Cole seu feedback em texto livre no Claude, diga qual é o texto e que decisão você está tentando tomar e peça os temas recorrentes com o sentimento associado a cada um - não uma pontuação geral. Abaixo de aproximadamente alguns milhares de documentos por mês, isso é melhor do que configurar um classificador de sentimento dedicado, porque você obtém os motivos em vez de um rótulo. A desvantagem é que o modelo fornecerá um rótulo confiante para um texto que interpretou errado; portanto, confira uma amostra com base no seu próprio julgamento antes de apresentar qualquer distribuição como fato.
Preços das ferramentas verificados em agosto de 2026.
Por que uma pontuação de sentimento isolada é inútil?
“72% positivo” não diz nada que você possa transformar em ação. Não informa sobre o que os 28% estão irritados, se isso corresponde a um problema ou a nove, nem se os comentários positivos são sobre aquilo que você acabou de lançar ou sobre aquilo que está prestes a descontinuar.
O que você quer, na verdade, é uma lista de temas: as cinco ou seis coisas que as pessoas continuam mencionando, cada uma com seu próprio sentimento e sua própria frequência aproximada. “As pessoas gostam da rapidez, e trinta delas ficaram travadas no mesmo ponto do onboarding” é uma frase com a qual alguém pode fazer algo. Uma porcentagem não é.
Isso é mais importante porque o feedback real raramente é unilateral. “Adoro o produto, odeio o preço” acaba resultando em uma média neutra, que é a descrição menos útil possível desse cliente. Atribuir o sentimento a cada tema, em vez de a cada documento, preserva o sinal.
Você deveria usar uma ferramenta dedicada de análise de sentimento?
Abaixo de alguns milhares de documentos por mês, geralmente não - e vale a pena entender o motivo, porque a maior parte dos conselhos sobre esse tema está uma década desatualizada.
O Amazon Comprehend, a opção gerenciada mais comum, cobra US$ 0,0001 por unidade para análise de sentimento, sendo que uma unidade corresponde a 100 caracteres e toda solicitação é cobrada com um mínimo de 3 unidades. Uma avaliação de 300 caracteres custa US$ 0,0003. Duas mil delas custam cerca de sessenta centavos. A AWS também oferece a clientes novos e existentes 50.000 unidades (5 milhões de caracteres) gratuitas por mês durante os primeiros doze meses. Em termos de computação bruta, um classificador é essencialmente gratuito.
O custo para você aparece em todos os outros aspectos. Você precisa de uma conta da AWS, credenciais, um script para enviar o CSV pela API e trazer os resultados de volta, além de decidir o que fazer com o rótulo retornado. E um rótulo é tudo o que você recebe: um valor de sentimento com uma pontuação de confiança. Ele não dirá que os comentários negativos se concentram em um fluxo de redefinição de senha com defeito, porque não lê os temas, a menos que você crie isso separadamente.
Um modelo geral lendo as mesmas 2.000 avaliações fornece os temas, o sentimento por tema, citações representativas e uma resposta quando você faz uma pergunta de acompanhamento - sem precisar criar um pipeline. Acima de alguns milhares de documentos por mês, executado em uma programação e alimentando um dashboard, a matemática muda, e um classificador adequado ou uma API em lote passa a valer a pena. Abaixo disso, você está criando infraestrutura para economizar sessenta centavos.
Um alerta sobre as listas mais antigas que você encontrará sobre o assunto: o MonkeyLearn, que aparece na maioria dos rankings de “melhores ferramentas de análise de sentimentos”, não existe mais como produto independente. A Medallia o adquiriu em 2022, e monkeylearn.com agora redireciona com código 301 para medallia.com. Verifique se qualquer ferramenta recomendada ainda existe antes de planejar com base nela.
Como executar a análise de fato?
Quatro coisas fazem a diferença entre uma análise útil e uma genérica.
- Diga o que é o texto. “Estas são 400 solicitações de suporte das duas semanas após nossa mudança de preços” muda completamente a interpretação em comparação com simplesmente inserir um bloco sem identificação.
- Diga qual decisão isso orienta. Uma análise para embasar uma discussão sobre o roadmap é diferente de uma análise para uma autópsia de churn. Diga qual é o caso.
- Peça frequência e citações, não apenas temas. Exija uma contagem aproximada por tema e duas citações literais. É assim que você audita o resultado - se uma citação não sustentar o tema, o tema está errado.
- Pergunte o que ele não conseguiu classificar. O resíduo costuma ser a parte mais interessante: os comentários ambíguos demais, curtos demais ou sarcásticos demais para serem classificados.
Se o seu feedback vier de pesquisas que você criou, a qualidade desta análise é determinada antes de executá-la - o mesmo ponto abordado em nosso guia de generalista de HR, e que vale a pena combinar com a visão mais ampla do guia de pesquisa de mercado.
Depois que a Mira agrupa o feedback por temas, Elena transforma a lista priorizada em um caso de negócio com impacto, esforço e uma recomendação anexados.
Ver Elena →Como instalar o Skill Mira?
Mira chega como um ZIP com um SKILL.md arquivo na raiz.
- Abra o aplicativo de desktop do Claude, clique em Personalizar na barra lateral e depois em Skills.
- Clique em + e envie o ZIP. O Claude lê o
SKILL.mde resume o que ele faz. - Ative-o on. Desativado significa que o Claude o ignora.
- Cole seu feedback e descreva a decisão que você está tomando.
O Skills funciona em todos os planos do Claude - Free, Pro, Max, Team e Enterprise - mas é preciso ativar a execução de código. Se o menu Skills estiver desativado ou ausente, ative Execução de código e criação de arquivos em Configurações > Recursos. Nos planos Team e Enterprise, essa é uma configuração no nível do proprietário em Configurações da organização, então talvez seja necessário pedir a alguém.
