Plak je open feedback in Claude, vertel wat voor tekst het is en welke beslissing je probeert te nemen, en vraag om terugkerende thema’s met per thema het bijbehorende sentiment — geen totaalscore. Onder grofweg enkele duizenden documenten per maand is dit beter dan het opzetten van een speciale sentimentclassifier, omdat je de redenen krijgt in plaats van een label. Het addertje is dat het model je een zelfverzekerd label geeft voor tekst die het verkeerd heeft geïnterpreteerd. Controleer daarom een steekproef aan de hand van je eigen oordeel voordat je een verdeling als feit presenteert.
Toolprijzen gecontroleerd in augustus 2026.
Waarom is een sentimentscore op zichzelf nutteloos?
“72% positief” vertelt je niets waar je iets mee kunt. Het zegt niet waar de 28% boos over zijn, of het om één probleem of negen gaat, en ook niet of de positieve opmerkingen over het zojuist gelanceerde onderdeel gaan of over het onderdeel dat je op het punt staat stop te zetten.
Wat je in plaats daarvan wilt, is een themalijst: de vijf of zes dingen die mensen steeds weer noemen, elk met een eigen sentiment en een eigen globale frequentie. “Mensen vinden het prettig hoe snel het is, en dertig van hen liepen op hetzelfde punt in de onboarding vast” is een zin waar iemand iets mee kan doen. Een percentage niet.
Dit is vooral belangrijk omdat echte feedback zelden maar één kant heeft. “Ik ben dol op het product, maar haat de prijs” komt gemiddeld uit op neutraal, wat de minst nuttige beschrijving van die klant is die je kunt krijgen. Door sentiment aan elk thema te koppelen in plaats van aan elk document, blijft het signaal behouden.
Moet je in plaats daarvan een speciale sentimenttool gebruiken?
Onder enkele duizenden documenten per maand meestal niet — en het is de moeite waard te begrijpen waarom, want de meeste adviezen over dit onderwerp zijn al tien jaar oud.
Amazon Comprehend, de gangbare beheerde optie, rekent $0.0001 per eenheid voor sentimentanalyse, waarbij een eenheid 100 tekens is en voor elk verzoek minimaal 3 eenheden in rekening worden gebracht. Een beoordeling van 300 tekens kost $0.0003. Tweeduizend beoordelingen kosten ongeveer zestig cent. AWS geeft nieuwe en bestaande klanten bovendien de eerste twaalf maanden elke maand 50.000 eenheden (5M tekens) gratis. Qua pure rekenkosten is een classifier vrijwel gratis.
Wat het je elders kost, is overal merkbaar. Je hebt een AWS-account en inloggegevens nodig, een script om de CSV via de API te versturen en de resultaten weer op te halen, en een beslissing over wat je moet doen met het label dat wordt teruggestuurd. En een label is alles wat je krijgt: een sentimentwaarde met een betrouwbaarheidsscore. Het vertelt je niet dat de negatieve reacties zich concentreren rond een defecte flow voor het opnieuw instellen van wachtwoorden, omdat het geen thema’s herkent tenzij je dat afzonderlijk bouwt.
Een algemeen model dat dezelfde 2.000 beoordelingen leest, geeft je de thema’s, het sentiment per thema, representatieve citaten en een antwoord wanneer je een vervolgvraag stelt — zonder dat je een pipeline hoeft te bouwen. Bij meer dan enkele duizenden documenten per maand, die volgens een schema worden verwerkt en een dashboard voeden, slaat de rekensom om en bewijst een echte classifier of batch-API zijn waarde. Daaronder bouw je infrastructuur om zestig cent te besparen.
Eén waarschuwing over de oudere lijstartikelen die je hierover zult vinden: MonkeyLearn, dat in de meeste overzichten van "beste tools voor sentimentanalyse" voorkomt, bestaat niet langer als zelfstandig product. Medallia nam het in 2022 over en monkeylearn.com verwijst nu met een 301-redirect door naar medallia.com. Controleer of elke tool die je wordt aanbevolen nog bestaat voordat je je plannen erop baseert.
Hoe voer je de analyse daadwerkelijk uit?
Vier dingen maken het verschil tussen een nuttige analyse en een generieke.
