Вставьте отзывы в свободной форме в Claude, объясните ему, что это за текст и какое решение вы пытаетесь принять, и попросите выделить повторяющиеся темы с указанной для каждой тональностью - не общий показатель. При объёме менее примерно нескольких тысяч документов в месяц это лучше, чем настраивать специализированный классификатор тональности, потому что вы получаете причины, а не метку. Но есть нюанс: модель выдаст вам уверенную метку для текста, который неправильно поняла, поэтому проверьте выборку, сопоставив её со своей оценкой, прежде чем выдавать какое-либо распределение за факт.
Цены на инструменты проверены в августе 2026 года.
Почему сама по себе оценка тональности бесполезна?
«72% положительных отзывов» не говорит вам ничего, что можно было бы использовать для действий. Из него неясно, что именно возмущает остальные 28%, одна это проблема или девять, и относятся ли положительные комментарии к тому, что вы только что выпустили, или к тому, что собираетесь закрыть.
Вам вместо этого нужен список тем: пять или шесть вещей, о которых люди постоянно говорят, с собственной тональностью и примерной частотой для каждой. «Людям нравится, как быстро всё работает, а тридцать из них застряли на одном и том же этапе адаптации» - это предложение, с которым кто-то может что-то сделать. Процент - нет.
Это особенно важно потому, что реальные отзывы редко бывают однозначными. «Обожаю продукт, ненавижу цену» усредняется до нейтральной тональности, а это наименее полезное возможное описание такого клиента. Если привязывать тональность к каждой теме, а не к каждому документу, сигнал сохраняется.
Стоит ли вместо этого использовать специализированный инструмент для анализа тональности?
При объёме менее нескольких тысяч документов в месяц обычно нет - и стоит понять почему, поскольку большинство советов на эту тему устарело на десятилетие.
Amazon Comprehend, основной управляемый вариант, взимает $0.0001 за единицу анализа тональности, где одна единица составляет 100 символов, а каждый запрос оплачивается минимум за 3 единицы. Отзыв длиной 300 символов стоит $0.0003. Две тысячи таких отзывов стоят около шестидесяти центов. AWS также предоставляет новым и существующим клиентам 50 000 единиц (5M символов) в месяц бесплатно в течение первых двенадцати месяцев. С точки зрения чистых вычислений классификатор практически бесплатен.
Всё остальное связано с затратами с вашей стороны. Вам понадобятся аккаунт AWS, учётные данные, скрипт для отправки CSV через API и обратного получения результатов, а также решение о том, что делать с возвращаемой меткой. А получаете вы только метку: значение тональности с показателем уверенности. Она не сообщит, что негативные отзывы сосредоточены вокруг неработающего процесса сброса пароля, потому что не выделяет темы, если не создать для этого отдельное решение.
Общая модель, читающая те же 2 000 отзывов, выдаёт вам темы, тональность по каждой теме, репрезентативные цитаты и ответ на уточняющий вопрос - и вам не нужно создавать никакой конвейер. После нескольких тысяч документов в месяц, при запуске по расписанию и передаче данных на дашборд, расчёты меняются, и полноценный классификатор или пакетный API начинает себя окупать. До этого вы создаёте инфраструктуру, чтобы сэкономить шестьдесят центов.
Предупреждение о более старых подборках, которые вы найдёте по этой теме: MonkeyLearn, который упоминается в большинстве обзоров «лучших инструментов анализа тональности», больше не существует как отдельный продукт. Medallia приобрела его в 2022 году, а monkeylearn.com теперь перенаправляет на medallia.com с кодом 301. Прежде чем планировать работу с рекомендованным инструментом, убедитесь, что он всё ещё существует.
Как на самом деле провести анализ?
Четыре вещи отличают полезный анализ от общего и поверхностного.
- Скажите, что это за текст. «Это 400 обращений в службу поддержки за две недели после изменения цен» полностью меняет интерпретацию по сравнению с безымянным блоком текста.
- Скажите, на какое решение это влияет. Анализ для обоснования дорожной карты выглядит иначе, чем анализ для разбора причин оттока клиентов. Уточните, какой именно нужен.
- Просите указать частотность и цитаты, а не только темы. Запросите примерное количество отзывов по каждой теме и две дословные цитаты. По цитатам можно проверить результат - если цитата не подтверждает тему, значит, тема определена неверно.
- Спросите, что не удалось классифицировать. Остаток часто оказывается самой интересной частью: комментарии, которые слишком неоднозначны, коротки или саркастичны, чтобы отнести их к какой-либо группе.
Если отзывы получены из разработанных вами опросов, качество этого анализа определяется ещё до их проведения - об этом говорится в нашем руководстве по HR-дженералисту, и его стоит дополнить более подробным материалом в руководстве по исследованию рынка.
После того как Mira распределит отзывы по тематическим группам, Elena превратит список приоритетов в обоснование для бизнеса с указанием эффекта, трудозатрат и рекомендацией.
Посмотреть профиль Elena →Как установить навык Mira?
Mira поставляется в ZIP-архиве с SKILL.md файл в корневом каталоге.
- Откройте настольное приложение Claude, нажмите Customize на боковой панели, затем Skills.
- Нажмите + и загрузите ZIP-архив. Claude прочитает файл
SKILL.mdи кратко опишет его назначение. - Переключите его в положение включено. Если функция выключена, Claude её игнорирует.
- Вставьте свой отзыв и опишите принимаемое решение.
Skills работают на всех тарифах Claude - Free, Pro, Max, Team и Enterprise, но для них нужно включить выполнение кода. Если меню Skills неактивно или отсутствует, включите Выполнение кода и создание файлов в разделе Settings > Capabilities. В Team и Enterprise это настройка уровня владельца в параметрах организации, поэтому, возможно, потребуется попросить владельца.