Se você não conseguir ativar a execução de código, ou se estiver trabalhando no ChatGPT ou no Gemini, abra o SKILL.md arquivo, copie o conteúdo e cole-o nas instruções personalizadas. A Skill não será acionada automaticamente, mas moldará todas as respostas naquela conversa.
Onde isso dá errado?
Esta é a seção para ler duas vezes, porque o modo como ela falha é silencioso.
- Ele estará confiantemente errado. Um modelo não responde “não tenho certeza do que essa pessoa quis dizer”. Ele retorna um rótulo claro, no mesmo tom, tenha entendido o comentário corretamente ou não. Nada na saída distingue uma classificação sólida de uma interpretação equivocada.
- Sarcasmo e eufemismos acabam com a análise. “Ótimo, mais uma atualização” e “está tudo bem, eu acho” são exatamente os comentários que um humano entende instantaneamente e um modelo simplifica.
- As contagens de frequência são estimativas, não contagens. Quando um modelo diz que um tema apareceu em 30 comentários, ele não os contou. Se o número for entrar em um slide, conte você mesmo ou peça ao modelo que informe os números das linhas para que você possa fazer isso.
- Sua amostra provavelmente não representa seus clientes. Por definição, as pessoas que deixam avaliações e respondem a perguntas abertas são incomuns. A análise descreve quem respondeu, e nenhuma ferramenta corrige isso.
- Os limites entre os temas dependem de julgamento. Analise o mesmo feedback duas vezes e você poderá obter seis temas em uma ocasião e quatro na outra, porque “lento” e “sem resposta” podem razoavelmente constituir um único tema ou dois. Nenhuma das respostas está errada; ambas alteram o seu gráfico.
- Ela não pode dizer o que você deve fazer. Ela informa o que as pessoas disseram. A decisão entre corrigir o onboarding e lançar o recurso que você já prometeu é sua.
Por isso, faça uma verificação por amostragem antes de apresentar qualquer coisa. Separe uma amostra de comentários - cinquenta são suficientes para algumas centenas de documentos - e rotule-os você mesmo antes de consultar a resposta do modelo; depois, compare. Você não está buscando perfeição, mas identificando onde as discordâncias se concentram. Se elas se concentrarem em um tema, esse tema não é confiável e você deve deixar isso claro. Se você e o modelo discordarem em mais de alguns casos na amostra, não apresente a distribuição como uma descoberta. Faça isso uma vez para um determinado tipo de feedback e você saberá quanto confiar nele dali em diante.
Se a maior parte da sua pilha de itens não lidos for composta por chamados de suporte, combine a análise de temas da Mira com o Sam, que redige as respostas depois que você entende exatamente o que está incomodando o cliente.
Ver Sam - Skill de AI para Suporte ao Cliente ($29) →Por que usar uma Skill em vez de escrever o prompt todas as vezes?
Por dois motivos, e nenhum deles é que a Skill seja mais inteligente.
A primeira é a consistência. Comparar o sentimento deste trimestre com o do trimestre passado só faz sentido se ambos tiverem sido analisados da mesma forma, com as mesmas definições de temas e as mesmas instruções sobre o que conta como uma reclamação. Uma Skill salva corrige o método para que a comparação seja real, e não um artefato da forma como você escreveu o prompt em abril.
A segunda é que as quatro coisas listadas anteriormente - contexto, decisão, frequência e citações, resíduos não classificáveis - são fáceis de esquecer quando você está com pressa, exatamente quando está colando 400 tickets e esperando que tudo dê certo.
Você realiza pesquisas rápidas trimestrais? Isso cria a pesquisa de modo que as respostas de texto aberto sejam comparáveis entre os trimestres - o material bruto de que a Mira precisa para acompanhar uma mudança, em vez de apenas supor que ela ocorreu.
Veja o Prompt de Pesquisa com Funcionários ($9) →Que textos vale a pena processar com isso?
Em qualquer situação em que você tenha muitas palavras e ninguém tenha tempo para lê-las: respostas de pesquisas com texto aberto, avaliações de produtos, tickets de suporte, entrevistas de desligamento, comentários na loja de aplicativos, anotações de ligações de vendas, menções nas redes sociais. O método não muda entre elas. O que muda é o contexto que você fornece no início e a decisão para a qual está direcionando a análise.
A única categoria que exige cuidado é qualquer uma em que a amostra seja minúscula. Doze comentários não formam temas; são doze opiniões, e você deve lê-los por conta própria.
Em resumo:
Para análises gerais de texto aberto - avaliações, tickets, respostas de pesquisas, transcrições de entrevistas - use Mira ($29). Se a maior parte do material for composta por tickets de suporte, combine-a com Sam ($29). Se você estiver criando a pesquisa que vai gerar o feedback, comece com o Prompt de Pesquisa com Funcionários ($9). Depois, transforme os temas em um caso com Elena ($29). Tudo funciona no Claude, ChatGPT e em qualquer chat de AI, com garantia de devolução do dinheiro em 30 dias - e, ainda assim, você precisa verificar por amostragem o resultado de todos eles.
Guias de Skills relacionados
- Como usar o Claude para e-mail marketing: o guia da Skill Nadia
- Como usar o Claude como gerente de redes sociais: o guia da Skill Maya
- Como usar o Claude como estrategista de growth marketing: o guia da Skill Sofia
- Como usar o Claude para análise de marketing: o guia da Skill Rafa
KissMySkills é um marketplace com 853 Skills de AI, 158 Prompt Packs, 55 agentes e ferramentas gratuitas para Claude, ChatGPT e qualquer chat de AI.
