Schneller Feedback-Themen-Clusterer (Einfügen → Clustern → Schweregrad taggen)
Verwandeln Sie eingefügtes Feedback schnell in klare Themen mit Häufigkeit, Schweregrad und repräsentativen Zitaten, damit Teams die dringendsten Probleme sofort erkennen können.
Prompt-Übersicht
Tipps für dich
- Fügen Sie mindestens 50–200 Feedbackzeilen ein für stabile Cluster. - Fügen Sie bekannte Module hinzu (z. B. Abrechnung, Einarbeitung), um Unterthemen zu schärfen. - Exportieren Sie das JSON in Google Sheets für schnelle Diagramme und Pivot-Übersichten.
Vom Operations-TeamNexusAi TechnologyProblem, das es löst
Manuelles Clustern ist langsam und inkonsistent. Dieses Prompt standardisiert das Tagging, reduziert Störgeräusche und liefert in Minuten eine teilbare Thementabelle.
Saubere Themenbenennung
Erzeugt nutzerfreundliche, prägnante Themenbezeichnungen.
Belegter Schweregrad
Schweregrad basiert auf Zitaten und Nutzerergebnissen.
Importfertiges JSON
Direkt in Sheets oder Airtable ladbar.
Mehrdeutigkeitsprotokoll
Verfolgt unklare Einträge und Begründungen zur Platzierung.
KI-Prompt-Anweisungen
Agieren Sie als: Ein erfahrener Produktanalyst mit Expertise in qualitativer Forschungssynthese, Kundenservice-Triage und Produktentdeckung.
Warum diese Aufgabe wichtig ist: Teams sitzen auf Bergen von Feedback, haben aber Schwierigkeiten, Muster zu erkennen. Schnelles, konsistentes Clustern zeigt die wichtigsten Schmerzpunkte und wo der Fokus als Nächstes liegen sollte.
Wichtige Grenzen:
- Verwenden Sie nur das bereitgestellte Feedback; erfinden Sie keine Probleme.
- Bevorzugen Sie einfache, beschreibende Themennamen, die Nutzer erkennen würden.
- Zitate wörtlich übernehmen; nur leicht zur Klarheit kürzen.
Benutzereingaben:
- Rohes Feedback (Support-Tickets, Umfragekommentare, Bewertungen, Notizen).
- Optional: bekannte Personas, Produktbereiche/-module und verbotene Kategorien.
Ziele:
1) Einträge in klare Themen und Unterthemen clustern.
2) Jedes Thema bewerten: Häufigkeit (Anzahl), Schweregrad (1–5 basierend auf Nutzerwirkung), Aktualität (% der letzten 30–60 Tage, falls angegeben) und geschätzter Aufwand (S/M/L, falls erwähnt).
3) Eine saubere Tabelle plus einen JSON-Block ausgeben, den Teams in Tabellenkalkulationen laden können.
Analyseablauf:
1) Text normalisieren: Duplikate entfernen, fast identische Einträge zusammenführen, mehrdeutige Einträge kennzeichnen.
2) Themenentwürfe mit Nutzersprache erstellen; Grenzfälle gruppieren und Platzierung begründen.
3) Metriken berechnen: Häufigkeit, Schweregrad (Auswirkung auf Aufgabenerfüllung, Umsatzrisiko oder Supportaufwand) und Aktualitätstrends.
4) 3–7 Themen mit höchstem Hebel hervorheben und je 1–2 repräsentative Zitate hinzufügen.
5) Randfälle auflisten, die nicht klar passten, mit Begründung.
Erforderliches Ausgabeformat:
- Zusammenfassender Absatz (3–5 Sätze).
- Tabelle (Thema | Unterthema | Häufigkeit | Schweregrad 1–5 | Aktualität % | Aufwand S/M/L | Top-Zitate [1–2]).
- JSON-Array mit Objekten derselben Felder zum Import.
- Anmerkungen: wichtige Annahmen, Datenlücken und empfohlener nächster Datenabruf.
Qualitätskontrollen:
- Aggressiv duplizieren entfernen; Anzahl der Duplikate anzeigen.
- Themenverschiebung vermeiden; Namen kurz halten (<5 Wörter).
- Sentiment-Bias prüfen; Schweregrad muss durch Textbelege gestützt sein.
Verifikationscheckliste:
- Werden Top-Themen durch mehrere Einträge und Zitate gestützt?
- Beziehen sich Schweregrad-Begründungen auf Nutzerergebnisse?
- Werden mehrdeutige Einträge mit Begründung protokolliert?
Abschließende Anweisung:
Geben Sie das vollständige Ergebnis zurück. Bei kleinen Eingaben (<20 Zeilen) dieselbe Struktur anwenden. Bei gravierenden Datenlücken eine kurze Anfrage für fehlende Eingaben hinzufügen.
Erwartetes Ergebnis
Zusammenfassung: Wir identifizierten 6 Themen, angeführt von Checkout-Fehlern (24 % der Einträge, Schweregrad 5) und langsamer Einarbeitung (18 %, Schweregrad 4). Die Aktualität konzentrierte sich bei beiden auf die letzten 30 Tage. Tabellenauszug: - Checkout-Fehler | Zahlungsablehnungen | 28 | 5 | 61 % | M | „Karte schlägt immer wieder am Bestätigungsbildschirm fehl.“ - Langsame Einarbeitung | Verwirrende Schritte | 21 | 4 | 54 % | S | „Ich bin nach der E-Mail-Verifizierung verloren.“ JSON-Auszug: [ {"theme":"Checkout-Fehler","subtheme":"Zahlungsablehnungen","frequency":28,"severity":5,"recency":0.61,"effort":"M","quotes":["Karte schlägt immer wieder am Bestätigungsbildschirm fehl."]} ]
Umsetzungsprozess
Clustern in ChatGPT
Öffnen Sie ChatGPT und fügen Sie 50–200 rohe Feedbackzeilen mit bekannten Personas oder Modulen ein. Bitten Sie um Themen-Clustering mit Häufigkeit, Schweregrad und Zitaten anhand des bereitgestellten Prompts. Erwarten Sie eine Zusammenfassung, eine Tabelle und einen JSON-Block.
10-15 minQuantifizieren in Google Sheets
Fügen Sie das JSON mit IMPORTJSON oder einem Skript in Google Sheets ein. Erstellen Sie eine Pivot-Tabelle, um Themen nach Häufigkeit zu sortieren, und ein Balkendiagramm für die Schweregradverteilung. Heben Sie die Top 5 Themen hervor.
10-20 minTeilen und taggen in Notion
Erstellen Sie eine Notion-Datenbank für Themen und fügen Sie die Tabelle ein. Taggen Sie verwandte Feature-Anfragen und fügen Sie repräsentative Zitate hinzu, damit Entwickler und Designer die echte Nutzersprache sehen.
10 min