Если вы не можете включить выполнение кода или работаете в ChatGPT или Gemini, откройте SKILL.md файл, скопируйте его содержимое и вставьте в пользовательские инструкции. Skill не будет запускаться автоматически, но будет влиять на каждый ответ в этой беседе.
Где это даёт сбой?
Этот раздел стоит прочитать дважды, потому что ошибка проявляется незаметно.
- Она будет уверенно ошибаться. Модель не ответит: «Я не уверен, что этот человек имел в виду». Она выдаст аккуратную метку в том же тоне независимо от того, правильно ли поняла комментарий. В результате ничего не указывает на то, является ли классификация надёжной или основана на неверной интерпретации.
- Сарказм и преуменьшение ломают анализ. «Отлично, ещё одно обновление» и «всё нормально, наверное» - именно те комментарии, смысл которых человек мгновенно улавливает, а модель упрощает.
- Частотные показатели - это оценки, а не подсчёты. Когда модель говорит, что тема встречалась в 30 комментариях, она не подсчитывала их вручную. Если это число попадёт на слайд, пересчитайте его сами или попросите модель указать номера строк, чтобы вы могли это сделать.
- Ваша выборка, скорее всего, не отражает всех клиентов. Люди, которые оставляют отзывы и отвечают на вопросы с развернутым ответом, по определению отличаются от остальных. Анализ описывает тех, кто ответил, и ни один инструмент этого не исправит.
- Границы тем определяются субъективно. Если дважды проанализировать одну и ту же обратную связь, можно получить шесть тем в одном случае и четыре в другом, потому что «медленный» и «не отвечает» вполне разумно считать одной темой или двумя. Ни один вариант не является неправильным, но оба меняют вашу диаграмму.
- Он не скажет вам, что делать. Он сообщает, что сказали люди. Выбор между улучшением адаптации и выпуском функции, которую вы уже пообещали, остаётся за вами.
Поэтому перед презентацией обязательно проверьте результаты на выборке. Возьмите выборку комментариев - пятидесяти вполне достаточно для нескольких сотен документов - самостоятельно разметьте их, прежде чем смотреть на ответ модели, а затем сравните результаты. Вы ищете не идеальную точность, а места, где сосредоточены расхождения. Если они относятся к одной теме, эта тема ненадёжна, и вам следует об этом сказать. Если в выборке вы и модель расходитесь более чем в нескольких случаях, не представляйте распределение как установленный факт. Сделайте это один раз для конкретного типа обратной связи, и впоследствии вы будете знать, насколько можно ему доверять.
Если большая часть непрочитанных сообщений - это обращения в службу поддержки, объедините анализ тем от Mira с Sam: он подготовит ответы после того, как вы поймёте, что именно расстроило клиента.
Посмотреть: Sam - AI Skill для службы поддержки клиентов ($29) →Зачем использовать Skill, а не писать prompt каждый раз?
Две причины, и ни одна из них не заключается в том, что Skill умнее.
Первое - последовательность. Сравнение настроений за этот квартал с прошлым имеет смысл только в том случае, если оба анализа проводились одинаково, с одними и теми же определениями тем и инструкциями о том, что считать жалобой. Сохранённый Skill фиксирует метод, поэтому сравнение отражает реальную динамику, а не случайный результат того, как вы сформулировали prompt в апреле.
Второе: о четырёх вещах, перечисленных выше - контексте, решении, частоте и цитатах, а также неклассифицируемом остатке - легко забыть в спешке, то есть именно тогда, когда вы вставляете 400 обращений и надеетесь на лучший результат.
Проводите регулярные ежеквартальные опросы? Этот промпт помогает разработать опрос так, чтобы ответы на открытые вопросы можно было сопоставлять между кварталами - это исходный материал, который нужен Mira, чтобы отслеживать изменения, а не предполагать их.
Посмотреть промпт для опроса сотрудников ($9) →Какие тексты стоит анализировать таким способом?
Везде, где у вас много текстов, а времени читать их нет: ответы на открытые вопросы в опросах, отзывы о продуктах, обращения в поддержку, выходные интервью, комментарии в магазинах приложений, заметки по итогам звонков с клиентами, упоминания в социальных сетях. Метод для них не меняется. Меняется только контекст, который вы указываете в начале, и решение, на которое должен быть направлен анализ.
С особой осторожностью следует относиться к категориям, где выборка очень мала. Двенадцать комментариев - это не темы, а двенадцать мнений, и вам стоит прочитать их самостоятельно.
Вкратце:
Для общего анализа текстов в свободной форме - отзывов, обращений в поддержку, ответов на опросы, расшифровок интервью - используйте Mira ($29). Если основную массу составляют обращения в поддержку, используйте её вместе с Sam ($29). Если вы разрабатываете опрос, который будет собирать обратную связь, начните с промпта для опроса сотрудников ($9). Затем превратите выявленные темы в кейс с помощью Elena ($29). Все они работают в Claude, ChatGPT и любых AI-чатах; на всё действует 30-дневная гарантия возврата денег - и при этом вам всё равно нужно выборочно проверять результаты.
Руководства по связанным Skill
- Как использовать Claude для email-маркетинга: руководство по Skill Nadia
- Как использовать Claude в роли менеджера социальных сетей: руководство по Skill Maya
- Как использовать Claude в роли стратега по маркетингу роста: руководство по Skill Sofia
- Как использовать Claude для маркетинговой аналитики: руководство по Skill Rafa
KissMySkills - это маркетплейс с 853 AI-скиллами, 158 наборами prompt'ов, 55 агентами и бесплатными инструментами для Claude, ChatGPT и любых AI-чатов.