- Zeg wat de tekst is. "Dit zijn 400 supporttickets uit de twee weken na onze prijswijziging" verandert de interpretatie volledig, vergeleken met het invoegen van een niet-gelabeld tekstblok.
- Zeg welke beslissing ermee wordt onderbouwd. Analyse voor een argument voor een roadmap ziet er anders uit dan analyse voor een evaluatie achteraf van klantverloop. Vertel welke van de twee het is.
- Vraag om frequenties en citaten, niet alleen om thema's. Vraag om een ruwe telling per thema en twee letterlijke citaten. Aan de hand van de citaten controleer je de analyse - als een citaat het thema niet ondersteunt, klopt het thema niet.
- Vraag wat het niet kon classificeren. De restcategorie is vaak het interessantst: opmerkingen die te dubbelzinnig, te kort of te sarcastisch waren om te plaatsen.
Als je feedback afkomstig is uit enquêtes die je zelf hebt ontworpen, wordt de kwaliteit van deze analyse al bepaald voordat je de enquête uitvoert - precies het punt dat ook in onze gids voor HR-generalisten wordt behandeld en dat goed aansluit bij de uitgebreidere gids voor marktonderzoek.
Zodra Mira de feedback in thema's heeft gegroepeerd, zet Elena de geprioriteerde lijst om in een businesscase met een onderbouwde impact, inspanning en aanbeveling.
Elena bekijken →Hoe installeer je de Mira-skill?
Mira wordt geleverd als een ZIP-bestand met een SKILL.md bestand in de hoofdmap.
- Open de Claude-desktopapp, klik in de zijbalk op Customize en vervolgens op Skills.
- Klik op + en upload het ZIP-bestand. Claude leest
SKILL.mden vat samen wat het doet. - Zet het aan. Uit betekent dat Claude het negeert.
- Plak je feedback en beschrijf de beslissing die je neemt.
Skills werken op elk Claude-abonnement: Free, Pro, Max, Team en Enterprise. Code-uitvoering moet echter zijn ingeschakeld. Als het menu Skills grijs wordt weergegeven of ontbreekt, schakel je Code execution and file creation in via Instellingen > Mogelijkheden. Bij Team en Enterprise is dat een instelling op eigenaarsniveau in de organisatie-instellingen, dus mogelijk moet je het vragen.
Als je code-uitvoering niet kunt inschakelen, of als je in ChatGPT of Gemini werkt, open je de SKILL.md bestand, kopieer de inhoud ervan en plak die in de aangepaste instructies. De Skill wordt niet automatisch geactiveerd, maar geeft wel richting aan elk antwoord in dat gesprek.
Waar gaat dit mis?
Dit is het gedeelte dat je twee keer moet lezen, omdat de fout ongemerkt blijft.
- Het zal vol overtuiging ongelijk hebben. Een model antwoordt niet met “Ik weet niet zeker wat deze persoon bedoelde.” Het geeft een duidelijk label in dezelfde toon, of het de opmerking nu goed heeft begrepen of niet. Niets in de uitvoer maakt onderscheid tussen een solide classificatie en een verkeerde interpretatie.
- Het gaat mis bij sarcasme en understatement. “Geweldig, alweer een update” en “het is prima, denk ik” zijn precies de opmerkingen die een mens onmiddellijk begrijpt en die een model plat slaat.
- Frequentietellingen zijn schattingen, geen tellingen. Wanneer een model zegt dat een thema in 30 opmerkingen voorkwam, heeft het die niet geteld. Als het getal op een dia komt te staan, tel het dan zelf of laat het model de rijnummers uitvoeren, zodat jij dat kunt doen.
- Je steekproef bestaat waarschijnlijk niet uit je klanten. Mensen die reviews achterlaten en open vragen beantwoorden, zijn per definitie ongebruikelijk. De analyse beschrijft wie er heeft gereageerd, en geen enkele tool verhelpt dat.
- De grenzen tussen thema's zijn een kwestie van interpretatie. Voer dezelfde feedback twee keer uit en je kunt de ene keer zes thema's krijgen en de volgende keer vier, omdat “traag” en “reageert niet” redelijkerwijs één thema of twee thema's kunnen zijn. Geen van beide antwoorden is fout; beide veranderen je grafiek.
