别再迷信 NPS 分数了，用大模型深挖客服录音才是用户真实的痛点

很多产品经理和运营在做用户满意度调研时，经常会陷入一个逻辑陷阱：NPS（净推荐值）分数明明在 8 分以上，甚至很多用户在问卷里写了“服务很好”，但后台的流失率（Churn Rate）依然居高不下。这种反直觉的现象其实揭示了一个真相——调研问卷在很多时候是一场“礼貌的表演”，用户为了快速结束对话，倾向于给出中庸且客套的正面评价，而真正的不满被掩盖在了非结构化的对话细节里。

最近我尝试把销售和支持团队的通话转录文本直接交给 ChatGPT 处理，要求它剥离所有外交辞令，直接还原客户的真实想法。结果这次分析给我的冲击很大，它揭示了那些在量化报表里被完全抹掉的“愤怒”。

在传统的分析流程中，我们会把录音转成文字，然后由人工抽样标注，最后汇总成“响应速度慢”或“功能不完善”这类概括性的标签。但这种脱敏后的总结会过滤掉情绪的强度。比如，当一个用户在录音里愤怒地吐槽“同一个问题我得跟三个不同的人重复一遍，你们的内部协作简直是灾难”时，在最终的报表里，这可能仅仅被记录为“沟通效率有待提升”。这种文字上的美化，让决策层在面对优先级清单时，很容易忽略那些真正致命的体验漏洞。

通过大模型进行非结构化数据分析，最核心的价值在于它能扮演一个“尖锐的审计师”，把那些被掩盖的真实痛点直接拍在桌子上。我目前的实操流程是每月运行一次全量分析，将所有转录文本喂给模型，让它在海量数据中捕捉那些最直白、最不客气的原话。

对于想要复刻这个工作流的人，我建议不要在转录工具（如 Fathom 或 Otter）上纠结，因为目前的 ASR 精度已经足够支撑分析。真正的关键在于 Prompt 的引导逻辑，你不能让 AI 给你写“总结”，而要让它做“挖掘”。

我目前验证最有效的一套 Prompt 逻辑如下：

你现在是一个极其尖锐的客户体验审计师。我将为你提供一批真实的客服通话转录文本。
请你忽略所有客套话和礼貌用语，直接挖掘出客户真正不满的点。
要求：
1. 必须使用客户的原话或极其接近原话的描述。
2. 剔除所有经过美化的总结，直接列出具体的痛点。
3. 将这些不满进行分类，并标注出出现频次最高的问题。

在这种引导下，AI 不再扮演温顺的助手，而是变成了一个挑刺的专家。它会直接告诉你：有 15% 的用户在抱怨产品功能被过度承诺，或者有 20% 的用户在愤怒地指责回复时间超过了 48 小时。

这种分析方式最可怕的地方在于，它让产品迭代失去了“缓冲地带”。当你面对的是一个统计图表，你可能会觉得“这只是个样本偏差”；但当你面对的是 50 个真实客户用愤怒语言描述的具体场景时，你很难在优先级清单里继续推迟这些问题的修复。

从量化分析转向这种基于 LLM 的质性分析，本质上是从“看数据”回归到“听用户”。在产品迭代的深水区，这种直接面对真实愤怒的勇气，比任何精美的 NPS 报告都更能推动产品的真正进化。