 +0.3 看着不错,但门店 B 的出餐速度只有 2.1 分、低于均值 1.5σ,季度改进会下周一就要开。

样本量
1,280 份 · 回收率 68%
综合满意度
4.1/5.0 · 环比 +0.3
改进项
P0 两条 · P1 五条
最低维度
门店 B 出餐 2.1 分
输入

客服经理手上能拿到的东西

反馈数据原样拖进来 · 须已脱敏
01_拟真输入_满意度调研.md
调研目标 + 1,280 份回收问卷数据(评分/评语/门店/时间,已脱敏)
satisfaction_data.csv 导出 + 调研目标说明 · 季度末

注意这份材料的构成 —— 评分列、评语列、门店列、时间列四列齐备是硬前提,平时客服经理要逐条读开放题、逐维度拉透视表,这次全部交给 Agent。这个场景的价值,很大一部分就来自把「分低」翻译成「哪个门店、哪个环节、哪些原话」。

提示词

就说这么几句

没有模板、没有表单 · 专业规则由 Skill 兜底
这是 2026-Q2 的满意度回收数据和调研目标,帮我出一份完整的调研评估报告。 五个维度逐项统计,门店级交叉,低分项和显著差异项自动标出来; 开放题评语做情感分类和关键词提取; 低分维度归因到门店/产品/时段,改进建议按 P0-P2 分级、附数据行号; 样本量不足的维度要标注。

短是因为「量表口径、低分阈值(低于均值 1σ)、归因规则、P0-P2 分级」都在 Skill 规格里。客服经理只要把数据扔进来。

触发

综合满意度涨了 0.3,门店 B 却在拖后腿

均值掩盖问题 —— 调研的第一价值是把低分归因到具体门店具体环节

客服经理把调研目标和回收数据全部扔进来 —— 调研报告的价值在「评分、归因、改进写在同一页上」,不在任何单一模块。

1

调研概览与维度总览 · 先看全盘

1,280 份问卷、五个维度,一张表看全
指标数值解读
样本量 / 回收率1,280 份 / 68%时间范围 2026-Q2
综合满意度4.1/5.0环比 +0.3
维度评分产品 4.2 / 服务 3.5 / 环境 4.0 / 出餐速度 3.1 / 性价比 3.8出餐速度显著低于其他维度

总分涨 0.3 不等于没有问题 —— 「出餐速度 3.1」这一格,就是这份报告真正要讲的故事开头。

2

低分归因 · 从「分低」到「为什么低」

低于均值 1σ 的维度自动归因,附行号溯源
归因项数据结论
P0 门店 B 出餐速度2.1 分(均值 3.3,低 1.5σ)关联关键词「出餐慢」(行 #47,#112,#203)
P1 服务维度3.5 分门店级交叉显示差异显著
溯源口径每条归因附原始数据行号或评分来源出处可溯

归因是统计关联不是因果 —— 「出餐慢 × 门店 B」这个交叉点,把改进会从猜谜会变成对账会。

3

P0-P2 改进清单 · 按优先级开改进会

P0 两条、P1 五条,每条有依据
级别改进项依据
P0门店 B 出餐流程整改出餐 2.1 分、低 1.5σ,「出餐慢」关键词集中于行 #47,#112,#203
P1服务话术与培训(5 条)服务 3.5 分,门店间差异显著
P2性价比感知优化性价比 3.8 分,开放题提及

改进清单按 P0-P2 分级,P0 项标注「建议管理层复核确认」—— 改进会第一次按优先级开,而不是按嗓门开。

4

报告与数据落盘 · 三件套一次给全

HTML 看板 + CSV 数据 + Markdown 摘要
产物用途
HTML 可视化报告指标卡 / 趋势图 / 维度雷达图 / 改进清单,浏览器直接看
CSV 数据文件门店×维度交叉 + 情感标签 + 归因标记(含行号溯源)
Markdown 摘要综合满意度 4.1/5.0(环比 +0.3)/ P0 改进项 2 条 / P1 改进项 5 条

摘要可直接进评审、CSV 可直接对账 —— 同一份数据三种形态,汇报、复核、归档各取所需。

改进清单还不能直接下发 —— 两处必须先经人工复核
Skill 的铁律写得很清楚:P0 级改进建议标注「建议管理层复核确认」,统计显著差异项标注「建议复核样本量」。两处尤其不能省:

复核点 1 · 归因是关联不是因果:AI 归因基于统计关联,低分归因可能遗漏现场实际因素 —— P0 改进项(门店 B 出餐速度)须运营主管现场确认根因后再立项。
复核点 2 · 样本的代表性:回收量不足时统计结论失真 —— 小样本(n<30)已标注「仅供参考」,标注「数据缺失」的维度得分须客服经理复核,缺失维度用行业基准补位可能有偏差。

给出的不是「改完再算一遍」,而是:统计、归因、分级直接用,P0 根因与样本质量两处处方级复核 —— 复核半小时,比 3 天手工分析仍快一个量级,且一条行号可溯。
之后

这一次跑完,团队多了什么

不讲省了多久 · 讲少了几个隐患、沉淀了什么
✓
问卷从零设计 2 天变成按目标自动生成 —— NPS/CSAT/OSS 量表与开放题一次配齐
✓
1,280 份问卷的统计与交叉从 3 天手工变成一次跑完 —— 低分项自动标出
✓
低分归因第一次有了数据行号 —— 门店 B 的「出餐慢」落在 #47,#112,#203
✓
改进建议按 P0-P2 分级 —— 改进会第一次按优先级开

追问现场可能被问到的

答不上来的问题,比答得漂亮的问题更能决定这场演示的结果

能直接帮我发问卷吗?
不能 —— 不替代真实问卷分发平台(标注「需用户自配」);问卷文件输出 Markdown/HTML,可直接复制到分发工具。
归因结论可以直接下发整改吗?
不建议 —— 归因基于统计关联而非因果,P0 改进项须运营主管现场确认根因;每条结论附原始数据行号供对账。
数据里有客户手机号怎么办?
先脱敏再处理 —— 含手机号/会员 ID 等真实 PII 的数据须脱敏后使用,不上传未授信外部工具、不出域,这是第一条铁律。

想了解来龙去脉?

回到场景引入,看这个场景的痛点、做法与边界