- Het kan je niet vertellen wat je moet doen. Het vertelt je wat mensen hebben gezegd. De afweging tussen het verbeteren van de onboarding en het uitbrengen van de functie die je al hebt beloofd, is aan jou.
Controleer dus steekproefsgewijs voordat je iets presenteert. Neem een steekproef van opmerkingen — vijftig is ruim voldoende voor een paar honderd documenten — label ze zelf voordat je naar het antwoord van het model kijkt en vergelijk ze vervolgens. Je zoekt niet naar perfectie, maar naar de plekken waar de meningsverschillen zich concentreren. Als ze bij één thema terechtkomen, is dat thema onbetrouwbaar en moet je dat zeggen. Als jij en het model het in de steekproef over meer dan een handvol gevallen oneens zijn, rapporteer de verdeling dan niet als bevinding. Doe dit één keer voor een bepaald type feedback en je weet daarna hoeveel vertrouwen je erin kunt hebben.
Als het grootste deel van je ongelezen stapel uit supporttickets bestaat, combineer dan Mira's thematische analyse met Sam, die de antwoorden opstelt zodra je weet waar de klant zich nu echt over opwindt.
Bekijk Sam - AI Skill voor klantenondersteuning ($29) →Waarom een Skill gebruiken in plaats van elke keer de prompt te schrijven?
Twee redenen, en geen daarvan is dat de Skill slimmer is.
Het eerste is consistentie. Het vergelijken van het sentiment van dit kwartaal met dat van het vorige kwartaal heeft alleen betekenis als beide op dezelfde manier zijn gelezen, met dezelfde themadefinities en dezelfde instructies over wat als een klacht telt. Een opgeslagen Skill legt de methode vast, zodat de vergelijking echt is en geen artefact van hoe je de prompt toevallig in april hebt geformuleerd.
Het tweede punt is dat de vier eerder genoemde zaken — context, beslissing, frequentie en citaten, niet-classificeerbare rest — gemakkelijk worden vergeten als je haast hebt, precies wanneer je 400 tickets plakt en op het beste hoopt.
Voer je elk kwartaal pulse-enquêtes uit? Hiermee ontwerp je de enquête zo dat de antwoorden op open vragen tussen kwartalen vergelijkbaar zijn — het ruwe materiaal dat Mira nodig heeft om een verschuiving te volgen in plaats van er een te raden.
Bekijk Employee Survey Prompt ($9) →Welke tekst is de moeite waard om hierop los te laten?
Overal waar je grote hoeveelheden tekst hebt en niemand tijd heeft om die te lezen: antwoorden op open vragen in enquêtes, productreviews, supporttickets, exitinterviews, opmerkingen in appstores, notities van verkoopgesprekken en vermeldingen op sociale media. De methode verandert niet. Wat wel verandert, is de context die je bovenaan meegeeft en de beslissing waarop je de analyse richt.
De categorie waarbij je het voorzichtigst moet zijn, is alles waarbij de steekproef klein is. Twaalf opmerkingen hebben geen thema’s; het zijn twaalf meningen, en je moet ze zelf lezen.
Samengevat:
Gebruik voor algemene analyse van vrije tekst — reviews, tickets, antwoorden op enquêtes en interviewtranscripties — Mira ($29). Als de stapel voornamelijk uit supporttickets bestaat, combineer haar dan met Sam ($29). Ontwerp je de enquête die de feedback oplevert, begin dan met de Employee Survey Prompt ($9). Zet de thema’s vervolgens om in een casus met Elena ($29). Ze werken allemaal in Claude, ChatGPT en elke AI-chat, met een 30 dagen geld-terug-garantie — en bij allemaal moet je de uitvoer nog steeds steekproefsgewijs controleren.
Gerelateerde Skill-gidsen
- Zo gebruik je Claude voor e-mailmarketing: de Skill-gids van Nadia
- Zo gebruik je Claude als socialmediamanager: de Skill-gids van Maya
- Zo gebruik je Claude als strateeg voor groeimarketing: de Skill-gids van Sofia
- Zo gebruik je Claude voor marketinganalytics: de Skill-gids van Rafa
KissMySkills is een marktplaats met 853 AI-Skills, 158 Prompt Packs, 55 agents en gratis tools voor Claude, ChatGPT en elke AI-chat.
