Plak je open tekstfeedback in Claude, vertel het wat de tekst is en welke beslissing je probeert te nemen, en vraag om terugkerende thema's met sentiment bij elk thema - geen totaalscore. Onder ongeveer 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 onder het gras is dat het model je een zelfverzekerd label geeft voor tekst die het verkeerd heeft geïnterpreteerd, dus controleer een steekproef aan de hand van je eigen oordeel voordat je een verdeling als feit presenteert.
Op deze pagina
- Waarom is een sentimentscore op zichzelf nutteloos?
- Moet je in plaats daarvan een speciale sentimenttool gebruiken?
- Hoe voer je de analyse daadwerkelijk uit?
- Hoe installeer je de Mira-skill?
- Waar gaat dit mis?
- Waarom een Skill gebruiken in plaats van de prompt elke keer opnieuw te schrijven?
- Welke tekst is de moeite waard om hiermee te analyseren?
- Gerelateerde Skill-gidsen
Prijzen van tools gecontroleerd in augustus 2026.
Waarom is een sentimentscore op zichzelf nutteloos?
"72% positief" vertelt je niets waar je actie op kunt ondernemen. Het zegt niet waar die 28% boos over zijn, of het om één probleem of negen gaat, en ook niet of de positieve opmerkingen over het productonderdeel gaan dat je net hebt uitgebracht of over het onderdeel dat je op het punt staat te schrappen.
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 ruwe frequentie. "Mensen vinden het fijn hoe snel het is, en dertig van hen liepen op hetzelfde punt in de onboarding vast" is een zin waar iemand iets mee kan. Een percentage niet.
Dit is vooral belangrijk omdat echte feedback zelden eenduidig is. "Ik ben dol op het product, maar haat de prijs" komt gemiddeld uit op neutraal, wat de minst bruikbare beschrijving van die klant is. Door sentiment aan elk thema te koppelen in plaats van aan elk document, behoud je het signaal.
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 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 review van 300 tekens kost $0.0003. Tweeduizend reviews 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 in feite gratis.
De kosten zitten overal elders. Je hebt een AWS-account en inloggegevens nodig, een script om de CSV door de API te halen en de resultaten weer op te halen, en een beslissing over wat je doet met het label dat het systeem teruggeeft. 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 kapot proces voor het opnieuw instellen van wachtwoorden, omdat het geen thema's leest tenzij je dat afzonderlijk bouwt.
Een algemeen model dat dezelfde 2.000 reviews 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. Boven enkele duizenden documenten per maand, wanneer het volgens een schema draait en een dashboard voedt, slaat de rekensom om en bewijst een goede classifier of batch-API zijn waarde. Daaronder bouw je infrastructuur om zestig cent te besparen.
Eén waarschuwing over de oudere lijstjes met aanbevelingen die je hierover zult vinden: MonkeyLearn, dat in de meeste overzichten van “beste tools voor sentimentanalyse” voorkomt, bestaat niet langer als zelfstandig product. Medallia heeft het in 2022 overgenomen en monkeylearn.com verwijst nu via een 301-redirect naar medallia.com. Controleer of elke tool die je wordt aanbevolen nog bestaat voordat je je plannen daarop 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 analyse volledig, vergeleken met het invoegen van een onbenoemd tekstblok.
- Zeg voor welke beslissing het dient. Analyse voor een argument voor de productroadmap 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. Zo kun je het controleren - als een citaat het thema niet ondersteunt, klopt het thema niet.
- Vraag wat het niet kon classificeren. De restcategorie is vaak het interessantste deel: opmerkingen die te dubbelzinnig, te kort of te sarcastisch zijn 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 haar uitvoert - hetzelfde punt dat wordt behandeld in onze gids voor HR-generalisten, en dat het waard is om te combineren met de bredere uitleg in de gids voor marktonderzoek.
Zodra Mira de feedback in thema's heeft gegroepeerd, zet Elena de geprioriteerde lijst om in een businesscase met impact, inspanning en een aanbeveling.
Elena bekijken →Hoe installeer je de Mira-skill?
Mira wordt geleverd als 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 - maar code-uitvoering moet wel zijn ingeschakeld. Als het menu Skills grijs wordt weergegeven of ontbreekt, schakel je Code execution and file creation in via Settings > Capabilities. Bij Team en Enterprise is dit een instelling op eigenaarsniveau in Organization settings, 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 en plak die in de aangepaste instructies. De Skill wordt niet automatisch geactiveerd, maar geeft wel vorm aan elk antwoord in dat gesprek.
Waar gaat dit mis?
Dit is het gedeelte dat je twee keer moet lezen, omdat de fout ongemerkt optreedt.
- Het zal vol vertrouwen fout zitten. 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 onderscheidt een solide classificatie van een verkeerde interpretatie.
- Sarcasme en understatement maken het kapot. “Geweldig, alweer een update” en “het gaat wel, denk ik” zijn precies de opmerkingen die een mens meteen begrijpt en die een model afvlakt.
- Frequentietellingen zijn schattingen, geen tellingen. Als een model zegt dat een thema in 30 opmerkingen voorkwam, heeft het die niet geteld. Als het getal op een dia komt, 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 uitzonderlijk. De analyse beschrijft wie er heeft gereageerd, en geen enkele tool kan dat verhelpen.
- Themagrenzen 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 - en label ze zelf voordat je naar het antwoord van het model kijkt. Vergelijk ze daarna. Je zoekt niet naar perfectie, maar naar de punten waarop de meningen zich concentreren. Als ze bij één thema terechtkomen, is dat thema onbetrouwbaar en moet je dat aangeven. 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 eenmaal voor een bepaald type feedback en daarna weet je 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 eigenlijk over beklaagt.
Bekijk Sam - Customer Support AI Skill ($19) →Waarom een Skill gebruiken in plaats van de prompt elke keer opnieuw 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 de manier waarop je de prompt in april toevallig had geformuleerd.
Het tweede punt is dat de vier eerder genoemde zaken - context, beslissing, frequentie en citaten, niet-classificeerbare restcategorie - gemakkelijk worden vergeten wanneer je haast hebt, precies op het moment waarop 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 →Welke tekst is de moeite waard om hiermee te analyseren?
Overal waar je veel 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 verandert, is de context die je bovenaan meegeeft en de beslissing waarop je de analyse richt.
De enige categorie waarbij je voorzichtig 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 open tekst - reviews, tickets, enquêteantwoorden en interviewtranscripten - Mira ($19). Als de verzameling voornamelijk uit supporttickets bestaat, combineer haar dan met Sam ($19). Ontwerp je de enquête die de feedback oplevert, begin dan met de Employee Survey Prompt. Zet de thema's vervolgens om in een case met Elena ($19). Alles werkt in Claude, ChatGPT en elke AI-chat, met een 30 dagen niet-goed-geld-teruggarantie - en voor allemaal geldt nog steeds dat je de output steekproefsgewijs moet controleren.
Gerelateerde Skill-gidsen
- Claude gebruiken voor e-mailmarketing: de Nadia Skill-gids
- Claude gebruiken als socialmedia-manager: de Maya Skill-gids
- Claude gebruiken als groeimarketingstrateeg: de Sofia Skill-gids
- Claude gebruiken voor marketinganalyse: de Rafa Skill-gids
KissMySkills is een marktplaats met 2.000+ AI-skills, 300+ Prompt Packs, 55 agents en gratis tools voor Claude, ChatGPT en elke AI-chat.