Agrupador Rápido de Temas en Feedback (Pegar → Agrupar → Etiquetar Severidad)
Convierte rápidamente el feedback pegado en temas claros con frecuencia, severidad y citas representativas para que los equipos identifiquen los problemas más urgentes de forma rápida.
Resumen del prompt
Consejos para ti
- Pega al menos 50–200 líneas de feedback para obtener agrupamientos estables. - Añade módulos conocidos (por ejemplo, Facturación, Onboarding) para afinar los subtemas. - Exporta el JSON a Google Sheets para crear gráficos rápidos y resúmenes dinámicos.
Del equipo de operacionesNexusAi TechnologyProblema que resuelve
El agrupamiento manual es lento e inconsistente. Este prompt estandariza el etiquetado, reduce el ruido y genera una tabla de temas compartible en minutos.
Nombres de temas claros
Genera etiquetas de temas amigables y concisas.
Severidad basada en evidencia
Severidad fundamentada en citas y resultados de usuarios.
JSON listo para importar
Carga directa en Sheets o Airtable.
Registro de ambigüedades
Rastrea ítems poco claros y justificaciones de ubicación.
Instrucciones del prompt de IA
Actúa como: Un analista senior de producto con experiencia en síntesis de investigación cualitativa, triage de soporte al cliente y descubrimiento de producto.
Por qué esta tarea es importante: Los equipos tienen montones de feedback pero les cuesta ver patrones. Un agrupamiento rápido y consistente revela los principales puntos de dolor y dónde enfocar los esfuerzos siguientes.
Límites importantes:
- Usa solo el feedback proporcionado; no inventes problemas.
- Prefiere nombres de temas simples y descriptivos que los usuarios reconozcan.
- Mantén las citas textuales; recorta ligeramente solo para mayor claridad.
Entradas del usuario:
- Líneas de feedback en bruto (tickets de soporte, comentarios de encuestas, reseñas, notas).
- Opcional: personas conocidas, áreas/módulos del producto y cualquier categoría prohibida.
Objetivos:
1) Agrupar las entradas en temas y subtemas claros.
2) Calificar cada tema: frecuencia (conteo), severidad (1–5 según impacto en el usuario), actualidad (% de los últimos 30–60 días si se proporciona) y estimación de esfuerzo (S/M/L si se menciona).
3) Generar una tabla limpia y un bloque JSON que los equipos puedan cargar en una hoja de cálculo.
Flujo de análisis:
1) Normalizar texto: eliminar duplicados, fusionar casi duplicados, marcar entradas ambiguas.
2) Elaborar temas usando el lenguaje del usuario; agrupar ítems limítrofes y justificar su ubicación.
3) Calcular métricas: frecuencia, severidad (impacto en la finalización de tareas, riesgo de ingresos o carga de soporte) y tendencias de actualidad.
4) Destacar de 3 a 7 temas con mayor impacto e incluir 1–2 citas representativas por cada uno.
5) Listar casos límite que no encajaron claramente y explicar por qué.
Formato de salida requerido:
- Párrafo resumen (3–5 oraciones).
- Tabla (Tema | Subtema | Frecuencia | Severidad 1–5 | Actualidad % | Esfuerzo S/M/L | Citas principales [1–2]).
- Array JSON de objetos con los mismos campos para importar.
- Notas: supuestos clave, brechas de datos y recomendación para la próxima extracción de datos.
Controles de calidad:
- Eliminar duplicados agresivamente; mostrar conteo de deduplicados.
- Evitar expansión excesiva de temas; mantener nombres concisos (<5 palabras).
- Revisar sesgo de sentimiento; la severidad debe basarse en evidencia textual.
Lista de verificación de verificación:
- ¿Los temas principales están respaldados por múltiples entradas y citas?
- ¿Las justificaciones de severidad hacen referencia a resultados del usuario?
- ¿Se registraron los ítems ambiguos con su justificación?
Instrucción final:
Devuelve el entregable completo. Si las entradas son pocas (<20 líneas), aplica la misma estructura. Si hay brechas graves de datos, añade una breve solicitud de entradas específicas faltantes.
Resultado esperado
Resumen: Identificamos 6 temas, liderados por Fallos en el Pago (24% de las entradas, Severidad 5) y Onboarding Lento (18%, Severidad 4). La actualidad se inclinó hacia los últimos 30 días para ambos. Tabla (extracto): - Fallos en el Pago | Rechazos de pago | 28 | 5 | 61% | M | "La tarjeta sigue fallando en la pantalla de confirmación." - Onboarding Lento | Pasos confusos | 21 | 4 | 54% | S | "Me pierdo después de la verificación del correo." JSON (extracto): [ {"theme":"Fallos en el Pago","subtheme":"Rechazos de pago","frequency":28,"severity":5,"recency":0.61,"effort":"M","quotes":["La tarjeta sigue fallando en la pantalla de confirmación."]} ]
Proceso de implementación
Agrupar en ChatGPT
Abre ChatGPT y pega entre 50 y 200 líneas de feedback en bruto con cualquier persona o módulo conocido. Solicita el agrupamiento de temas con frecuencia, severidad y citas usando el prompt proporcionado. Espera un resumen, una tabla y un bloque JSON.
10-15 minCuantificar en Google Sheets
Pega el JSON en Google Sheets usando IMPORTJSON o un script rápido. Crea una tabla dinámica para clasificar los temas por frecuencia y un gráfico de barras para la distribución de severidad. Destaca los 5 temas principales.
10-20 minCompartir y etiquetar en Notion
Crea una base de datos en Notion para los temas y pega la tabla. Etiqueta solicitudes de funciones relacionadas y adjunta citas representativas para que ingenieros y diseñadores vean el lenguaje real de los usuarios.
10 min