sentiment-analysis

sentiment-analysis 技能概覽

sentiment-analysis 的功能

sentiment-analysis 技能可將原始回饋轉化為分群層級的洞察：誰滿意、誰感到挫折、哪些主題反覆出現，以及哪些問題最重要。它是為大規模分析使用者回饋而設計，不是用來做一般性的意見標註。如果你需要一個能把評論、問卷回覆、社群聆聽匯出資料或客服紀錄，整理成可直接用於產品決策訊號的 sentiment-analysis 技能，這會是很合適的選擇。

適合哪些人安裝

如果你從事產品研究、UX、CX、成長或市場分析，而且需要比手動試算表檢視更快的彙整速度，就應該安裝這個 sentiment-analysis 技能。當你的目標不是只得到單一正負面分數，而是要把情緒和分群、JTBD 以及商業影響串起來時，sentiment-analysis for Data Analysis 特別有用。

為什麼它值得使用

它最大的差異在於流程設計：會要求一次完成分群辨識、主題分析、情緒評分與影響排序。這種結構能降低常見失敗模式——只做出很淺的情緒摘要，卻看不出人們為什麼會有那種感受，或是哪個子群受到影響。

如何使用 sentiment-analysis 技能

安裝並找到這個技能

先透過你的 skills manager 執行 sentiment-analysis install 流程，然後到 phuryn/pm-skills 裡的 pm-market-research/skills/sentiment-analysis 開啟技能資料夾。請先看 SKILL.md，因為那裡才是模型應遵循的操作說明。由於這個 repo 沒有 helper scripts 或 reference folders，技能檔就是主要依據。

提供正確的輸入

sentiment-analysis usage 的模式最適合搭配實際回饋資料，以及清楚的分析目標。好的輸入會交代來源、範圍與決策情境，例如：Analyze these 1,200 app reviews for churn risk by segment and summarize top pain points by sentiment. 像 Do sentiment analysis on this 這種模糊輸入，會讓模型只能猜受眾、粒度與輸出格式。

調整提示詞，讓輸出更好

一個好的 sentiment-analysis guide 提示詞，應該明確指定：

• 資料類型：CSV、問卷文字、評論、工單或訪談筆記
• 分析單位：客戶、分群、主題或時間區間
• 你需要的輸出：主題、情緒分數、JTBD 或優先排序
• 任何限制：時間範圍、語言混用、產品區域，或最少分群數

如果來源資料很雜，先要求這個技能建立檔案或列數清單，再進行彙整。這樣可提高可追溯性，也讓最終摘要更值得信任。

建議工作流程

1. 蒐集回饋資料集並移除明顯重複項。
2. 先說明商業問題，再要求分析。
3. 要求分群層級輸出，不要只要一個總體結論。
4. 先檢查第一輪有沒有漏掉分群，再用更精準的指令重跑。
5. 直接用結果決定下一步要修什麼、驗證什麼，或繼續探索什麼。

sentiment-analysis 技能 FAQ

這比一般提示詞更好嗎？

通常是的，尤其當你需要可重複的分析結構時。一般提示詞可以用來做一次性的摘要，但如果你需要一致的分群辨識、明確的評分，以及從回饋走到產品行動的更清楚路徑，sentiment-analysis 技能會更適合。

它最擅長處理哪些輸入？

它最適合有足夠脈絡、能推斷主題的書面回饋：評論、問卷、開放式回答、研究筆記與社群貼文。較短的文字也能派上用場，但如果資訊太稀少，分群與 JTBD 推斷的可靠度就會下降。

什麼情況不該用？

如果你只需要簡單的正負面數量統計、資料量太小不適合做分群，或來源大多是結構化指標、文字很少，就不建議使用它。這些情況下，更輕量的分析提示詞或試算表方法可能更快。

它適合新手嗎？

可以，只要你能描述回饋來源，以及你想回答的問題。真正的難點不在技能本身，而在於提供足夠脈絡，避免彙整結果太空泛。新手若先明確寫出受眾、時間範圍與想要的輸出，通常會得到更好的結果。

如何改進 sentiment-analysis 技能

把分析問題縮小

改善 sentiment-analysis 輸出的最快方法，就是縮小目標。一次只問一個產品區域、一個客群，或一個決策。舉例來說，Analyze onboarding survey comments from new SMB users and identify the top 5 negative themes by segment 會比 Summarize customer sentiment 產生更可行動的結果。

提供資訊量高的樣本

輸入越好，分群結果通常越準。除了總數，也要包含具代表性的評論，並保留能幫助模型區分群組的中繼資料，例如方案類型、渠道、地區或生命週期階段。對 sentiment-analysis for Data Analysis 而言，即使只是少量有標註脈絡的資料，也能提升情緒評分的實用性。

留意常見失誤模式

最常見的問題包括：主題過度概括、把含糊評論硬套情緒標籤，以及優先順序判斷太弱。如果第一輪結果感覺太寬泛，可以要求：更少的分群、每個主題都附上直接引文，以及依頻率與商業影響做更清楚的排序。

第一次輸出後再迭代

把第一次結果當成草圖地圖，再用後續提示詞細化，例如：Re-run this with only enterprise accounts、Separate complaints about pricing from complaints about UX，或 Add a shortlist of the highest-impact fixes。這種迭代流程，通常比一次丟出大範圍提示，更能產出可直接用於決策的 sentiment-analysis 建議。