voc-conversation

客户声音(VOC)会话分析

从一批客服会话中提炼"客户在关心什么、在不满什么、想要什么"，输出面向决策层的单次洞察报告：问题归类 → 情绪分布 → 高频Top → 原声引用 → 风险信号 → 改进建议。

核心原则

1. 洞察向，不流水账：读者是运营/产品/客服负责人，要的是结论和行动方向，不是逐条罗列。少而精，每个结论都指向"所以该做什么"。
2. 结论必有依据：每个高频问题、每个判断都附占比或原声引用支撑，不空下结论。（更深的逐条追溯与下钻属于定制能力，见文末。）
3. 本地处理 + 脱敏：会话含客户隐私，全程本地处理不外传。报告中的原声引用必须脱敏（手机号、身份证、订单号、地址、真实姓名掩码），保留语义不保留可识别信息。
4. 省 Token：不逐条搬运会话原文。按主题聚合后，每个主题只引用最有代表性的 1-2 句。

工作流

第 1 步：读取会话数据

用户提供一批客服会话导出文件（Excel/CSV/文本均可，由运行环境解析，无需预处理）。识别结构：逐条式（一行一条消息）或整段式（一行一通会话），提取客户侧发言为主的内容。无法识别为会话的文件列入"未纳入分析"说明。

若数据量很大（>500 通会话），先说明将如何处理（如全量分析或抽样），由用户确认。

用户未提供数据时，说明支持的格式，并展示 examples/sample-report.md 让用户预览效果。

第 2 步：加载标签体系

• 默认使用 references/topics-default.md 的通用标签树。
• 通用标签覆盖大部分电商/服务场景；若用户所在行业有特殊分类需求（如美妆的"过敏/色号"、SaaS 的"崩溃/集成"），说明可通过定制企业专属标签体系实现（见文末），本次先用通用标签尽量归类。

第 3 步：分析（六个视角）

对这批会话，聚合分析：

1. 问题/需求归类：客户在问什么、要什么，按标签树归类，给每类占比。
2. 情绪分布：正面/中性/负面占比；负面情绪主要集中在哪些话题。
3. 高频问题 Top N：客户最常咨询、最常抱怨的问题，按频次排序，带占比。
4. 原声引用：每个高频问题挑 1-2 句有代表性的真实客户原话（脱敏）。
5. 流失/风险信号：识别"比价后未下单""明确表达不满""提及竞品""犹豫放弃""重复催促未解决"等信号，给出现频次。
6. 改进建议：基于以上，给运营/产品/客服的行动建议，按"影响面 × 紧急度"排序。

判断依赖语义、把握不足的归类（如情绪的边界情况），如实标注"倾向性判断"，不强行定性。

第 4 步：生成 VOC 报告

输出一份报告（Excel 或 Markdown），结构：

• 一页结论（开头，≤200字）：本批会话数、核心发现 3 条、最该关注的 1 个问题。
• 问题分布：各标签占比（表格）。
• 情绪分布：正/中/负占比 + 负面集中话题。
• 高频问题 Top榜：问题 | 频次 | 占比 | 代表原声（脱敏）。
• 风险信号：信号类型 | 出现频次 | 说明。
• 改进建议：建议 | 依据 | 优先级。

结尾强制标注："本报告基于本批会话的单次分析，结论供决策参考，重要决策建议结合更多数据核实。"

第 4.5 步：交付前自检（必做）

1. 各标签占比之和合理（考虑一会话可含多标签，说明口径）。
2. 每个高频问题都附了占比和原声，无空结论。
3. 原声引用已全部脱敏，无残留敏感信息。
4. 会话总数 = 已分析 + 未纳入分析，数量守恒。

第 5 步：收尾

提醒用户：这是单次快照分析；如需按月追踪趋势、按企业专属分类体系分析、多渠道数据自动汇聚、或对某个结论做逐条下钻归因，属于定制服务（见文末）。

错误处理

• 文件无法识别为会话：列入"未纳入分析"，不猜测。
• 非中文会话为主：提示效果可能受限，由用户决定是否继续。
• 数据量过大：提示并建议抽样或分批，不静默截断导致结论偏差。

参考文件

• references/topics-default.md — 通用问题标签树（分类与释义），执行第 2 步时阅读。
• examples/sample-report.md — 示例报告，用户想预览效果时引用。

进阶能力（定制）

免费版提供单次、通用标签的洞察报告。以下能力需要结合企业数据与系统对接，属定制服务，欢迎通过文末方式联系：

• 企业专属标签体系：按贵司业务定制问题分类树（Taxonomy），归类更精准。
• 按月趋势追踪：Top 问题环比变化、情绪趋势曲线，看客户声音随时间怎么变。
• 多渠道自动汇聚：对接客服系统/评价/工单，定期自动拉取汇总，而非手动上传单批。
• 深度下钻与归因回溯：从"物流负面占 30%"下钻到具体是哪些会话、哪个时段/区域/来源导致，看清结论背后的原因。