Asiakaspalautteista teemat ja päätökset
Palautteet ovat arvokkaita vasta, kun ne muuttuvat päätöksiksi. Tämä työnkulku ryhmittelee 100–500 palautetta teemoiksi, nostaa esimerkit ja ehdottaa seuraavat toimenpiteet.
6 vaihetta
Vie palautteet yhteen muotoon
Tee CSV jossa sarakkeet: 'palaute', 'arvosana' (jos on), 'päiväys', 'asiakassegmentti' (jos on). Anonymisoi nimet ennen kuin syötät tekoälylle.
Lähetä tekoälylle ja pyydä teemoittelu
Käytä Claudea tai Geminiä — ne kestävät pitkät syötteet. Pyydä teemoittelu, älä yhteenvetoa.
Liitin 200 asiakaspalautetta CSV:nä. Tee teemoittelu: 1) listaa 8–12 keskeistä teemaa, 2) kerro montako palautetta jokaiseen teemaan kuuluu, 3) jokaisesta teemasta 1 esimerkkilainaus suoraan datasta. Älä lisää tulkintaa vielä.
Pyydä sentimenttijakauma teemoittain
Sama teema voi olla samaan aikaan yrityksen vahvuus ja heikkous. Pyydä erottelu: kuinka moni teemasta on positiivinen, neutraali, negatiivinen.
Pyydä yllätykset
Tämä on tärkein vaihe. Tekoäly voi huomata toistuvan ilmiön, jota et itse ennakoinut. Pyydä 3 asiaa, jotka palautteissa toistuvat ja jotka eivät ole tyypillisiä asiakaspalautteita.
Mitä tässä datassa toistuu, vaikka se ei ole tyypillinen asiakaspalauteteema? Etsi ainakin 3 asiaa, joita johtoryhmä ei välttämättä huomaa pintapuolisesti lukemalla.
Pyydä konkreettiset toimenpidesuositukset
Älä päätä toimenpiteitä tekoälyn kanssa, mutta pyydä häneltä 5–7 kandidaattia. Erottele: nopeat parannukset (1 vk), keskipitkät (1–3 kk), strategiset (6+ kk).
Pidä esitys johtoryhmälle 1 kalvolla
Pyydä lopuksi yksi taulukko: vasemmalla teemat, keskellä asiakkaiden määrä, oikealla suositeltu toimenpide. Tämä on yksi kalvo johtoryhmälle.
Mitä työkaluja käyttää
- ClaudeVahva isolle datalle. Pysyy hyvin annetuissa ohjeissa eikä keksi teemoja yhtä helposti tyhjästä.
- GeminiErityisen hyvä jos data on Drivessa tai Google Sheetsissä — saat suoran integraation.
- NotebookLMToimii hyvin silloin, kun sinulla on monta tiedostoa palautetta (esim. 12 kk:n NPS-kuukausiraportit).
Vinkit jotka säästävät aikaa
- Tarkista lopuksi nimet, luvut, päivämäärät ja lähteet alkuperäisestä materiaalista.
- Anonymisoi data aina ennen kuin syötät tekoälylle.
- Pyydä teemoittelu ennen sentimenttianalyysiä — toisin päin tulos jää selvästi heikommaksi.
- Pyydä esimerkkilainauksia — ne tuovat raporttiin sielun, jota numerot eivät tuo.
- Tarkista 1–2 satunnaista lainausta alkuperäisestä datasta — varmista ettei AI keksi.
Vastauksia tästä työnkulusta
Liittyviä oppaita ja prompteja
- ClaudeClaude on vahvimmillaan silloin, kun haluat kirjoittaa hyvin, ajatella rauhassa ja tehdä oikeaa työtä tiedostojen, pitkien dokumenttien ja projektikohtaisen kontekstin kanssa. Tarjouksia, sopimuksia ja asiantuntijatekstejä kirjoittavalle se on usein paras työpari: vähemmän meteliä, enemmän rakennetta.
- GeminiGemini on vahva silloin, kun materiaali on jo Googlessa ja haluat käyttää Gmailia, Driveä, Docsia, Sheetsia, Slidesia ja Meetiä samassa työnkulussa. Yksittäisenä chattina se on hyvä; Workspace-kontekstissa siitä tulee oikeasti kiinnostava.
- NotebookLMNotebookLM kääntää AI-käytön ympäri: et kysy mitä malli tietää maailmasta, vaan mitä omat lähteesi sanovat. Suomalaiselle asiantuntijalle, opettajalle, juristille tai tutkijalle se on hyvä tapa työskennellä pitkän aineiston kanssa, kun lähdeviitteet ovat tärkeämpiä kuin vapaa ideointi.
- Asiakaspalaute tiiviiksi johdolleAsiakaspalaute muuttuu helposti yhdeksi latteaksi huomioksi. Tämä prompti nostaa palautteista teemat, esimerkit ja päätökset, joista johto voi tehdä jotain.
- Löydä taulukosta poikkeamat ja trenditIso taulukko hämää silmää. Tämä prompti pyytää tekoälyä etsimään järjestelmällisesti poikkeamat, trendit, virheet ja kysymykset, joita data ei vielä ratkaise.