Cole seu feedback em texto livre no Claude, diga a ele o que é o texto e que decisão você está tentando tomar, e peça 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. O problema 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.
Nesta página
- Por que uma pontuação de sentimento isolada é inútil?
- Você deveria usar uma ferramenta dedicada de análise de sentimento?
- Como você realmente executa a análise?
- Como você instala o Skill da Mira?
- Onde isso dá errado?
- Por que usar uma Skill em vez de escrever o prompt todas as vezes?
- Que textos vale a pena processar com isso?
- Guias de Skills relacionados
Preços das ferramentas verificados em agosto de 2026.
Por que uma pontuação de sentimento isolada é inútil?
“72% positivo” não diz nada sobre o que você pode tomar uma atitude. Não informa por que os 28% estão irritados, se isso é um problema ou nove, nem se os comentários positivos são sobre o que você acabou de lançar ou sobre o que está prestes a eliminar.
O que você quer, em vez disso, 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 da integração inicial” 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” resulta em uma média neutra, que é a descrição menos útil possível desse cliente. Associar 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 por quê, porque a maior parte dos conselhos sobre esse assunto tem uma década.
O Amazon Comprehend, a opção gerenciada mais comum, cobra US$ 0,0001 por unidade para análise de sentimento, sendo que uma unidade equivale a 100 caracteres e cada solicitação é cobrada com um mínimo de 3 unidades. Uma avaliação de 300 caracteres custa US$ 0,0003. Duas mil avaliações 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 praticamente gratuito.
O custo para você aparece em todo o resto. Você precisa de uma conta da AWS, credenciais, um script para enviar o CSV pela API e trazer os resultados de volta, além de uma decisão sobre 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 quebrado, porque não lê os tópicos, a menos que você crie isso separadamente.
Um modelo geral lendo as mesmas 2.000 avaliações fornece os tópicos, o sentimento por tópico, citações representativas e uma resposta quando você faz uma pergunta de acompanhamento - sem precisar criar um pipeline. Acima de vários milhares de documentos por mês, executando em uma programação e alimentando um painel, 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 isso: 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 status 301 para medallia.com. Verifique se qualquer ferramenta recomendada ainda existe antes de planejar com base nela.
Como você realmente executa a análise?
Quatro coisas fazem a diferença entre uma leitura 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 inserir um bloco sem identificação.
- Diga qual decisão a análise orienta. Uma análise para embasar uma discussão sobre 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 sustenta o tema, o tema está errado.
- Pergunte o que ele não conseguiu classificar. O que sobra costuma ser a parte interessante: os comentários ambíguos demais, curtos demais ou sarcásticos demais para serem classificados.
Se seu feedback vem de pesquisas que você criou, a qualidade desta análise é determinada antes de você realizá-la - o mesmo ponto abordado em nosso guia de generalista de HR, 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 uma justificativa de negócio com impacto, esforço e uma recomendação anexados.
Ver Elena →Como você instala o Skill da Mira?
A Mira chega como um ZIP com um SKILL.md arquivo na raiz.
- Abra o aplicativo para 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 exige que a execução de código esteja ativada. Se o menu Skills estiver esmaecido ou não aparecer, 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.
Se você não conseguir ativar a execução de código, ou estiver trabalhando no ChatGPT ou Gemini, abra o SKILL.md arquivo, copie o conteúdo e cole-o nas instruções personalizadas. A Skill não será acionada automaticamente, mas orientará 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 errado com toda a confiança. Um modelo não responde “não tenho certeza do que essa pessoa quis dizer”. Ele fornece um rótulo claro, no mesmo tom, tenha entendido o comentário corretamente ou não. Nada na resposta distingue uma classificação sólida de uma interpretação equivocada.
- Sarcasmo e eufemismo 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 demais.
- 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 para informar 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 são uma questão de julgamento. Analise o mesmo feedback duas vezes e você poderá obter seis temas em uma ocasião e quatro na seguinte, porque “lento” e “sem resposta” podem razoavelmente ser um tema só ou dois. Nenhuma resposta está errada; ambas mudam 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 classifique-os você mesmo antes de olhar a resposta do modelo; depois, compare. Você não está buscando perfeição, mas sim entender onde as divergências se concentram. Se elas se concentrarem em um tema, esse tema não é confiável e você deve dizer isso. Se você e o modelo discordarem em mais do que alguns casos na amostra, não apresente a distribuição como uma descoberta. Faça isso uma vez para um determinado tipo de feedback e, depois, você saberá o quanto pode confiar nele.
Se a maior parte da sua pilha de mensagens não lidas for de tickets de suporte, combine a análise de temas da Mira com o Sam, que redige as respostas depois que você entende o que realmente incomodou o cliente.
Ver Sam - Customer Support AI Skill ($19) →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 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 padroniza o método para que a comparação seja real, e não um artefato de como você por acaso formulou 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 torcendo pelo melhor.
Você realiza pesquisas rápidas trimestrais? Isso cria a pesquisa para que as respostas de texto livre sejam comparáveis entre os trimestres - o material bruto de que Mira precisa para acompanhar uma mudança, em vez de apenas presumir que ela existe.
Ver Prompt de Pesquisa de Funcionários (US$9) →Que textos vale a pena processar com isso?
Em qualquer lugar onde haja muitas palavras e ninguém tenha tempo de lê-las: respostas de pesquisas com texto livre, avaliações de produtos, tickets de suporte, entrevistas de desligamento, comentários na loja de aplicativos, anotações de ligações de vendas e menções nas redes sociais. O método não muda entre elas. O que muda é o contexto que você fornece no início e a decisão que orienta 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 livre - avaliações, tickets, respostas de pesquisas e transcrições de entrevistas -, use a Mira (US$19). Se a maior parte do material for composta por tickets de suporte, combine-a com o Sam (US$19). Se você está criando a pesquisa que produzirá o feedback, comece pelo Prompt de Pesquisa de Funcionários (US$9). Depois, transforme os temas em um caso com a Elena (US$19). Todos funcionam no Claude, ChatGPT e em qualquer chat de AI, com garantia de reembolso em até 30 dias - e todos ainda exigem que você verifique aleatoriamente os resultados.
Guias de Skills relacionados
- Como usar o Claude para marketing por e-mail: o guia da Skill Nadia
- Como usar o Claude como gerente de mídias sociais: o guia da Skill Maya
- Como usar o Claude como estrategista de marketing de crescimento: o guia da Skill Sofia
- Como usar o Claude para análise de marketing: o guia da Skill Rafa
KissMySkills é um marketplace com 2.000+ Skills de AI, 300+ Prompt Packs, 55 agentes e ferramentas gratuitas para Claude, ChatGPT e qualquer chat de AI.